FAQ sur Amazon Personalize

Questions d'ordre général

Amazon Personalize est un service de machine learning (ML) entièrement géré qui utilise vos données pour générer des recommandations de produits et de contenu pour vos utilisateurs. Vous fournissez des données concernant vos utilisateurs finaux (par exemple, âge, localisation, type d'appareil), les articles de votre catalogue (par exemple, le genre, le prix) et les interactions entre les utilisateurs et les articles (par exemple, les clics, les achats). Personalize utilise ces données pour former des modèles privés personnalisés qui génèrent des recommandations pouvant être présentées via une API.

Le service utilise des algorithmes pour analyser le comportement des clients et leur recommander des produits, du contenu et des services susceptibles de capter leur intérêt. Cette approche améliorée de l'expérience client peut accroître l'engagement, la fidélité des clients et les ventes, ce qui peut entraîner une augmentation des revenus et de la rentabilité. Personalize utilise la même technologie de machine learning que celle utilisée par Amazon.com et permet aux développeurs d'ajouter facilement de la personnalisation à des applications existantes, à des sites Web, à des notifications push, à des communications marketing, etc., sans aucune expérience de machine learning requise. Personalize utilise des informations en temps réel pour fournir des recommandations personnalisées instantanément en fonction du comportement de l'utilisateur. Vous pouvez démarrer rapidement grâce à des recommandations optimisées pour les cas d'utilisation pour votre domaine d'activité, ou vous pouvez créer vos propres ressources personnalisées configurables.

Voici quelques raisons pour lesquelles les entreprises choisissent Amazon Personalize pour la personnalisation :

  • Améliorez l'engagement des utilisateurs et les taux de conversion : les utilisateurs sont plus susceptibles d'interagir avec des produits et services adaptés à leurs préférences. Les entreprises peuvent donc stimuler l'engagement des utilisateurs et les taux de conversion en proposant des recommandations personnalisées.
  • Améliorer la satisfaction client : les entreprises peuvent offrir une meilleure expérience client en utilisant la personnalisation pour proposer des produits et services qui correspondent mieux à leurs besoins et à leurs intérêts.
  • Mettre à l’échelle la personnalisation de manière rentable : Amazon Personalize est un service de machine learning basé sur le cloud, capable de gérer d'énormes volumes de données utilisateur afin de produire des recommandations personnalisées pour des millions d'utilisateurs. Il s'agit donc d'une solution efficace pour les entreprises dont la base d'utilisateurs est importante ou qui se développe rapidement.
  • Économisez du temps et des ressources : Amazon Personalize automatise le processus de génération de suggestions personnalisées, déployant des modèles de recommandation en quelques jours au lieu de plusieurs mois. Cela peut aider les entreprises à économiser des ressources et du temps précieux qui seraient autrement consacrés à des analyses manuelles et à la génération de recommandations.

Amazon Personalize peut être utilisé pour personnaliser l'expérience de l'utilisateur final sur n'importe quel canal numérique. Les exemples incluent les recommandations de produits pour le commerce électronique, les articles de presse, les publications, les médias et les réseaux sociaux, les recommandations d'hôtels pour les sites de voyages, les recommandations de cartes de crédit pour les banques et les recommandations de correspondance pour les sites de rencontres. Amazon Personalize peut également être utilisé pour personnaliser l'expérience de l'utilisateur lorsque l'interaction de l'utilisateur se fait par un canal physique. Par exemple, une société de distribution de repas peut personnaliser un repas hebdomadaire pour les utilisateurs ayant un plan d'abonnement. Voici d'autres exemples de cas d'utilisation. Consultez nos références clients pour découvrir de véritables réussites de clients.

  • Personnalisez une application de streaming vidéo : ajoutez plusieurs types de recommandations vidéo personnalisées à votre application de streaming. Par exemple, des recommandations vidéos Premiers choix pour vous, Plus comme X, et Les plus populaires.
  • Ajoutez des recommandations de produits à une application de commerce électronique : ajoutez une gamme de recommandations de produits personnalisées à votre application de vente au détail. Par exemple, des recommandations de produits Recommandés pour vous, Fréquemment achetés ensemble et Les clients qui ont consulté X ont également consulté.
  • Créez des e-mails personnalisés : générez des recommandations par lots pour tous les utilisateurs d'une liste d'e-mails. Vous pouvez ensuite utiliser un service AWS ou un service tiers pour envoyer aux utilisateurs des e-mails personnalisés recommandant des articles de votre catalogue.
  • Créez une campagne marketing ciblée : vous pouvez utiliser Amazon Personalize pour générer des segments d'utilisateurs susceptibles d'interagir avec les articles de votre catalogue. Vous pouvez ensuite utiliser un service AWS ou un service tiers pour créer une campagne marketing ciblée qui fait la promotion de différents articles auprès de différents segments d'utilisateurs.

