Achter de publicatie: Yudi Zhang vindt een genuanceerde manier om de customer journey te analyseren

Klanten die op Amazon winkelen, moeten zich vaak een weg banen door een groot aantal opties voordat ze bij hun gewenste aankoop uitkomen. Wanneer en waarom besluit een klant om een bestelling te plaatsen? Yudi Zhang is geïnteresseerd in de manier waarop de shoppingervaring zich vertaalt in aankopen.

In een publicatie die is geaccepteerd tijdens de International Conference on Learning Representations 2024 Workshop on AI4Differential Equations in Science hebben Zhang en haar collega's een nieuwe aanpak laten zien voor het probleem van het inschatten van de belangrijkste fasen van de customer journey. De publicatie is geschreven toen Zhang een Applied Scientist was bij Amazon Web Services (AWS), waar ze in de herfst van 2023 is begonnen.

Zhang, die een PhD in statistieken heeft van de Iowa State University, is in juli 2024 bij Amazon Ads begonnen als Applied Scientist. Ze vertelt over de publicatie en haar onderzoeksinteresses.

Ik vind het heel interessant wat mensen hier onderzoeken. Het biedt me omvangrijke gegevens om te werken aan geavanceerde systemen voor aanbevelingen en personalisatie, die rechtstreeks vormgeven aan klantervaringen. Veel grote bedrijven maken gebruik van dit soort systemen, dus Ads is een zeer goede plek om je professioneel te ontwikkelen. Amazon investeert in wetenschappers door conferenties en onderzoek te steunen. Daardoor blijven we toonaangevend op het gebied van adverteren en de Ads-divisie is de laatste tijd sterk gegroeid.

Ik richt me voornamelijk op systemen voor aanbevelingen en personalisatie, het ontwikkelen van modellen en algoritmen die mensen producten kunnen laten zien waarin ze wellicht geïnteresseerd zijn. Systemen voor aanbevelingen bestaan over het algemeen uit twee gedeelten. Het eerste is sourcing, waarbij we zoveel mogelijk relevante producten verzamelen om aan de klant te laten zien. Het tweede gedeelte is rangschikking, waarbij we een aantal producten hebben die we in een bepaalde volgorde willen zetten, om ervoor te zorgen dat meer mensen op advertenties klikken die het meest relevant voor hen zijn. Ik werk aan het sourcing-gedeelte.

De focus ligt op multi-touch attributie, een onderzoeksgebied dat probeert inzicht te krijgen in customer journeys en te identificeren welke interacties het meest bijdragen aan de uiteindelijke conversie, in dit geval een klik of een aankoop. In een digitale retailomgeving komen klanten vaak in contact met meerdere touchpoints alvorens een aankoop te doen: Ze bekijken enkele advertenties, ze browsen door enkele productpagina's en ze lezen de recensies. Al deze verschillende acties en interacties worden als touchpoints beschouwd.

Traditioneel leggen modellen last-touch attributie of first-touch attributie vast. Dit houdt in dat ze het meeste belang toekennen aan de eerste of laatste stap voor de uiteindelijke conversie-actie. De customer journey is echter erg ingewikkeld. Doorgaans zijn enkele van de touchpoints in het midden belangrijker bij het nemen van beslissingen door klanten. Daarom werd er in de publicatie gezocht naar een uitgebreidere oplossing voor modellen om inzicht te krijgen in de manier waarop deze interacties samenwerken gedurende de volledige customer journey.

Ik denk dat het meest interessante deel van de publicatie is dat het gebruikmaakt van het aandachtsmechanisme om de toeschrijving vorm te geven. Een eenvoudig model met meerdere toeschrijvingen behandelt elke interactie als op zichzelf staand of geeft elke interactie hetzelfde belang. Dit aandachtsmechanisme kijkt echter naar de volledige reeks touchpoints en evalueert op dynamische wijze het belang van elk touchpoint gedurende de customer journey. Veel tools op basis van AI worden tegenwoordig getraind op basis van dit aandachtsmechanisme. Dit is een laag die uit enorme hoeveelheden gegevens kan afleiden welk punt belangrijker is. Het werkt ook redelijk goed voor onze toeschrijvingstaak.

