Améliorer les conversions dans le tunnel d'acquisition grâce à la personnalisation par bandits contextuels sur AWS
aws ·
Cet article détaille comment Amazon Payments a mis en œuvre un système de bandits contextuels multi-objectifs sur AWS afin d'optimiser la personnalisation tout au long d'un entonnoir d'acquisition produit à trois étapes. En utilisant LinUCB (Linear UCB) au sein d'Amazon SageMaker AI, l'équipe a conditionné la sélection du contenu sur les signaux comportementaux individuels des clients plutôt que sur des segments statiques. Le modèle optimisait simultanément le démarrage des candidatures, les soumissions et les approbations grâce à une combinaison pondérée de scores, permettant de résoudre le « problème du balancier » où l'optimisation d'une étape pouvait avoir un impact négatif sur une autre. Le déploiement s'est appuyé sur une architecture de traitement par lots hebdomadaire qui mettait à jour les modèles en fonction des retards de feedback, stockant les recommandations dans un magasin clé-valeur à faible latence pour leur diffusion. Les résultats ont montré une augmentation à deux chiffres (dans le haut de la fourchette) du taux de conversion final pour un segment de clients, tandis qu'un autre n'a enregistré aucune amélioration, en raison d'une qualité de contenu insuffisante plutôt que d'un échec algorithmique. Les auteurs soulignent que si l'IA générative élargit le pool de variations créatives, les bandits contextuels restent essentiels pour sélectionner la variante la plus efficace pour chaque visiteur. Parmi les enseignements clés figurent l'importance de valider les pools de contenus par une exploration approfondie et d'utiliser l'évaluation hors ligne conjointement aux tests A/B afin d'assurer des performances robustes.
aws