Découvrez Magic Movie Machine, un jeu court et interactif dans lequel vous êtes à la recherche de recommandations de film qui correspondent à vos centres d’intérêts. Constatez par vous-même comment Amazon Personalize mémorise les choses que vous aimez pour ensuite ajuster vos recommandations en temps réel. Suivre la démonstration maintenant.

Utilisation d’Amazon Personalize

Amazon Personalize propose un processus simple en trois étapes, en quelques clics seulement dans la Console de gestion AWS ou par de simples appels d'API. Tout d'abord, dirigez Amazon Personalize vers vos données d'interaction avec l'utilisateur (journal historique des vues, des clics, des achats, etc.) dans Amazon S3, téléchargez les données à l'aide d'un appel API simple ou utilisez SageMaker Data Wrangler pour préparer et importer vos données. En option, vous pouvez fournir un jeu de données d'articles ou d'utilisateurs qui contient des informations supplémentaires sur votre catalogue et votre base de clients. Ensuite, en quelques clics dans la console ou par un appel API, formez un modèle de recommandation privé personnalisé pour vos données. Troisièmement, récupérez des recommandations personnalisées. Regardez cette série de vidéos Amazon Personalize Deep Dive pour en savoir plus.

Démarrez en créant un compte et en accédant à la console pour développeurs Amazon Personalize, qui vous guide à travers un assistant de configuration intuitive. Vous aurez la possibilité d’utiliser une API JavaScript et des kits SDK côté serveur pour envoyer des données de flux d’activités en temps réel vers Amazon Personalize ou d’amorcer le service en utilisant un journal d'historique des événements de l'utilisateur. Vous pouvez également importer vos données via Amazon Simple Storage Service (S3) ou en utilisant SageMaker Data Wrangler. Ensuite, en quelques appels d'API, vous pouvez former un modèle de personnalisation, en laissant le service choisir le bon algorithme pour votre jeu de données avec AutoML ou en choisissant manuellement l'une des nombreuses options d'algorithme disponibles. Une fois formés, leurs modèles peuvent être déployés avec un seul appel API et utilisés par les applications de production. Une fois le déploiement effectué, appelez le service depuis vos services de production pour obtenir des recommandations en temps réel et Amazon Personalize s'adapte automatiquement à la demande.

Les utilisateurs doivent fournir les données suivantes à Amazon Personalize :

  • Flux d'activité utilisateur ou données d'événements : un journal historique des interactions des utilisateurs sur le site web ou sur l'application sont capturées sous forme d'événements et envoyées à Amazon Personalize via une intégration n’impliquant qu’une seule ligne de code. Cela inclut les événements clés comme les clics, les achats, les ajouts au panier, les mentions J'aime, etc. Lors de l'intégration au service, vous pouvez également fournir un journal d’historique de toutes les données de flux d'événements ou d’activités, le cas échéant.
  • Données de catalogue (articles) : cela peut être n'importe quel type de catalogue, y compris des livres, des vidéos, des articles de presse ou des produits. Cela implique des identifiants d’article et des métadonnées associées à chaque article.
  • Données d'utilisateur : données de profil d'utilisateur, y compris des données démographiques d'utilisateur telles que le sexe et l'âge. Ces données sont facultatives.

Amazon Personalize formera et déploiera un modèle basé sur ces données. Vous pouvez utiliser une API d'inférence simple pour obtenir des recommandations personnalisées pendant l'exécution et générer une expérience personnalisée pour les utilisateurs finaux en fonction du type de modèle de personnalisation utilisé (par exemple, personnalisation basée sur l'utilisateur, les articles liés ou le reclassement personnalisé).

