Impulso de las conversiones en el embudo de adquisición mediante personalización con banditos contextuales en AWS
aws ·
Este artículo detalla cómo Amazon Payments implementó un sistema de bandits contextuales multiobjetivo en AWS para optimizar la personalización a lo largo de un embudo de adquisición de productos de tres etapas. Al utilizar LinUCB dentro de Amazon SageMaker AI, el equipo condicionó la selección de contenido en las señales conductuales individuales de los clientes en lugar de segmentos estáticos. El modelo optimizó simultáneamente los inicios de solicitud, las presentaciones y las aprobaciones mediante una combinación ponderada de puntuaciones para abordar el 'problema de la balancín', donde optimizar una etapa podría afectar negativamente a otra. El despliegue se basó en una arquitectura de procesamiento por lotes semanal que actualizaba los modelos según la demora en la retroalimentación, almacenando las recomendaciones en una base de datos clave-valor de baja latencia para su servicio. Los resultados mostraron un aumento de un solo dígito alto en la conversión final del embudo para un segmento de clientes, mientras que otro no experimentó mejoras debido a la insuficiente calidad del contenido y no a un fallo algorítmico. Los autores enfatizan que, aunque la IA generativa amplía el conjunto de variaciones creativas, los bandits contextuales son esenciales para seleccionar la variante más efectiva para cada visitante. Las lecciones clave incluyen la importancia de validar los conjuntos de contenido mediante una exploración exhaustiva y utilizar evaluaciones fuera de línea junto con pruebas A/B para garantizar un rendimiento robusto.
aws