Dietro le quinte: Yudi Zhang trova un modo più articolato per analizzare il percorso del cliente

I clienti che fanno acquisti su Amazon spesso navigano tra una grande quantità di opzioni prima di arrivare al loro acquisto finale. Quando e perché un cliente decide di effettuare il proprio ordine? Yudi Zhang è interessata a come l'esperienza di acquisto si traduce in vendite.

In un articolo accettato al Workshop sulle equazioni differenziali AI4 nella scienza della ICLR (International Conference on Learning Representations, Conferenza Internazionale sulle Rappresentazioni dell'Apprendimento) 2024, Zhang e i suoi colleghi hanno dimostrato un nuovo approccio al problema della stima delle parti più importanti del percorso del cliente. L'articolo è stato scritto mentre Zhang era una scienziata applicata presso Amazon Web Services (AWS), dove è entrata nell'autunno del 2023.

Zhang, che ha conseguito un dottorato in statistica presso la Iowa State University, è entrata in Amazon Ads come scienziata applicata nel luglio 2024. Qui parla dell'articolo e dei suoi interessi nel campo della ricerca.

Penso che quello che si studia qui sia davvero interessante. Offre una grande quantità di dati complessi su cui lavorare per sviluppare sistemi avanzati di raccomandazione e la personalizzazione, che influenzano direttamente le esperienze dei clienti. Questi tipi di sistemi esistono in molte grandi aziende, quindi Amazon Ads è un ottimo posto per crescere professionalmente. Amazon investe negli scienziati supportando conferenze e ricerca, questo ci mantiene all'avanguardia nel campo della pubblicità, e la divisione Ads ha conosciuto recentemente una forte crescita.

La mia specializzazione principale riguarda i sistemi di raccomandazione e la personalizzazione, creando modelli e algoritmi che possono mostrare alle persone prodotti a cui potrebbero essere interessate. I sistemi di raccomandazione generalmente sono composti da due parti. La prima è il sourcing, dove recuperiamo il maggior numero possibile di prodotti pertinenti da mostrare al cliente. La seconda è il ranking, dove abbiamo una serie di prodotti che vogliamo mettere in un ordine particolare in modo che più persone faranno clic sugli annunci più rilevanti per loro. Sto lavorando sulla parte relativa al sourcing.

L'attenzione è posta sulla attribuzione multi-touch, un'area della ricerca che prova a comprendere i percorsi dei clienti e a individuare quali interazioni contribuiscono maggiormente alla conversione finale, che in questo caso significa un clic o un acquisto. In uno spazio di vendita al dettaglio digitale, i clienti spesso si coinvolgono con diversi touchpoint prima di effettuare un acquisto: guardano alcuni annunci pubblicitari, navigano tra le pagine dei prodotti, leggono le recensioni. Tutte quelle azioni e interazioni diverse sono considerate touchpoint.

Tradizionalmente, i modelli catturano l'attribuzione "last-touch" o "first-touch", vale a dire assegnano maggiore importanza al primo o all'ultimo passaggio per l'azione finale di conversione. Tuttavia, il percorso del cliente è molto complicato. Nella maggior parte dei casi, alcuni dei touchpoint intermedi sono più importanti nell'influenzare le decisioni dei clienti. Pertanto, lo studio ha cercato una soluzione di modellazione più completa per comprendere come queste interazioni funzioneranno insieme durante l'intero percorso del cliente.

Penso che la parte più entusiasmante dell'articolo sia che si utilizza il meccanismo dell'attenzione per modellare l'attribuzione. Un semplice modello di multi-attribuzione tratta ogni interazione come isolata o assegna a ciascuna lo stesso peso. Questo meccanismo di attenzione però esamina l'intera sequenza dei touchpoint e valuterà dinamicamente l'importanza di ciascuno all'interno del percorso del cliente. Molti strumenti basati sull'intelligenza artificiale oggi sono addestrati sulla base di questo meccanismo di attenzione, che è uno strato in grado di identificare dai big data quali punti sono più importanti. Funziona anche piuttosto bene per il nostro compito di attribuzione.