Les données suivantes peuvent contribuer à améliorer la pertinence de vos recommandations et il est vivement recommandé d'inclure :

  • Le type d'événement (obligatoire pour tous les cas d'utilisation des groupes de jeux de données du domaine)
  • Valeur de l'événement
  • Métadonnées contextuelles
  • Métadonnées de l'article et de l'utilisateur

Pour plus d'informations sur les types de données qu'Amazon Personalize peut utiliser, consultez la section Types de données que vous pouvez importer dans Amazon Personalize.

Amazon Personalize facilite pour vous l’importation et la préparation de vos données via Amazon SageMaker Data Wrangler avant de les utiliser dans Amazon Personalize. Grâce à Amazon SageMaker Data Wrangler, vous pouvez importer des données à partir de plus de 40 sources de données prises en charge et effectuer une préparation complète des données (y compris la sélection des données, le nettoyage, l'exploration, la visualisation et le traitement à grande échelle) dans une interface utilisateur unique en utilisant peu ou pas de code. Cela vous permet de préparer rapidement les jeux de données sur les utilisateurs, les articles ou les jeux de données d’interactions à l'aide d’Amazon SageMaker Data Wrangler en tirant parti des transformations spécifiques à Amazon Personalize et de plus de 300 transformations de données générales intégrées, en récupérant des informations sur les données et en procédant rapidement à des itérations en résolvant les problèmes de données. Il vous suffit de vous rendre sur la console Amazon Personalize, d'ouvrir un ensemble de données depuis vos groupes de jeux de données, de sélectionner « Importer et préparer vos données », puis de choisir « Préparer les données avec Data Wrangler ». Veuillez noter que les clients utilisant Amazon SageMaker Data Wrangler devront payer des frais supplémentaires en fonction de leur utilisation. Consulter la page de la tarification.

Oui. Amazon Personalize vous permet d'aider vos utilisateurs à découvrir de nouveaux produits et articles en vous permettant de spécifier un « nouveau poids d'exploration des articles ». Ces informations sont ensuite utilisées par Amazon Personalize pour trouver automatiquement le juste équilibre entre l'exposition du nouveau contenu aux utilisateurs et l'offre des recommandations les plus pertinentes. Amazon Personalize prend également en compte les données relatives aux articles auxquels les utilisateurs ont été exposés, mais avec lesquels ils ont choisi de ne pas interagir. 

Amazon Personalize fournit une analyse de vos données pour faciliter le démarrage. Il peut analyser les données que vous fournissez et propose des suggestions pour vous aider à améliorer la préparation de vos données. Les performances des systèmes de personnalisation dépendent des données de haute qualité fournies aux modèles concernant les utilisateurs et leurs interactions avec les articles de votre catalogue. En identifiant les potentielles lacunes en matière de données et en proposant des suggestions pour aider les clients à y remédier, Amazon Personalize facilite l'entraînement de modèles performants et réduit les besoins en dépannage.

Amazon Personalize lance une nouvelle intégration avec OpenSearch autogérée qui permet aux clients de personnaliser les résultats de recherche pour chaque utilisateur et de prévoir leurs besoins de recherche. Le plugin Amazon Personalize Search Ranking intégré à OpenSearch vous permet d'exploiter les fonctionnalités de deep learning proposées par Amazon Personalize et d'appliquer un reclassement personnalisé aux résultats de recherche d'OpenSearch, sans aucune expertise en machine learning. Grâce à la recherche personnalisée, les clients peuvent aller au-delà de l'approche traditionnelle de correspondance par mots clés et augmenter les éléments pertinents dans les résultats de recherche d'un utilisateur spécifique en fonction de ses intérêts, de son contexte et de ses interactions passées en temps réel. Les clients peuvent également ajuster le niveau de personnalisation de chaque requête de recherche afin de mieux contrôler leur expérience de recherche, améliorant ainsi l'engagement des utilisateurs finaux et le taux de conversion résultant de leurs recherches. 

Le plugin Amazon Personalize Search Ranking est disponible à la fois pour les utilisateurs d'OpenSearch autogéré et d'Amazon OpenSearch. Si vous utilisez Amazon OpenSearch, pour commencer, configurez simplement un domaine OpenSearch, puis configurez une campagne Amazon Personalize avec la recette AWS-personalized-ranking. Ensuite, associez le plugin Amazon Personalize Search Ranking à votre domaine, puis configurez le plugin. Vous pouvez également utiliser le tableau de bord OpenSearch pour comparer les résultats de votre recherche.

