Bakgrund: Yudi Zhang hittar ett mer nyanserat sätt att analysera kundresan

Kunder som handlar på Amazon navigerar ofta runt en mängd alternativ innan de landar på sitt valda köp. När och varför väljer en kund att göra sin beställning? Yudi Zhang är intresserad av hur inköpsupplevelsen leder till ett inköp.

I enuppsats som mottogs på International Conference on Learning Representations 2024 Workshop om AI4Differential Equations, demonstrerade Zhang och hennes kollegor ett nytt sätt att hantera problemet med att uppskatta kundresans viktigaste delar. Uppsatsen skrevs medan Zhang hade en forskningsroll inom tillämpad vetenskap på Amazon Web Services (AWS), där hon inledde sitt arbete hösten 2023.

Zhang, som har en doktorsexamen i statistik från Iowa State University, anslöt sig till Amazon Ads som forskare inom tillämpad vetenskap i juli 2024. Här berättar hon om tidningen och sina forskningsintressen.

Jag tycker att det folk studerar här är riktigt intressant. Ställningen ger mig tillgång till rika data och tillfälle att arbeta med avancerade rekommendationssystem och anpassning, som direkt formar kundernas upplevelser. Dessa typer av system finns hos många stora företag, så Ads är ett mycket bra ställe att utvecklas professionellt. Amazon investerar i forskare genom att stödja konferenser och forskning, så det håller oss i framkant inom annonsering och Ads-divisionen har haft mycket tillväxt den senaste tiden.

Mitt primära fokus ligger på rekommendationssystem och anpassning, att skapa modeller och algoritmer som kan visa människor produkter de kan vara intresserade av. Rekommendationssystem har i allmänhet två delar. Den första är sourcing, där vi hämtar så många relevanta produkter som möjligt för att visa kunden. Den andra delen är rankning, där vi har ett antal produkter som vi vill placera i en viss ordning för att fler ska klicka på de annonser som är mest relevanta för dem. Jag jobbar på sourcing-delen.

Vårt fokus ligger på attribution vid flera beröringspunkter, som är ett forskningsområde som försöker förstå kundresor och identifiera vilka interaktioner som bidrar mest till den slutliga konverteringen, vilket här innebär ett klick för ett köp. I ett digitalt butiksutrymme interagerar kunder ofta med flera beröringspunkter innan de gör ett köp: De ser några annonser, de bläddrar på några produktsidor, de läser recensionerna. Alla dessa olika åtgärder och interaktioner betraktas som beröringspunkter.

Traditionellt sett identifierar modellerna attributionen vid sista eller första beröring, vilket innebär att det första eller sista steget i den slutliga konverteringen tillskrivs som viktigast. Men kundresan är mycket komplicerad. För det mesta är några av de mellersta beröringspunkterna viktigare i kundernas beslutsprocess. Så uppsatsen sökte en mer omfattande modelleringslösning för att förstå hur dessa interaktioner fungerar tillsammans under hela kundresan.

Jag tycker att den mest spännande delen av uppsatsen är att den använder uppmärksamhetsmekanismen för att modellera attributionen. En enkel modell för flera beröringspunkter behandlar bara varje interaktion som isolerad eller ger var och en lika vikt. Men denna uppmärksamhetsmekanism tittar på hela sekvensen av beröringspunkter och bedömer vikten av var och en av beröringspunkterna inom kundresan dynamiskt. Många AI-baserade verktyg tränas idag baserat på denna uppmärksamhetsmekanism, som består av ett lager som med hjälp av stordata kan identifiera den viktigaste beröringspunkten. Det fungerar också ganska bra för vår attributionsuppgift.

Det är en del av uppsatsen och den andra delen är den neurala vanliga differentialekvationen (ODE). Andra typer av modeller kan använda en tidsserie för att modellera en kundresa, där varje steg sker i relativt jämna intervaller. Men i verkligheten kan tidsintervallen i en kundresa variera mycket. Du kan titta på en sak idag och en annan sak om 10 sekunder – eller om 10 dagar. ODE kan fånga dessa oregelbundna tidsskillnader.

Vi testade modellen på kundinteraktioner med olika AWS-marknadsföringskanaler, till exempel betald sökning och naturlig sökning och försökte identifiera vilken kanal som var viktigare för konverteringar. Den gav ett mycket bättre resultat än traditionella attributionsmetoder.

Även om forskningen fokuserade på marknadsföringskanaler för AWS, kan metoden också tillämpas inom annonsering. Dess inverkan spänner över tre områden. För det första, en förståelse av kundinteraktionernas sekvenser och tajmning hjälper oss att avgöra vilka annonser som fungerar bäst tillsammans och i vilken ordning. Denna kunskap kan stödja strategier som initierar engagemang genom annonser som fokuserar på kännedom och sedan vägleder potentiella kunder till annonser som driver konverteringar. För det andra, genom att känna till varje beröringspunkts effektivitet blir det möjligt för annonsörer att anpassa sina kampanjer med större precision. Vi kan till exempel leverera annonser till kunder som tidigare har visat stort engagemang för vissa annonsformat och innehåll, vilket ökar relevansen och effekten av varje beröringspunkt i kundresan. Och för det tredje, när vi samlar in data om hur olika beröringspunkter påverkar kundernas beteende, kan vi bygga prediktiva modeller som uppskattar den sannolika effekten av kampanjer innan de lanseras.

Amazon Ads har en mycket stor inverkan med flexibiliteten att utforska några innovativa idéer, och vår division bidrar mycket till företagets totala tillväxt, vilket är spännande. Jag har tillgång till stora mängder data av mycket hög kvalitet, vilket är mycket värdefullt när det gäller att bygga robusta maskininlärningsmodeller. Detta gör att jag kan experimentera med avancerade tekniker, vilket gör det till en mycket bra upplevelse.

Forskarna på Ads har ett nära samarbete och vi har ett nätverk där vi delar idéer och påskyndar innovation. I ett rekommendationssystemprojekt kan till exempel forskare med starka kunskaper inom maskininlärning samarbeta med experter på naturlig språkbehandling eller kausal inferens för att tillsammans skapa en väl avrundad lösning. Vi granskar regelbundet modeller, validerar resultat och utforskar alternativ för att säkerställa noggrannhet och effektivitet. Vi arbetar också praktiskt med programvaruingenjörer för att integrera modeller i Amazons infrastruktur, optimera för realtidsprestanda och skalbarhet. Vi samarbetar också med produktchefer för att anpassa modeller till affärsmål, vilket direkt påverkar användarupplevelsen och engagemanget.

Amazon har många begåvade människor och du kan lära dig mycket i samarbetet med dem.

Jag vill göra det lättare att tolka våra modeller – och fokusera på transparens så att annonsörer inte bara ser resultatmätningarna utan också förstår motiveringen bakom insikterna. Om vi kan göra det lättare för annonsörerna att tolka modellerna, då kan vi också ge våra kunder en ännu mer värdefull eller relevant upplevelse.