Steigerung der Conversion im Acquisition-Funnel durch Personalisierung mit kontextuellen Bandits auf AWS
aws ·
Dieser Artikel beschreibt, wie Amazon Payments ein mehrstufiges kontextuelles Bandit-System auf AWS implementierte, um die Personalisierung über einen dreistufigen Produkt-Akquisit-Trichter zu optimieren. Durch den Einsatz von Linear UCB (LinUCB) innerhalb von Amazon SageMaker AI wurde die Inhaltswahl an individuelle Verhaltenssignale der Kunden statt an statische Segmente gekoppelt. Das Modell optimierte gleichzeitig für Antragsstarts, Einreichungen und Genehmigungen unter Verwendung einer gewichteten Kombination von Scores, um das „Wippe-Problem“ zu lösen, bei dem die Optimierung einer Stufe eine andere negativ beeinflussen könnte. Die Bereitstellung erfolgte über eine wöchentliche Batch-Verarbeitungsarchitektur, die Modelle auf Basis verzögerter Rückmeldungen aktualisierte; Empfehlungen wurden in einem Key-Value-Speicher mit niedriger Latenz gespeichert, um sie auszuliefern. Die Ergebnisse zeigten einen deutlichen prozentualen Anstieg der Konversion im letzten Trichterschritt für ein Kundensegment, während ein anderes Segment keine Verbesserung verzeichnete, was auf unzureichende Inhaltsqualität und nicht auf ein Versagen des Algorithmus zurückzuführen war. Die Autoren betonen, dass kontextuelle Banditen zwar durch generative KI erweitert werden, die Vielfalt der kreativen Varianten jedoch entscheidend ist, um die wirksamste Variante für jeden Besucher auszuwählen. Zu den wichtigsten Erkenntnissen gehören die Bedeutung der Validierung von Inhalts-Pools durch gründliche Exploration sowie der Einsatz von Offline-Evaluationen neben A/B-Tests, um eine robuste Leistung sicherzustellen.
aws