Si vous utilisez OpenSearch autogéré, pour démarrer, configurez simplement un cluster OpenSearch, puis configurez une campagne Amazon Personalize avec la recette AWS-personalized-ranking, et installez et configurez le plugin Amazon Personalize Search Ranking dans OpenSearch. Vous pouvez utiliser le tableau de bord OpenSearch pour comparer les résultats de votre recherche.

Pour en savoir plus, voir notre documentation.

Grâce à la recette Amazon Personalize Next-Best-Action (aws-next-best-action), vous pouvez déterminer la prochaine meilleure action à recommander à chaque utilisateur en fonction de ses préférences, de ses intérêts et de son historique en temps réel. Vous pouvez recommander des actions telles qu'un service complémentaire, l'adhésion à un programme de fidélité client, l'abonnement à une lettre d'information, etc. qui encouragent la discussion. Cela vous permet d'améliorer l'expérience de chaque utilisateur en l'incitant à prendre, tout au long de son parcours utilisateur, des mesures qui contribueront à promouvoir l'engagement à long terme de la marque. Cela vous permet également d'améliorer le retour sur investissement marketing en recommandant des actions qui présentent un haut degré de pertinence pour l'utilisateur, ce qui se traduit par une augmentation des revenus et une fidélisation. En savoir plus.

Les recettes sont des algorithmes Amazon Personalize destinés à des cas d’utilisation de personnalisation spécifiques, notamment des recommandations de produits ou de contenus, un classement personnalisé et la segmentation des utilisateurs. Chaque recette fournit un algorithme qu’Amazon Personalize utilise pour l’apprentissage et la configuration des modèles.

Pour en savoir plus, consultez notre documentation.

Amazon Personalize Next Best Action (NBA) permet aux marques de recommander la meilleure action que leurs utilisateurs devraient prendre pour renforcer la fidélité et accroître le taux de conversion avec leur marque en temps réel. Les clients commencent par définir une liste d'actions et par charger les jeux de données requis, puis ils entraînent leur modèle NBA personnalisé. Ils intègrent ensuite des recommandations à leurs applications ou outils technologiques marketing via une API. Lorsqu'un utilisateur final déclenche une recommandation en temps réel, le modèle Personalize NBA renvoie un classement d'actions pour chaque utilisateur ainsi que les scores de propension. Étant donné que les actions peuvent n'être pertinentes que pendant une période spécifique (par exemple, l'inscription à des offres de voyages pour les vacances) ou que les clients peuvent souhaiter limiter le nombre d'actions proposées aux utilisateurs finaux (par exemple, ne pas montrer la même action plus de X fois en Y jours), les clients pourront définir des limites concernant les recommandations d'actions (par exemple, des filtres). 

Amazon Personalize fournit aux clients deux API d'inférence: getRecommendations et getPersonalizedRanking. Ces API retournent une liste d'itemID recommandés pour un utilisateur, une liste d'articles similaires à un article ou une liste reclassée d'articles pour un utilisateur. L'itemID peut être un identifiant de produit, un videoID etc. Vous pouvez ensuite utiliser ces itemID pour générer l’expérience de l’utilisateur final par des étapes telles que la récupération d’une image et d’une description, puis effectuer le rendu d’un affichage. Dans certains cas, vous pouvez intégrer les services AWS, les services de distribution d'e-mails tiers ou des services de notification, et bien d'autres encore, pour générer l'expérience de l'utilisateur final que vous souhaitez.

Consultez la solution API de personnalisation qui explique le cadre API en temps réel et à faible latence qui s'intercale entre vos applications et les systèmes de recommandation tels qu'Amazon Personalize. La solution fournit également des implémentations de meilleures pratiques pour la mise en cache des réponses, les configurations de passerelles API, les tests A/B avec Amazon CloudWatch Evidently, les métadonnées d'articles en temps réel, les recommandations contextuelles automatiques, et bien plus encore.

Quelques fonctions intégrées à Amazon Personalize servent de points de contrôle pour vous aider à vous assurer que vous optimisez les recommandations de haute qualité.

