Dietro le quinte: Kelly Paulson utilizza algoritmi per individuare opportunità di apprendimento in tutti i settori di attività

Kelly Paulson ha trovato lavoro in Amazon subito dopo aver frequentato un master. Aveva conseguito il dottorato in economia presso l'Università della California - San Diego e inizialmente aveva visto il lavoro come "qualcosa di divertente" da fare prima di passare a qualcos'altro. Ma le piaceva troppo per andarsene, e 11 anni dopo, è Senior Manager of Economists and Applied Scientists presso Amazon Ads. L'articolo di cui è co-autrice, Multi-task combinatorial bandits for budget allocation, ha vinto il premio miglior articolo alla conferenza AdKDD 2024. Qui Kelly parla dell'articolo e del suo lavoro presso Amazon Ads.

Mi sono unita al team di Amazon Kindle nel 2013 quando avevo appena completato la mia tesi, ed era il primo anno in cui Amazon assumeva giovani economisti che avevano appena frequentato un master. Ero attratta dai dati. Stavo lavorando su tecniche statistiche per comprendere come le persone prendono decisioni e, naturalmente, Amazon aveva già uno dei più grandi set di dati al mondo sulle persone che fanno scelte.

All'epoca, avevo ricevuto offerte di lavoro nel settore tecnologico, governativo e accademico, e non pensavo di rimanere a Seattle a lungo. Dato però che ero interessata ad avere un'esperienza pratica con i dati avanzati di Amazon, ho pensato di aspettare ad accettare i posti che mi venivano offerti e di prendermi un anno per fare qualcosa di divertente. Alla fine di quell'anno, il lavoro mi piaceva davvero e ho deciso di rimanere. Volevo trasferirmi in una parte di Amazon dove c'erano più persone che pensavano a come estrarre informazioni da set di dati molto grandi. Quindi sono passata ad Amazon Ads come primo scienziato a lavorare sulla misurazione.

Mi sono concentrata sulla comprensione di come i clienti fossero influenzati dagli annunci e su come trasmettere queste informazioni ai sistemi di ottimizzazione della pubblicità. I segnali unici di Amazon sono fondamentali per la nostra proposta di valore. Quando un acquirente vede una pubblicità di scarpe, è più probabile che acquisti quelle scarpe? Se abbiamo l'opportunità di mostrare lo stesso annuncio domani a un acquirente simile, dovremmo farlo?

Tuttavia, un aspetto critico era come potevamo riassumere i dati in modo che fossero utili per gli inserzionisti. Potevamo fare dei calcoli sul ritorno sull'investimento utili per loro? Cosa potevano imparare dalle loro campagne per il rientro a scuola che avrebbero potuto inserire nelle loro campagne per le festività?

Erano i primi giorni in cui si pensava a come Amazon potesse ottimizzare insieme l'esperienza degli acquirenti e degli inserzionisti, aiutando questi ultimi a portare contenuti più utili per chi fa acquisti al momento giusto.

La mia formazione è nella teoria econometrica, con particolare attenzione ai modelli causali nel marketing quantitativo. Negli ultimi anni mi sono davvero interessata a come sviluppare un segnale causale e integrarlo in un insieme più ampio di sistemi che prendono decisioni di marketing.

Quell'incrocio tra misurazione causale e apprendimento per rinforzo è davvero esclusivo di Amazon. Abbiamo una dimensione così grande che dobbiamo utilizzare molti strumenti come l'apprendimento per rinforzo per prendere decisioni. Siamo un'azienda fortemente orientata ai dati e vogliamo prendere decisioni basate su segnali causali, non su segnali correlazionali.

Di solito le altre aziende si concentrano su un lato o sull'altro. L'incrocio è molto interessante e sarà ovunque nel futuro. Amazon è all'avanguardia in quel campo.

Come è abbastanza comune nel settore tecnologico, utilizziamo le esigenze interne di Amazon per testare in condizioni estreme nuovi prodotti che potremmo alla fine vendere all'esterno. Faccio parte dell'organizzazione che opera nell'ambito della pubblicità, ma mi occupo anche di marketing per un insieme diversificato di attività di Amazon al di fuori della pubblicità. Per esempio, potremmo voler aumentare la conoscenza dei content streamer riguardo una nuova serie su Prime Video o aumentare la conoscenza degli acquirenti in merito alle offerte per le festività.

Quindi il mio team supporta i reparti interni di Amazon che utilizzano i prodotti Amazon Ads per raggiungere i loro obiettivi di marketing. Il team è diversificato e comprende esperti del settore marketing che hanno stretti rapporti con i leader aziendali, oltre a scienziati e ingegneri. Insieme individuiamo opportunità per utilizzare algoritmi nei sistemi pubblicitari e per vedere schemi che gli altri non riescono a vedere.