Questa è una parte dell'articolo, e l'altra parte è l'equazione differenziale ordinaria (ODE) applicata alle reti neurali. Altri tipi di modelli potrebbero utilizzare una serie temporale per modellare il percorso del cliente, dove ogni passaggio si svolge a intervalli relativamente regolari. Ma nella vita reale, gli intervalli di tempo nel percorso del cliente possono variare notevolmente. Potresti guardare una cosa oggi e un'altra cosa tra dieci secondi, oppure tra dieci giorni. L'ODE è in grado di gestire questi intervalli temporali irregolari.

Abbiamo testato il modello sulle interazioni dei clienti con diversi canali di marketing AWS, come la ricerca a pagamento e la ricerca naturale, e abbiamo cercato di individuare quale canale fosse più importante per le conversioni. I risultati sono stati di gran luna migliori rispetto ai metodi di attribuzione tradizionali.

Sebbene la ricerca si sia concentrata sui canali di marketing per AWS, il metodo può essere applicato anche alla pubblicità. L'impatto si estende su tre aree. Innanzitutto, comprendere la sequenza e i tempi delle interazioni dei clienti ci aiuta a determinare quali annunci funzionano meglio insieme e in quale ordine. Questa conoscenza potrebbe supportare strategie che attivano il coinvolgimento attraverso annunci focalizzati sulla conoscenza e poi guidano i potenziali clienti verso annunci che generano conversioni. In secondo luogo, conoscere l'efficacia di ogni touchpoint permette a chi fa pubblicità di personalizzare le proprie campagne con maggiore precisione. Ad esempio, potremmo mostrare annunci pubblicitari ai clienti che in precedenza hanno mostrato un alto livello di coinvolgimento con determinati formati e contenuti pubblicitari, aumentando così la rilevanza e l'impatto di ogni touchpoint nel percorso del cliente. In terzo luogo, mentre raccogliamo dati su come i diversi touchpoint influenzano il comportamento dei clienti, possiamo costruire modelli predittivi che stimano il probabile impatto delle campagne prima del loro lancio.

Amazon Ads ha un impatto molto grande, con la flessibilità di esplorare idee innovative; la nostra divisione contribuisce molto alla crescita complessiva dell'azienda, il che è entusiasmante. Ho accesso a molti set di dati di alta qualità, che è un elemento molto prezioso per costruire robusti modelli di apprendimento automatico. Questo mi permette di fare esperimenti con tecniche avanzate, quindi qui l'esperienza è molto positiva.

Gli scienziati di Ads collaborano anche strettamente tra loro, e abbiamo una rete per condividere idee e accelerare l'innovazione. In un progetto di sistema di raccomandazione, per esempio, gli scienziati con competenze in apprendimento automatico potrebbero collaborare con esperti in elaborazione del linguaggio naturale o inferenza causale per creare una soluzione completa. Effettuiamo regolarmente revisioni dei modelli tra colleghi, convalidiamo i risultati ed esploriamo alternative per garantire accuratezza ed efficienza. Lavoriamo anche a stretto contatto con gli ingegneri del software per integrare i modelli nell'infrastruttura di Amazon, ottimizzando le performance in tempo reale e la scalabilità, e collaboriamo con i product manager per allineare i modelli agli obiettivi commerciali, influenzando direttamente l'esperienza e il coinvolgimento dell'utente.

Amazon ha molte persone di talento, e si può imparare molto collaborando con loro.

Voglio migliorare l'interpretabilità dei nostri modelli, concentrandomi sulla trasparenza in modo che gli inserzionisti non vedano solo i dati sulle performance ma comprendano anche la logica alla base dei dati. Se possiamo fornire più interpretazione a chi fa pubblicità, allora possiamo offrire un'esperienza ancora più preziosa o pertinente anche ai clienti.