Migliorare le conversioni nel funnel di acquisizione con la personalizzazione tramite banditi contestuali su AWS
aws ·
Questo articolo illustra come Amazon Payments abbia implementato un sistema di banditi contestuali multi-obiettivo su AWS per ottimizzare la personalizzazione in un funnel di acquisizione del prodotto a tre fasi. Utilizzando LinUCB all'interno di Amazon SageMaker AI, il team ha condizionato la selezione dei contenuti sui segnali comportamentali individuali dei clienti anziché su segmenti statici. Il modello ha ottimizzato simultaneamente l'avvio delle candidature, le presentazioni e le approvazioni mediante una combinazione pesata di punteggi, affrontando il "problema dell'altalena" in cui l'ottimizzazione di una fase potrebbe avere un impatto negativo su un'altra. Il deployment si è basato su un'architettura di elaborazione batch settimanale che aggiornava i modelli in base ai feedback differiti, memorizzando le raccomandazioni in un archivio chiave-valore a bassa latenza per il servizio. I risultati hanno mostrato un aumento nei singoli cifre percentuali nella conversione finale del funnel per un segmento di clienti, mentre un altro non ha registrato miglioramenti a causa della qualità insufficiente dei contenuti piuttosto che di un fallimento algoritmico. Gli autori sottolineano che, sebbene l'intelligenza artificiale generativa amplii il pool di variazioni creative, i banditi contestuali sono essenziali per selezionare la variante più efficace per ogni visitatore. Le lezioni chiave includono l'importanza di convalidare i pool di contenuti attraverso un'esplorazione approfondita e l'utilizzo di valutazioni offline insieme al test A/B per garantire prestazioni robuste.
aws