Detrás del artículo: Yudi Zhang encuentra una forma más matizada de analizar el recorrido del cliente

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

En un artículo que fue aceptado en el Taller sobre AI4Differential Equations in Science de la International Conference on Learning Representations 2024, Zhang y sus colegas demostraron un nuevo enfoque para el problema de estimar las partes más importantes del recorrido del cliente. El artículo fue escrito mientras Zhang era Científica Aplicada en Amazon Web Services (AWS), donde se incorporó en el otoño de 2023.

Zhang, quien tiene un doctorado en estadística de la Universidad Estatal de Iowa, se unió a Amazon Ads como Científico Aplicado en julio de 2024. Aquí ella habla sobre el artículo y sus intereses de investigación.

Creo que lo que la gente está estudiando aquí es realmente interesante. Ofrece datos valiosos para que yo trabaje en sistemas avanzados de recomendación y personalización, los cuales influyen directamente en las experiencias de los clientes. Este tipo de sistemas existen en muchas empresas grandes, así que Ads es un muy buen lugar para desarrollarse profesionalmente. Amazon invierte en científicos apoyando conferencias e investigación, lo que nos mantiene a la vanguardia en el campo de la publicidad, y la división de Anuncios ha tenido mucho crecimiento recientemente.

Mi enfoque principal está en los sistemas de recomendación y personalización, creando modelos y algoritmos que pueden mostrar 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 mostrar al cliente. La segunda parte es la clasificación, donde tenemos varios productos que queremos ordenar de manera específica para que más personas hagan clic en los anuncios que sean más relevantes para ellos. Estoy trabajando en la parte de abastecimiento.

El enfoque está en la atribución multi-touch, que es un área de investigación que intenta entender el recorrido del cliente e identificar qué interacciones contribuyen más a la conversión final, que en este caso significa un clic o una compra. En un espacio de venta digital, los clientes suelen mostrar interés en múltiples puntos de contacto antes de realizar una compra: Ven algunos anuncios, navegan por algunas páginas de productos, leen las reseñas. Todas esas diferentes acciones e interacciones son consideradas 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 último paso para la acción final de conversión. Pero el recorrido 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 documento buscó una solución de modelado más integral para entender cómo estas interacciones funcionarán juntas a lo largo de todo el recorrido del cliente.

Creo que la parte más emocionante del artículo 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. Pero este mecanismo de atención analiza toda la secuencia de los puntos de contacto, y evaluará dinámicamente la importancia de cada uno dentro del recorrido del cliente. Muchas herramientas basadas en IA hoy en día están entrenadas con base en este mecanismo de atención, que es una capa que puede identificar a partir de grandes datos qué punto es más importante. También funciona bastante bien para nuestra tarea de atribución.

Esa es una parte del artículo, y la otra parte es la ecuación diferencial ordinaria (ODE) neuronal. Otros tipos de modelos podrían usar una serie de tiempo para modelar el recorrido del cliente, donde cada paso ocurre en intervalos relativamente regulares. Pero en la vida real, los intervalos de tiempo en el recorrido del cliente pueden variar ampliamente. Podrías ver una cosa hoy y otra cosa en 10 segundos, o en 10 días. El EDO es capaz de capturar estos intervalos irregulares de tiempo.

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 era más importante para las conversiones. Funcionó mucho mejor 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. En primer lugar, entender la secuencia y el momento de las interacciones del cliente nos ayuda a determinar qué anuncios funcionan mejor juntos y en qué orden. Este conocimiento podría apoyar estrategias que inicien el interés a través de anuncios enfocados en la concientización y luego guíen a los clientes potenciales hacia anuncios que generen conversiones. En segundo lugar, 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 anteriormente han mostrado un alto interés en ciertos formatos y contenidos publicitarios, aumentando la relevancia y el impacto de cada punto de contacto en el recorrido del cliente. Y en tercer lugar, conforme recopilamos datos sobre cómo los diferentes puntos de contacto influyen en el comportamiento del cliente, podemos construir modelos predictivos que estimen el probable impacto de las campañas antes de su lanzamiento.

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

Los científicos en 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 con fortalezas en aprendizaje automático podrían unirse con expertos en procesamiento del lenguaje natural o inferencia causal para crear una solución integral. Regularmente realizamos revisiones por pares de los modelos, validamos resultados y exploramos alternativas para garantizar la precisión y 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 gerentes de producto para alinear los modelos con los objetivos comerciales, impactando directamente la experiencia del usuario y el interés mostrado.

Amazon tiene mucha gente talentosa, y puedes aprender mucho en el proceso de colaborar con ellos.

Quiero mejorar la interpretabilidad de nuestros modelos—para enfocarnos en la transparencia de modo que los anunciantes no solo vean las estadísticas de desempeño, sino que también entiendan el razonamiento detrás de los hallazgos. Si podemos proporcionar más interpretación a los anunciantes, entonces podemos brindar una experiencia aún más valiosa o relevante a los clientes también.