Aumento das conversões no funil de aquisição com personalização usando bandits contextuais na AWS
aws ·
Este artigo detalha como o Amazon Payments implementou um sistema de bandits contextuais multiobjetivo na AWS para otimizar a personalização em um funil de aquisição de produtos composto por três etapas. Ao utilizar o LinUCB (Linear UCB) dentro do Amazon SageMaker AI, a equipe condicionou a seleção de conteúdo aos sinais comportamentais individuais dos clientes, em vez de segmentos estáticos. O modelo otimizou simultaneamente o início de aplicativos, as submissões e as aprovações, por meio de uma combinação ponderada de escores, para enfrentar o 'problema da gangorra', no qual a otimização de uma etapa pode impactar negativamente outra. A implantação baseou-se em uma arquitetura de processamento em lote semanal que atualizava os modelos com base em feedback atrasado, armazenando recomendações em um armazenamento chave-valor de baixa latência para entrega. Os resultados mostraram um aumento de dois dígitos baixos na conversão final do funil para um segmento de clientes, enquanto outro não apresentou melhoria devido à qualidade insuficiente do conteúdo, e não a falhas algorítmicas. Os autores enfatizam que, embora a IA generativa amplie o conjunto de variações criativas, os bandits contextuais são essenciais para selecionar a variante mais eficaz para cada visitante. As principais lições incluem a importância de validar os conjuntos de conteúdo por meio de exploração rigorosa e utilizar avaliação offline junto com testes A/B para garantir desempenho robusto.
aws