Detrás del documento: Yudi Zhang encuentra una forma más matizada de analizar el proceso de compra del cliente

Los clientes que compran en Amazon a menudo navegan por una gran cantidad de opciones antes de llegar a la compra elegida. ¿Cuándo y por qué un cliente decide realizar un pedido? A Yudi Zhang le interesa cómo la experiencia de compra se traduce en compras.

En un trabajo que fue aceptado en el taller de la Conferencia Internacional sobre Representaciones de Aprendizaje (ICLR) 2024 sobre “AI4Differential Equations in Science”, Zhang y sus colegas demostraron un enfoque novedoso al problema de estimar las partes más importantes del proceso de compra del cliente. El documento se redactó cuando Zhang era científica aplicada en Amazon Web Services (AWS), al que se unió en el otoño de 2023.

Zhang, quien tiene un doctorado en estadística de la Universidad Estatal de Iowa, se unió a Amazon Ads como científica aplicada en julio de 2024. Aquí, habla de este documento y sus intereses de investigación.

Creo que lo que se estudia aquí es muy interesante. Me ofrece acceso a una gran cantidad de datos para que pueda trabajar en sistemas avanzados de recomendación y personalización, que les dan forma directamente a las experiencias de los clientes. Este tipo de sistemas existen en muchas empresas importantes, por lo que Amazon Ads es un excelente lugar para desarrollarse profesionalmente. Amazon invierte en científicos al avalar conferencias e investigaciones; eso nos mantiene a la vanguardia del ámbito publicitario. Además, la división de Amazon Ads ha experimentado un gran crecimiento recientemente.

Me centro principalmente en los sistemas de recomendación y personalización, y creo modelos y algoritmos que puedan mostrar a las personas productos que podrían interesarles. Los sistemas de recomendación generalmente constan de dos partes. El primero es el suministro, donde recuperamos tantos productos relevantes como sea posible para mostrarle al cliente. La segunda parte es la clasificación. Aquí tenemos una serie de productos que queremos ordenar específicamente para que más personas hagan clic en anuncios que les resulten más relevantes. Actualmente, trabajo en la parte de suministro.

El foco está en la atribución de varios puntos de contacto, que es un área de investigación que trata de entender el proceso de compra del cliente e identificar las interacciones que más contribuyen a la conversión final, que en este contexto significa un clic o una compra. En un espacio de retail digital, los clientes a menudo interactúan con varios puntos de contacto antes de realizar una compra: ven algunos anuncios, visitan algunas páginas de productos y leen reseñas. Todas esas acciones e interacciones diferentes se consideran puntos de contacto.

Tradicionalmente, los modelos capturan la atribución de último contacto o la atribución de primer contacto, lo que significa que asignan la mayor importancia al primer o al último paso para la acción de conversión final. Pero el proceso de compra del cliente es muy complicado. La mayoría de las veces, algunos de los puntos de contacto intermedios son más importantes para impulsar las decisiones de los clientes. El documento buscaba una solución de modelado más completa para entender cómo estas interacciones funcionan juntas a lo largo de todo el proceso de compra del cliente.

Creo que la parte más emocionante del artículo es que usa el mecanismo de atención para modelar la atribución. Un modelo simple de atribución múltiple trata cada interacción como aislada o le atribuye a cada una la misma importancia. Pero este mecanismo de atención contempla toda la secuencia de los puntos de contacto, y evalúa dinámicamente la importancia de cada uno dentro del proceso de compra del cliente. Muchas herramientas basadas en IA hoy en día se entrenan sobre la base de este mecanismo de atención, que es una capa que puede identificar a partir del “big data” qué punto es más importante. También funciona bastante bien para nuestra tarea de atribución.

Esa es una parte del documento; la otra parte es la ecuación diferencial ordinaria neuronal (EDO neuronal). Otros tipos de modelos quizás usan una serie temporal para modelar el proceso de compra del cliente, donde cada paso se lleva a cabo a intervalos relativamente regulares. Pero en la vida real, los intervalos de tiempo en este proceso pueden variar ampliamente. Podrías ver una cosa hoy y otra en 10 segundos o en 10 días. El EDO es capaz de captar estos intervalos de tiempo irregulares.

Probamos el modelo en las interacciones de los clientes con diferentes canales de marketing de AWS, como la búsqueda pagada y la búsqueda natural, e intentamos identificar qué canal era más importante para las conversiones. Tuvo un mejor desempeño que los métodos tradicionales de atribución.

Aunque la investigación se centró en los canales de marketing para AWS, el método también se puede aplicar a la publicidad. El impacto abarca tres áreas. Primero, comprender la secuencia y el momento en que tienen lugar las interacciones con los clientes nos ayuda a determinar qué anuncios funcionan mejor juntos y en qué orden. Este conocimiento podría fundamentar estrategias que inicien las interacciones a través de anuncios centrados en el reconocimiento y luego guíen a los clientes potenciales a anuncios que impulsen las conversiones. Segundo, conocer la efectividad de cada punto de contacto permite a los anunciantes personalizar sus campañas con mayor precisión. Por ejemplo, podríamos mostrar anuncios a clientes que anteriormente han mostrado un alto nivel de interés en determinados formatos de anuncios y contenidos, lo que aumenta la relevancia y el impacto de cada punto de contacto en el proceso de compra del cliente. Y tercero, a medida que recopilamos datos sobre cómo los diferentes puntos de contacto influyen en el comportamiento del cliente, podemos diseñar modelos predictivos que estimen el impacto probable de las campañas antes de su lanzamiento.

Amazon Ads tiene un impacto muy grande en la flexibilidad para explorar algunas ideas innovadoras, y nuestra división contribuye enormemente al crecimiento general de la empresa, lo cual es emocionante. Tengo acceso a muchos conjuntos de datos de muy alta calidad, lo cual es sumamente valioso para crear modelos eficientes de aprendizaje automático. Esto me permite experimentar con técnicas avanzadas, así que la experiencia aquí es muy buena.

Los científicos de Amazon Ads también colaboran estrechamente, y tenemos una red para compartir ideas y acelerar la innovación. En un proyecto de sistemas de recomendación, por ejemplo, científicos con conocimientos en aprendizaje automático podrían formar un equipo con expertos en procesamiento del lenguaje natural o inferencia causal para crear una solución completa. Periódicamente revisamos modelos de colegas, validamos resultados y exploramos alternativas para garantizar la precisión y la eficiencia. También trabajamos directamente con ingenieros de software para integrar modelos en la infraestructura de Amazon. Así, optimizamos el desempeño y la escalabilidad en tiempo real, y nos asociamos con gerentes de productos para alinear los modelos con los objetivos comerciales, lo que afecta directamente la experiencia del usuario y las interacciones.

En Amazon, hay muchas personas talentosas, y puedes aprender mucho en el proceso de colaborar con ellas.

Quiero mejorar la capacidad de interpretación de nuestros modelos, centrarme en la transparencia para que los anunciantes no solo vean las estadísticas de desempeño, sino que también entiendan los fundamentos detrás de la información. Si podemos proporcionar más interpretación a los anunciantes, entonces también podemos proporcionar una experiencia aún más valiosa o relevante a los clientes.