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

Los clientes que compran en Amazon suelen recorrer una gran cantidad de opciones antes de decidirse a comprar el producto elegido. ¿Cuándo y por qué decide un cliente hacer un pedido? A Yudi Zhang le interesa cómo se traduce la experiencia de compra en compras.

En un ensayo aceptado en el taller AI4Differential Equations in Science, que tuvo lugar durante la Conferencia Internacional de Representaciones del Aprendizaje de 2024, Zhang y sus colegas demostraron un nuevo enfoque del problema de estimar las partes más importantes del proceso de compra del cliente. El ensayo se escribió mientras Zhang era científica aplicada en Amazon Web Services (AWS), donde se incorporó en el otoño de 2023.

Zhang, que tiene un doctorado en estadística por la Universidad Estatal de Iowa, se unió a Amazon Ads como científica aplicada en julio de 2024. Aquí, nos habla sobre el ensayo y sus intereses en investigación.

Creo que lo que se está estudiando aquí es muy interesante. Me ofrece datos abundantes con los que puedo trabajar en sistemas avanzados de recomendación y personalización, que influyen directamente en las experiencias de los clientes. Este tipo de sistemas existen en muchas empresas grandes, así que Amazon Ads es un muy buen lugar para desarrollarse profesionalmente. Amazon invierte en científicos mediante el apoyo a conferencias e investigaciones que nos mantienen a la vanguardia en el campo de la publicidad, y la división de publicidad ha tenido mucho crecimiento recientemente.

Mi principal interés se centra en los sistemas de recomendación y personalización, con la creación de modelos y algoritmos que muestren a las personas productos que podrían interesarles. Los sistemas de recomendación generalmente tienen dos partes. El primero es el abastecimiento, donde recuperamos tantos productos relevantes como sea posible para mostrárselos al cliente. La segunda parte es la clasificación, donde tenemos una serie de productos que queremos ordenar de una manera específica para que más personas hagan clic en los anuncios que sean más relevantes para ellos. Estoy trabajando en la parte del abastecimiento.

El enfoque está en la atribución en múltiples puntos, que es un área de investigación que trata de comprender el proceso de compra del cliente e identificar qué interacciones contribuyen más a la conversión final, que en este caso significa un clic o una compra. En el espacio del comercio digital, los clientes suelen interactuar con múltiples puntos de contacto antes de hacer una compra: Ven algunos anuncios, recorren algunas páginas de productos y leen las reseñas. Todas esas diferentes acciones e interacciones se consideran puntos de contacto.

Tradicionalmente, los modelos capturan la atribución del último contacto o la atribución del primer contacto, lo que significa que asignan la mayor importancia al primer o último paso de la acción final de conversión. Sin embargo, 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. Por lo tanto, el ensayo buscaba una solución de modelado más integral para comprender cómo funcionarán juntas estas interacciones a lo largo de todo el proceso de compra del cliente.

Creo que la parte más emocionante del ensayo es que utiliza el mecanismo de atención para modelar la atribución. Un modelo simple de atribución múltiple simplemente trata cada interacción como aislada o le da a cada una el mismo peso. En cambio, este mecanismo de atención examina toda la secuencia de los puntos de contacto y evaluará dinámicamente la importancia de cada uno dentro del proceso de compra del cliente. Muchas herramientas basadas en IA hoy en día están entrenadas con este mecanismo de atención, que es una capa que puede identificar qué punto es más importante a partir de grandes conjuntos de datos. También funciona bastante bien para nuestra tarea de atribución.

Esa es una parte del ensayo, y la otra es la ecuación diferencial ordinaria (ODE) neuronal. Otros tipos de modelos podrían usar una serie temporal para modelar el proceso de compra del cliente, donde cada paso se produce en intervalos relativamente regulares. Sin embargo, en la vida real, los intervalos de tiempo en el proceso de compra del cliente pueden variar mucho. Podrías mirar una cosa hoy y otra cosa en 10 segundos, o en 10 días. La ODE es capaz de capturar 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, y tratamos de identificar qué canal tenía más importancia en la conversión. Funcionó mucho mejor que los métodos de atribución tradicionales.

Aunque la investigación se centró en los canales de marketing de AWS, el método también se puede aplicar a la publicidad. El impacto abarca tres aspectos. Primero, entender la secuencia y el momento de las interacciones de los clientes nos ayuda a determinar qué anuncios funcionan mejor juntos y en qué orden. Este conocimiento podría servir de apoyo a estrategias que inicien la interacción con anuncios centrados en la conciencia de marca y, luego guíen a los clientes potenciales hacia 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 entregar anuncios a clientes que ya han mostrado un alto nivel de interacción con ciertos formatos y contenidos publicitarios, lo que aumentaría 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 influyen los diferentes puntos de contacto en el comportamiento de los clientes, podemos construir modelos predictivos que estimen el impacto probable de las campañas antes de su lanzamiento.

Amazon Ads tiene un impacto muy grande gracias a la flexibilidad para explorar algunas ideas innovadoras; nuestra división contribuye mucho al crecimiento general de la empresa, y eso es emocionante. Tengo acceso a muchos conjuntos de datos de muy alta calidad y muy valiosos para construir modelos de aprendizaje automático eficaces. Esto me permite experimentar con técnicas avanzadas, así que mi experiencia aquí es fantástica.

Los científicos de Amazon Ads también colaboran estrechamente y tenemos una red para compartir ideas y acelerar la innovación. En un proyecto de sistema de recomendación, por ejemplo, los científicos más capacitados para el aprendizaje automático podrían unirse a expertos en procesamiento del lenguaje natural o en inferencia causal para crear una solución integral. Regularmente realizamos revisiones por pares de los modelos, validamos los 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, optimizando el rendimiento y la escalabilidad en tiempo real, y colaboramos con los responsables de productos para alinear los modelos con los objetivos comerciales, lo que tiene un impacto directo en la experiencia y la interacción de los usuarios.

En Amazon hay mucha gente con talento y colaborar con ella te permite aprender mucho.

Quiero mejorar la interpretabilidad de nuestros modelos para centrarnos en la transparencia y que los anunciantes no solo vean las métricas de rendimiento, sino que también entiendan el razonamiento detrás de las estadísticas. Si podemos proporcionar más interpretación a los anunciantes, también podremos ofrecer una experiencia aún más valiosa o relevante a los clientes.