  • Tests en ligne (tests A/B) : ce sera toujours le meilleur indicateur de l'impact d'un modèle sur les mesures commerciales. C'est également la méthode la plus courante. Vous devez évaluer vos recommandations par rapport à des mesures commerciales. Si vous ne disposez pas encore d'un outil de test A/B, envisagez d'utiliser Amazon CloudWatch Evidently. Le projet API de personnalisation fournit une solution déployable et une architecture de référence.
  • Mesures hors ligne :Amazon Personalize calcule des mesures hors ligne pour chaque version de solution et chaque recommandation afin de mesurer la précision des prévisions issues du modèle. Vous pouvez utiliser ces mesures pour évaluer la qualité d'une version de la solution par rapport à d'autres versions. Les mesures hors ligne sont calculées en divisant les jeux de données Personalize en un ensemble de formation et un ensemble de test. Il vous permet de visualiser les effets de la modification des hyperparamètres et des algorithmes utilisés pour entraîner vos modèles, calculés par rapport à des données historiques.
  • Mesures en ligne : il s'agit de résultats empiriques observés lors des interactions de vos utilisateurs avec des recommandations en temps réel fournies dans un environnement réel. Lorsque vous comparez les modèles Amazon Personalize à un système de recommandation existant, les données historiques sont initialement biaisées en faveur de l'approche existante. Par conséquent, il est recommandé d'exécuter un test en ligne pendant quelques semaines avant de commencer réellement un test pour mesurer les résultats afin que le modèle soit entraîné et évalué sur la base des données d'interactions générées en consultant les recommandations d'Amazon Personalize.

Vous pouvez mesurer les résultats commerciaux de toute recommandation Amazon Personalize à l'aide de tout événement envoyé au système. Vous pouvez ensuite visualiser et évaluer l'impact d'une ou de plusieurs recommandations afin d'élaborer une stratégie de personnalisation davantage axée sur les données. À partir de la console Amazon Personalize ou de l'API, vous pouvez définir une « attribution de métrique », c'est-à-dire une liste d'interactions (types d'événements) que vous souhaitez évaluer et sur laquelle vous souhaitez établir un rapport. Par exemple, vous pouvez vouloir suivre deux indicateurs : le taux de clics (CTR) pour les recommandations et le nombre total d'achats. Pour chaque type d'événement, il vous suffit de définir la métrique et la fonction à évaluer (somme ou nombre). Amazon Personalize effectue alors le calcul et envoie les rapports à votre compte CloudWatch ou S3.

Tous les modèles Amazon Personalize sont propres au jeu de données du client et ne sont pas partagés avec d'autres comptes AWS ou avec Amazon Retail, Amazon Prime ou toute autre unité commerciale. Aucunes données ne sont utilisées pour entraîner ou propager des modèles pour d'autres clients, les entrées et sorties des modèles du client appartiennent dans leur totalité au compte. Chaque interaction que les clients ont avec Amazon Personalize est protégée par chiffrement. Toutes les données relatives à l'utilisateur, aux articles ou aux interactions traitées par Amazon Personalize peuvent être chiffrées avec les clés du client via AWS Key Management Service, et chiffrées au repos et en transit dans la région AWS où le client utilise le service. Les administrateurs peuvent également contrôler l'accès à Amazon Personalize via une stratégie d'autorisations AWS Identity and Access Management (IAM), en s'assurant que les informations sensibles sont protégées et restent confidentielles.

Cas d’utilisation

  • Personnalisation de l'utilisateur : recommandations adaptées au profil, au comportement, aux préférences et à l'historique de l'utilisateur. Cette méthode est le plus souvent utilisée pour stimuler l'engagement et la satisfaction des clients. Cela peut également entraîner des taux de conversion plus élevés.
  • Classement personnalisé : articles reclassés dans une catégorie ou une réponse de recherche en fonction des préférences ou de l'historique de l'utilisateur. Ce cas d'utilisation est utilisé pour faire apparaître des articles ou du contenu pertinents pour un utilisateur spécifique, ce qui permet d'améliorer l'expérience client. Amazon Personalize prend en charge le reclassement tout en optimisant les priorités commerciales telles que les revenus, les promotions ou les articles tendance.
  • Articles similaires : recommandation d'articles connexes afin d'encourager l'exploration et les possibilités de vente incitative et croisée. Des recommandations d'articles similaires aident les utilisateurs à découvrir de nouveaux contenus ou à comparer des articles existants dans votre catalogue.
  • Next Best Action : recommandez les actions pertinentes au bon utilisateur en temps réel en fonction de son comportement et de ses besoins individuels. Cela vous permettra de maximiser l'engagement des utilisateurs et d'augmenter les taux de conversion.
  • Tendance actuelle : recommandez les articles les plus consultés par les utilisateurs, tels que des articles d'actualité, du contenu populaire sur les réseaux sociaux ou des films récemment sortis.
  • Segmentation des utilisateurs : messages et notifications ciblés pour les utilisateurs les plus intéressés par un article ou une catégorie. Cela peut aider les entreprises à augmenter l'engagement dans les campagnes de marketing et à accroître les taux de fidélisation grâce à des messages hyperciblés.

