本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 准备清单
<a name="readiness-checklist"></a>

此清单列出了 Amazon Personalize 的特征、要求和数据指南。它可以帮助您进行规划，也可以将其用作在 Amazon Personalize 中创建资源时的参考。

**Topics**
+ [您是否将自己的使用案例与 Amazon Personalize 资源进行了匹配？](#readiness-usecases)
+ [您是否有足够的物品交互数据？](#readiness-interact-data)
+ [您是否有实时事件流式传输架构？](#readiness-events)
+ [您的数据是否针对 Amazon Personalize 进行了优化？](#readiness-data-prep)
+ [您是否收集可以改进建议的可选数据？](#readiness-optional-data)
+ [您是否有计划测试您的建议？](#readiness-ab-testing)
+ [您是否还有其他业务目标？](#readiness-business-goals)

## 您是否将自己的使用案例与 Amazon Personalize 资源进行了匹配？
<a name="readiness-usecases"></a>

Amazon Personalize 建议可以解决以下使用案例：
+ 为用户生成个性化建议
+ 推荐类似或相关物品
+ 推荐趋势或热门物品
+  为用户建议下一个最佳操作 
+ 按相关性重新排序（仅限使用自定义资源）
+ 生成用户细分（仅限使用自定义资源）

Amazon Personalize 提供基于域的资源和为这些使用案例配置的自定义资源。首先，创建域数据集组或自定义数据集组：
+ 对于*域数据集组*，创建针对 VIDEO\$1ON\$1DEMAND 或 ECOMMERCE 域进行预配置和优化的资源。

  如果您有流视频或电子商务应用程序，我们建议您从域数据集组开始。您仍然可以添加自定义资源，例如针对自定义使用案例训练的解决方案和解决方案版本。而且，您仍可以使用自定义资源来获取批量推荐。您无法在域数据集组中创建下一个最佳操作资源，包括操作和操作交互数据集。
+  对于*自定义数据集组*，选择与您的使用案例相匹配的食谱。然后，只训练和部署可配置的解决方案与解决方案版本（经过训练的 Amazon Personalize 建议模型）。准备好之后，您可以在市场活动中部署解决方案版本来进行实时推荐。或者，您也可以在没有市场活动的情况下获取批量推荐。

   如果您没有流视频或电子商务应用程序，我们建议您创建自定义数据集组。否则，从域数据集组开始，然后根据需要添加自定义资源。

有关 Amazon Personalize 中提供的使用案例和自定义食谱的信息，请参阅[将自己的应用场景与 Amazon Personalize 资源进行匹配](use-cases-and-recipes.md)。

## 您是否有足够的物品交互数据？
<a name="readiness-interact-data"></a>

对于所有使用案例和配方，您的 25 个唯一用户必须进行至少 1000 次物品交互，每个用户至少有两次交互。为获得高质量的建议，我们建议您至少有 1000 名用户的最少 5 万次物品交互，每位用户有两次或更多次物品交互。

 如果您不确定自己是否有足够的数据，可以使用 Amazon Personalize 控制台导入和分析数据。有关更多信息，请参阅 [分析 Amazon Personalize 数据集中的数据质量和数量](analyzing-data.md)。

## 您是否有实时事件流式传输架构？
<a name="readiness-events"></a>

 如果您没有足够的物品交互数据，则可以使用 Amazon Personalize 来收集其它实时事件数据。对于一些食谱和使用案例，Amazon Personalize 可以从用户的最新活动中学习，并在他们使用您的应用程序时更新建议。

 有关记录事件的信息（包括事件如何影响建议、第三方事件跟踪服务列表以及示例实施），请参阅[记录实时事件以影响推荐](recording-events.md)。

## 您的数据是否针对 Amazon Personalize 进行了优化？
<a name="readiness-data-prep"></a>

我们建议您在数据中检查以下内容：
+ 检查是否缺失值。我们建议至少 70% 的记录包含每个属性的数据。我们建议允许空值的列的填写率至少为 70%。
+ 修复数据中的任何不准确之处或问题，例如命名约定不一致、项类别重复、数据集之间的 ID 不匹配或 ID 重复。这些问题可能会对建议产生负面影响或导致意外行为。例如，您的数据中可能同时有“N/A”和“不适用”，但仅基于“N/A”筛选建议。标记为“不适用”的物品不会被筛选器删除。
+  如果一个物品、用户或操作可以有多个类别（例如一部电影有多种类型），请将分类值合并到一个属性中，并使用 \$1 运算符分隔每个值。例如，电影的 GENRES 数据可能是动作 \$1 冒险 \$1 惊悚片。
+ 避免为一列设置超过 1000 个可能的类别（除非该列包含仅用于筛选目的的数据）。

有关数据建议的完整列表以及如何使用 Amazon Personalize 识别问题的说明，请参阅[分析 Amazon Personalize 数据集中的数据质量和数量](analyzing-data.md)。

## 您是否收集可以改进建议的可选数据？
<a name="readiness-optional-data"></a>

以下数据可以帮助提高建议相关性。
+  事件类型（对所有域数据集组使用案例为必填项） 
+  事件值 
+  上下文元数据 
+ 物品和用户元数据
+ 操作交互数据（仅由 PERSONALIZED\$1ACTIONS 配方使用）

 有关 Amazon Personalize 可以使用的数据类型的更多信息，请参阅 [Amazon Personalize 可以使用的数据类型](datasets.md)。

## 您是否有计划测试您的建议？
<a name="readiness-ab-testing"></a>

您可以使用 A/B 测试来比较不同用户组与来自不同模型的建议进行交互的结果。A/B 测试可以帮助您比较不同的建议策略，并查看建议是否有助于您实现业务目标。有关更多信息，请参阅 [通过 A/B 测试衡量推荐的影响](ab-testing-recommendations.md)。

## 您是否还有其他业务目标？
<a name="readiness-business-goals"></a>

在一些情况下，除了为用户生成相关建议外，您可能还有其他目标。例如，您可能想要最大限度地提高收入，或者推广某个类别中某些类型的物品。以下 Amazon Personalize 特征可以提供帮助：
+ 推广：您可以使用推广来确保一定比例的物品满足您的业务需求。有关更多信息，请参阅 [通过实时推荐推广物品](promoting-items.md)。
+ 针对业务目标进行优化：对于某些自定义数据集组食谱，您可以针对自定义目标优化解决方案，例如最大限度地提高流式传输时长或增加收入。有关更多信息，请参阅 [针对其他目标优化解决方案](optimizing-solution-for-objective.md)。
+ 筛选建议。使用筛选器将业务规则应用于建议。您可以使用筛选器，在建议中包含或排除某些类型的物品。有关更多信息，请参阅 [筛选建议和用户细分](filter.md)。