Por trás do artigo: Yudi Zhang encontra uma maneira mais nuançada de analisar a jornada do cliente

Os clientes que fazem compras na Amazon frequentemente navegam por uma grande variedade de opções antes de chegarem à sua compra escolhida. Quando e por que um cliente decide fazer seu pedido? Yudi Zhang está interessada em como a experiência de compra se traduz em vendas.

Em um artigo aceito no Workshop da Conferência Internacional de Representações de Aprendizado de 2024 sobre equações diferenciais AI4 na ciência, Zhang e seus colegas demonstraram uma nova abordagem para o problema de estimar as partes mais importantes da jornada do cliente. O artigo foi escrito enquanto Zhang era Cientista Aplicada na Amazon Web Services (AWS), onde começou a trabalhar no outono de 2023.

Zhang, que possui doutorado em estatística pela Universidade Iowa State, ingressou na Amazon Ads como Cientista Aplicada em julho de 2024. Aqui ela fala sobre o artigo e seus interesses de pesquisa.

Eu acho que o que as pessoas estão estudando aqui é realmente interessante. É algo que oferece dados valiosos para eu trabalhar em sistemas avançados de recomendação e personalização, que moldam diretamente as experiências dos clientes. Esses tipos de sistemas existem em muitas empresas grandes, então a Amazon Ads é um ótimo lugar para o desenvolvimento profissional. A Amazon investe em cientistas apoiando conferências e pesquisas, o que nos mantém na vanguarda da área de publicidade e, recentemente, a divisão da Amazon Ads tem crescido muito.

Meu foco principal está em sistemas de recomendação e personalização, criando modelos e algoritmos que podem mostrar às pessoas produtos que possam interessá-las. Sistemas de recomendação geralmente têm duas partes. O primeiro é o sourcing, onde recuperamos o maior número possível de produtos relevantes para mostrar ao cliente. A segunda parte é a classificação, onde temos vários produtos que queremos colocar em uma ordem específica para que mais pessoas cliquem em anúncios que sejam mais relevantes para elas. Estou trabalhando na parte de sourcing.

O foco é a atribuição multitoque, uma área de pesquisa que busca entender as jornadas dos clientes e identificar quais interações contribuem mais para a conversão final, que neste caso significa um clique ou uma compra. Em um espaço de varejo digital, os clientes frequentemente se engajam com múltiplos pontos de contato antes de fazer uma compra: Eles visualizam alguns anúncios, navegam por algumas páginas de produtos, leem as avaliações. Todas essas diferentes ações e interações são consideradas pontos de contato.

Tradicionalmente, os modelos capturam a atribuição do último toque ou a atribuição do primeiro toque, o que significa que eles atribuem maior importância ao primeiro ou último passo para a ação final de conversão. Mas a jornada do cliente é muito complicada. Na maioria das vezes, alguns dos pontos de contato intermediários são mais importantes para influenciar as decisões dos clientes. Então, o artigo buscou uma solução de modelagem mais abrangente para entender como essas interações funcionam juntas ao longo de toda a jornada do cliente.

Eu acho que a parte mais empolgante do artigo é que ele usa o mecanismo de atenção para modelar a atribuição. Um modelo simples de atribuição múltipla trata cada interação como isolada, ou dá a cada uma o mesmo peso. Mas esse mecanismo de atenção analisa toda a sequência dos pontos de contato e avalia dinamicamente a importância de cada interação dentro da jornada do cliente. Muitas ferramentas baseadas em IA atualmente são treinadas com base nesse mecanismo de atenção, que é uma camada capaz de identificar em grandes volumes de dados quais pontos são mais importantes. Também funciona muito bem para nossa tarefa de atribuição.

Essa é uma parte do artigo, e a outra parte é a equação diferencial ordinária (ODE) neural. Outros tipos de modelos podem usar uma série temporal para modelar a jornada do cliente, onde cada etapa ocorre em intervalos relativamente regulares. Mas, na vida real, os intervalos de tempo em uma jornada do cliente podem variar muito. Você pode olhar para uma coisa hoje e para outra coisa em 10 segundos, ou em 10 dias. A ODE é capaz de capturar esses intervalos de tempo irregulares.

Testamos o modelo nas interações dos clientes com diferentes canais de marketing da AWS, como pesquisa paga e pesquisa orgânica, e tentamos identificar qual canal era mais importante para conversões. Ele teve um desempenho muito melhor do que os métodos tradicionais de atribuição.

Embora a pesquisa tenha focado em canais de marketing para AWS, o método também pode ser aplicado à publicidade. O impacto abrange três áreas. Primeiro, entender a sequência e o momento das interações dos clientes nos ajuda a determinar quais anúncios funcionam melhor juntos e em qual ordem. Esse conhecimento pode apoiar estratégias que iniciam o engajamento por meio de anúncios focados em reconhecimento e então guiam potenciais clientes para anúncios que geram conversões. Em segundo lugar, conhecer a eficácia de cada ponto de contato permite que os anunciantes personalizem suas campanhas com maior precisão. Por exemplo, poderíamos inserir anúncios para clientes que anteriormente demonstraram alto engajamento com determinados formatos e conteúdos publicitários, aumentando a relevância e o impacto de cada ponto de contato na jornada do cliente. E terceiro, conforme coletamos dados sobre como diferentes pontos de contato influenciam o comportamento do cliente, podemos construir modelos preditivos que estimam o provável impacto das campanhas antes de serem lançadas.

A Amazon Ads tem um impacto muito grande com a flexibilidade para explorar algumas ideias inovadoras, e nossa divisão contribui muito para o crescimento geral da empresa, o que é empolgante. Tenho acesso a muitos conjuntos de dados de alta qualidade, o que é muito valioso para construir modelos robustos de aprendizado de máquina. Isso me permite fazer experimentos com técnicas avançadas, então é uma experiência muito boa aqui.

Os cientistas da Amazon Ads também colaboram estreitamente, e temos uma rede para compartilhar ideias e acelerar a inovação. Em um projeto de sistema de recomendação, por exemplo, cientistas com pontos fortes em aprendizado de máquina podem se unir a especialistas em processamento de linguagem natural ou inferência causal para criar uma solução completa. Realizamos regularmente revisões por pares dos modelos, validamos resultados e exploramos alternativas para garantir precisão e eficiência. Também trabalhamos diretamente com engenheiros de software para integrar modelos na infraestrutura da Amazon, otimizando o desempenho em tempo real e a escalabilidade, e nos tornamos parceiros de gerentes de produto para alinhar os modelos com as metas comerciais, impactando diretamente a experiência e o engajamento do usuário.

A Amazon tem muitas pessoas talentosas, e você pode aprender muito no processo de colaboração com elas.

Quero melhorar a interpretabilidade dos nossos modelos—focando na transparência para que os anunciantes não apenas vejam as métricas de desempenho, mas também entendam o raciocínio por trás dos insights. Se pudermos fornecer mais interpretação aos anunciantes, então poderemos proporcionar uma experiência ainda mais valiosa ou relevante para os clientes também.