Dat is één deel van de publicatie en het andere deel is de neurale, normale vergelijking van de differentiaal. Andere soorten modellen kunnen een tijdreeks gebruiken om een customer journey vorm te geven, waarbij elke stap met relatief regelmatige tussenpozen plaatsvindt. Maar in de praktijk kunnen de tijdsintervallen in een customer journey sterk variëren. Je kijkt vandaag wellicht naar één ding en over 10 seconden (of over 10 dagen) naar iets anders. De normale vergelijking van de differentiaal kan deze onregelmatige tijdsverschillen vastleggen.

We hebben het model getest op interacties van klanten met verschillende AWS-marketingkanalen, zoals betaalde zoekopdrachten en natuurlijke zoekopdrachten. Daarnaast hebben we geprobeerd vast te stellen welk kanaal het belangrijkst was voor conversies. Het model presteerde veel beter dan traditionele toeschrijvingsmethoden.

Hoewel het onderzoek zich richtte op marketingkanalen voor AWS, kan de methode ook op adverteren worden toegepast. De impact heeft invloed op drie gebieden. Ten eerste helpt inzicht in de volgorde en timing van de interacties van klanten ons om te bepalen welke advertenties het beste samenwerken en in welke volgorde. Deze kennis kan strategieën ondersteunen die betrokkenheid initiëren door middel van advertenties die gericht zijn op bewustzijn en vervolgens potentiële klanten naar advertenties leiden die conversies genereren. Ten tweede kunnen adverteerders, als ze de effectiviteit van elk touchpoint kennen, hun campagnes nauwkeuriger personaliseren. We kunnen bijvoorbeeld advertenties aanbieden aan klanten die al eerder een hoge betrokkenheid hebben getoond bij bepaalde advertentie-indelingen en content, waardoor de relevantie en impact van elk touchpoint gedurende de customer journey toeneemt. Ten derde kunnen we, terwijl we gegevens verzamelen over de manier waarop verschillende touchpoints het gedrag van klanten beïnvloeden, voorspellende modellen ontwikkelen die de waarschijnlijke impact van campagnes inschatten voordat deze zijn gelanceerd.

Amazon Ads heeft een enorme impact met de flexibiliteit om enkele innovatieve ideeën te onderzoeken. Bovendien draagt onze divisie veel bij aan de algehele groei van het bedrijf, wat erg spannend is. Ik heb toegang tot veel hoogwaardige verzamelingen van gegevens, wat erg waardevol is voor het ontwikkelen van robuuste machine learning-modellen. Hierdoor kan ik experimenteren met geavanceerde technieken, dus het is een zeer goede ervaring hier.

Wetenschappers bij Ads werken ook nauw samen en we hebben een netwerk om ideeën te delen en innovatie te versnellen. In een project voor een systeem voor aanbevelingen kunnen wetenschappers die gespecialiseerd zijn in machine learning bijvoorbeeld samenwerken met experts op het gebied van natuurlijke taalverwerking of causale inferentie om een veelzijdige oplossing te creëren. We onderwerpen modellen regelmatig aan een beoordeling door collega's, valideren resultaten en onderzoeken alternatieven om de nauwkeurigheid en efficiëntie te garanderen. We werken ook nauw samen met software-engineers om modellen in de infrastructuur van Amazon te integreren, waarbij we optimaliseren voor realtime prestaties en schaalbaarheid. Daarnaast werken we samen met productmanagers om modellen af te stemmen op zakelijke doelen, wat een directe invloed heeft op de gebruikerservaring en betrokkenheid van gebruikers.

Amazon beschikt over veel getalenteerde mensen en je kunt veel leren door met hen samen te werken.

Ik wil de interpreteerbaarheid van onze modellen verbeteren om me op transparantie te kunnen richten, zodat adverteerders niet alleen de prestatiestatistieken kunnen zien, maar ook inzicht kunnen krijgen in de beweegredenen achter de inzichten. Als we adverteerders meer duiding kunnen bieden, dan kunnen we klanten ook een nog waardevollere of relevantere ervaring bieden.