Повышение конверсии в воронке привлечения с помощью персонализации на основе контекстуальных бандитов в AWS
aws ·
В статье описывается, как Amazon Payments внедрила многоцелевую систему контекстных бандитов на базе AWS для оптимизации персонализации в трехэтапной воронке привлечения клиентов. Используя алгоритм Linear UCB (LinUCB) в сервисе Amazon SageMaker AI, команда привязывала выбор контента к индивидуальным поведенческим сигналам клиентов, а не к статичным сегментам. Модель одновременно оптимизировала такие показатели, как начало подачи заявки, её отправка и одобрение, используя взвешенную комбинацию оценок для решения «проблемы качелей», когда оптимизация одного этапа может негативно сказаться на другом. Развертывание осуществлялось с помощью еженедельной пакетной обработки, обновляющей модели на основе запаздывающих отзывов, при этом рекомендации хранились в хранилище ключ-значение с низкой задержкой для быстрого предоставления. Результаты показали рост конверсии на финальном этапе воронки на несколько процентов (в пределах однозначного числа) для одного сегмента клиентов, тогда как другой сегмент не показал улучшений из-за недостаточного качества контента, а не из-за сбоя алгоритма. Авторы подчеркивают, что, хотя генеративный ИИ расширяет пул креативных вариантов, контекстные бандиты необходимы для выбора наиболее эффективного варианта для каждого посетителя. Ключевые выводы включают важность проверки пулов контента через тщательное исследование (exploration) и использования офлайн-оценки вместе с A/B-тестами для обеспечения надежной производительности.
aws