Amazon Personalize est constamment amélioré en fonction des commentaires des clients et des objectifs de la feuille de route à long terme, car nous nous efforçons d'optimiser la facilité d'accueil et d'utilisation. Vous trouverez ici plusieurs fonctionnalités importantes d'Amazon Personalize qui vont au-delà des pratiques de ML de base. Pour une liste complète des fonctionnalités, consultez notre page Fonctionnalités.

  • Segmentation des utilisateurs : segmentez les utilisateurs finaux de manière intelligente en fonction de leurs préférences et créez des messages ciblés qui trouvent un écho auprès de groupes de clients spécifiques. Regardez cette démo pour en savoir plus.
  • Systèmes de recommandation optimisés pour les domaines :accélérer le délai de commercialisation à l'aide de systèmes de recommandations préconçus pour des cas d'utilisation professionnels courants. Consultez cette démo pour en savoir plus.
  • Recommandations de nouveaux articles : créez des recommandations de qualité pour les nouveaux produits et contenus lorsque les données sur les préférences des utilisateurs sont rares.
  • Recommandations en temps réel ou par lots : répondez à l'évolution des intentions en temps réel ou transmettez des recommandations de masse à des flux de travail orientés par lots.
  • Recommandations d'action : renforcer la fidélité et le taux de conversion de vos utilisateurs en élargissant vos recommandations au-delà des articles ou du contenu. Déterminez la meilleure action à suggérer à chaque utilisateur en fonction de ses préférences, de ses besoins et de son comportement passé.
  • Recherche personnalisée : améliorez l'expérience de recherche des utilisateurs en affichant des résultats de recherche pertinents en fonction de leurs intérêts uniques, de leurs préférences et de leurs interactions passées en temps réel.
  • Support du texte non structuré : traitement du langage naturel et modélisation basée sur l'attention pour extraire automatiquement les informations clés.
  • Recommandations contextuelles : améliorez les recommandations en les générant en fonction d'un contexte tel que le segment d'utilisateurs, le type d'appareil, le lieu ou l'heure du jour.
  • Règles commerciales : appliquez des règles commerciales, notamment des filtres et des promotions qui contrôlent le pourcentage de contenu promu pour chaque utilisateur.
  • Recommandations populaires : recommandez les articles qui gagnent en popularité le plus rapidement auprès de vos utilisateurs
  • Impact des recommandations : mesurez l'impact commercial total de chaque événement, tel que la consultation d'une page, le démarrage d'une vidéo, un clic, un ajout au panier, un achat, etc.

Tarification

Consultez la Page de tarification d'Amazon Personalize pour obtenir des informations sur les tarifs actuellement en vigueur.

Avec Amazon Personalize, vous payez uniquement pour ce que vous utilisez ; il n'y a pas de frais minima ni d'engagement initial. Voici quelques conseils pour gérer les coûts.

Envisagez de mettre en cache les résultats en fonction de vos besoins en matière de mises à jour en temps réel

 Reconversion basée uniquement sur les besoins de l'entreprise

Faites largement appel à la mise à l'échelle automatique en réglant le TPS minimum provisionné à un niveau bas, sauf si cela a un impact négatif sur vos objectifs de débit/latence

Envisagez d'utiliser des recommandations par lots lorsque le cas d'utilisation correspond à un processus par lots en aval, tel que le marketing par e-mail. Étant donné que les recommandations par lots s'appliquent à une version de solution, elles ne nécessitent pas de campagne. Remarque : les recommandations par lots ne sont disponibles que pour les jeux de données de recommandations personnalisés.

Le projet Amazon Personalize Monitor fournit certaines fonctionnalités d'optimisation des coûts permettant d'optimiser le provisionnement des campagnes ainsi que d'alerter et de supprimer les campagnes inactives/abandonnées.