L'idea alla base di questo articolo era vedere se potevamo imparare qualcosa facendo analizzare a un algoritmo le informazioni tra diversi prodotti. Dimostriamo che quando utilizziamo tecniche di apprendimento per rinforzo, possiamo essenzialmente aiutare un prodotto a migliorare utilizzando ciò che altri prodotti hanno appreso, e tutto questo in tempo reale. Abbiamo eseguito questo algoritmo quotidianamente.

Supponiamo di avere già un gruppo di campagne di marketing per diversi dispositivi e di lanciare poi un nuovo dispositivo per le festività. Da dove cominciamo? Questo algoritmo è un modo per sfruttare ciò che abbiamo imparato dalle altre attività di marketing fatte per i dispositivi esistenti e iniziare la nuova campagna con un'impostazione ottimizzata.

Il fatto principale è che il miglioramento delle performance è decisamente elevato. Alla conferenza AdKDD molte delle altre relazioni hanno riportato un miglioramento del 2% o 3% nella percentuale di clic. Il nostro miglioramento nel totale dei clic ha registrato una media del 18%. Abbiamo anche evidenziato una riduzione del costo per clic del 12,7%.

Questo dimostra che anche quando c'è l'intenzione di coordinare i prodotti, è davvero difficile, e c'è un'enorme opportunità di business nell'utilizzare algoritmi come questo per aiutare i prodotti ad apprendere sistematicamente l'uno dall'altro. Gli esperti di marketing di diversi prodotti possono condividere tra loro ciò che hanno appreso durante i "lunch and learn" e sviluppare manuali di best practice, ma il coordinamento tra esseri umani è costoso, ed è difficile mantenere aggiornati i dati in tutte le loro sfumature in un settore in rapida evoluzione. Questo è un modo sistematico e basato su principi con cui le aziende possono essere meglio coordinate e più efficienti.

Anche al di fuori delle aziende tecnologiche, ci sono molte grandi imprese con esigenze di marketing complesse e presenza globale. Tuttavia, gran parte della letteratura accademica esamina solo parti isolate del problema delle aziende. L'aspetto entusiasmante è che, se sei un'azienda con prodotti diversificati, puoi far sì che diverse parti della tua attività procedano tutte nella stessa direzione utilizzando l'apprendimento per rinforzo.

Tre studenti di dottorato hanno dedicato del tempo durante le loro tesi per lavorare con noi come tirocinanti a questo articolo e tutti e tre hanno ricevuto offerte da Amazon; due hanno già iniziato, e uno inizierà all'inizio di quest'anno.

Una cosa che mi piace davvero è la possibilità di sviluppare le mie idee in programmi. Spesso mi trovo a lavorare su un progetto e mi rendo conto che qualcos'altro era molto più importante per l'azienda. Abbiamo un processo in cui si scrive un comunicato stampa ipotetico e si risponde ad alcune domande frequenti, chiamato PR/FAQ, riguardo a un potenziale futuro prodotto o programma di Amazon.

Grazie a questo processo, ho avuto diverse opportunità di formulare un problema che voglio risolvere, riflettere sulla soluzione, metterla per iscritto, condividere l'idea con i colleghi e dare vita a questi nuovi prodotti basati sulla scienza. È bello vedere prodotti che ora hanno team di 25 persone e sapere che sono stata io a presentare il business case e a ottenere i primi finanziamenti.

Nel mio ruolo, posso bilanciare le questioni che riguardano come misuriamo l'impatto della pubblicità sui clienti con il modo in cui gestiamo i nostri sistemi di ottimizzazione che porteranno a risultati migliori per i nostri clienti. Quando parlo con altre aziende, ho la sensazione che cerchino di incasellarmi; hanno bisogno di me per farmi misurare qualcosa o gestire un sistema di ottimizzazione. In Amazon, ho la flessibilità di operare sul problema a 360 gradi e riflettere veramente su come ottenere il miglior risultato per i clienti, mettendo insieme i sistemi di ottimizzazione e i sistemi di misurazione.

Un altro aspetto unico degli scienziati applicati qui è che sono focalizzati a realizzare il software, non si limitano solo alla ricerca. Sviluppando prodotti che sono durevoli e che aiutano a risolvere un'esigenza aziendale a lungo termine.

Il mio team pensa ogni giorno alle esigenze pubblicitarie di Amazon, testiamo i prodotti pubblicitari esistenti su larga scala e individuiamo opportunità di miglioramento. Dato che Amazon è uno dei più grandi inserzionisti pubblicitari al mondo, impariamo molto. Non stiamo cercando di vendere i prodotti pubblicitari esistenti, stiamo trovando modi per migliorarli. Quella passione per il cliente, insieme alla flessibilità di progettare la soluzione migliore, è una novità per il settore.