En coulisses : Yudi Zhang découvre une manière plus nuancée d'analyser le parcours client

Les clients qui effectuent des achats sur Amazon parcourent souvent une multitude d'options avant d'arrêter leur choix sur ce qu'ils vont acheter. Quand et pour quelles raisons un client décide-t-il de passer commande ? Yudi Zhang s'intéresse à la manière dont l'expérience d'achat se traduit en achats.

Dans un article, retenu dans le cadre de l'International Conference on Learning Representations 2024 Workshop on AI4Differential Equations in Science, Yudi Zhang et ses collèges ont proposé une approche novatrice du problème d'estimation des parties les plus importantes du parcours client. L'article a été rédigé alors que Yudi Zhang travaillait en tant que spécialiste en appliquée chez Amazon Web Services, qu'elle a rejoint à l'automne 2023.

Yudi Zhang, titulaire d'un doctorat en statistiques de l'Iowa State University a rejoint Amazon Ads en tant que spécialiste en science appliquée en juillet 2024. Elle a accepté de parler de l'article et de ses centres d'intérêt en matière de recherche.

Je pense que ce que les gens étudient ici est très intéressant. J'ai accès à un riche ensemble de données, qui m'aident à travailler sur des systèmes de recommandation avancés et sur la personnalisation, ce qui façonne directement les expériences client. Ces types de systèmes existent dans bon nombre d'entreprises, c'est pourquoi Amazon Ads est vraiment une excellente entreprise pour se développer professionnellement. Amazon investit dans la science en soutenant des conférences et des recherches afin de rester à la pointe du domaine publicitaire. Et la division Amazon Ads s'est beaucoup développée récemment.

Mes recherches se concentrent principalement sur les systèmes de recommandation et la personnalisation. Je crée des modèles et des algorithmes qui peuvent montrer aux gens des produits qui pourraient les intéresser. Les systèmes de recommandation se composent généralement de deux phases. La première est l'approvisionnement, étape lors de laquelle nous récupérons autant de produits pertinents que possible à montrer au client. La deuxième est le classement : nous disposons d'un certain nombre de produits et nous devons les classer dans un ordre particulier afin que plus de personnes cliquent sur les publicités qui leur correspondent le plus. Je travaille sur la partie approvisionnement.

Mon article porte sur l'attribution à plusieurs interactions, un domaine de recherche qui essaie de comprendre les parcours client et d'identifier les interactions qui contribuent le plus à la conversion finale, ici un clic ou un achat. Dans un espace de vente numérique, les clients prennent souvent part à plusieurs interactions avant d'effectuer un achat : Ils regardent certaines publicités, parcourent certaines pages produit et lisent les commentaires. Toutes ces différentes actions sont considérées comme des interactions.

Auparavant, les modèles associaient l'attribution à la première ou à la dernière interaction, c'est-à-dire qu'ils accordaient la plus grande importance à la première ou à la dernière étape de l'action de conversion finale. Cependant, le parcours client est très complexe. La plupart du temps, certaines interactions intermédiaires jouent un rôle plus important dans la décision des clients. L'article avait donc pour objectif de proposer une solution de modélisation plus complète afin de comprendre comment ces interactions fonctionnaient ensemble tout au long du parcours client.

Je pense que la partie la plus passionnante de cet article, c'est qu'il utilise le mécanisme d'attention afin de modéliser l'attribution. Un modèle simple à plusieurs attributions traite simplement chaque interaction comme isolée ou lui donne la même importance. Par contre, ce mécanisme d'attention étudie l'ensemble des interactions et évalue ensuite de manière dynamique l'importance de chaque interaction dans le parcours client. Aujourd'hui, de nombreux outils fondés sur l'IA sont entraînés sur la base de ce mécanisme d'attention, un niveau qui permet d'identifier les données les plus importantes parmi un énorme volume de données. Cela fonctionne également assez bien en ce qui concerne notre tâche d'attribution.

Il s'agit de la première partie de l'article. La seconde traite de l'équation différentielle ordinaire (EDO) neuronale. D'autres types de modèles peuvent utiliser une série temporelle afin de modéliser le parcours client dans lequel chaque étape intervient à des intervalles relativement réguliers. Dans la vie réelle, cependant, les intervalles d'un parcours client peuvent énormément varier. Vous pouvez regarder quelque chose, puis autre chose 10 secondes après, ou 10 jours après. L'EDO est capable d'enregistrer ces intervalles de temps irréguliers.

Nous avons testé le modèle sur les interactions client avec différents canaux marketing AWS comme le référencement payant et le référencement naturel et avons essayé d'identifier le canal le plus important en matière de conversions. L'équation a obtenu de bien meilleures performances que les méthodes d'attribution traditionnelles.

Bien que notre étude se soit concentrée sur les canaux marketing pour AWS, il est également possible d'appliquer la méthode à la publicité. L'impact s'étend sur trois domaines. Tout d'abord, comprendre l'ordre et le timing des interactions client nous aide à déterminer les publicités qui fonctionnent le mieux ensemble et dans quel ordre. Ces connaissances pourraient soutenir des stratégies qui démarrent par des publicités centrées sur la notoriété, puis guident les clients potentiels vers des publicités qui stimulent les conversions. Ensuite, connaître l'efficacité de chaque interaction permet aux annonceurs de personnaliser leurs campagnes avec une plus grande précision. Par exemple, nous pouvons montrer des publicités aux clients qui ont précédemment manifesté un grand intérêt pour certains formats et certains contenus publicitaires afin d'augmenter la pertinence et l'impact de chaque interaction dans le parcours client. Enfin, lorsque nous rassemblons des données sur la manière dont les différentes interactions influencent le comportement des clients, nous pouvons créer des modèles de prédiction qui estiment l'impact susceptible des campagnes avant leur lancement.

Amazon Ads a eu énormément d'impact, et ce grâce à la flexibilité qui nous permet d'explorer des idées innovantes. Notre service contribue beaucoup à la croissance globale de l'entreprise, ce qui est motivant. J'ai accès à de nombreux ensembles de données de très grande qualité, ce qui est très précieux pour concevoir des modèles de machine learning solides. Et je peux réaliser des expérimentations avec des techniques avancées, donc c'est une excellente expérience.

Les scientifiques d'Amazon Ads travaillent en étroite collaboration. Nous disposons d'un réseau sur lequel nous partageons des idées et accélérons les innovations. Dans un projet de système de recommandation, par exemple, les scientifiques spécialistes du machine learning peuvent s'associer avec des experts en traitement du langage naturel ou en inférence causale afin de créer une solution complète. Nous demandons régulièrement à nos pairs de vérifier les modèles, de valider les résultats et d'explorer des alternatives pour assurer précision et efficacité. Nous travaillons également en étroite collaboration avec les ingénieurs logiciels pour intégrer ces modèles à l'infrastructure d'Amazon et optimiser les performances en temps réel ainsi que la mise à l'échelle. Enfin, nous collaborons avec les chefs de produit pour aligner les modèles sur les objectifs commerciaux, ce qui a un impact direct sur l'expérience et l'engagement des utilisateurs.

Il y a beaucoup de personnes talentueuses chez Amazon, et vous pouvez apprendre beaucoup en travaillant avec elles.

Je souhaite améliorer l'interprétabilité de nos modèles, me concentrer sur la transparence afin que les annonceurs ne voient pas que les statistiques de performances, mais comprennent aussi le raisonnement derrière les données. Si nous parvenons à proposer une meilleure interprétation aux annonceurs, alors nous pourrons également offrir une expérience plus précieuse ou plus pertinente à nos clients.