Hinter den Kulissen: Yudi Zhang findet einen differenzierteren Weg, die Customer Journey zu analysieren

Kunden, die auf Amazon einkaufen, erkunden oft eine Vielzahl von Optionen, bevor sie sich für ihren Kauf entscheiden. Wann und warum entscheidet sich ein Kunde dazu, seine Bestellung aufzugeben? Yudi Zhang interessiert sich dafür, wie sich das Einkaufserlebnis in Käufe umsetzt.

In einer Arbeit, die beim Workshop „AI4Differential Equations in Science“ auf der International Conference on Learning Representations 2024 angenommen wurde, demonstrierten Zhang und ihre Kollegen einen neuartigen Ansatz zur Schätzung der wichtigsten Teile der Customer Journey. Die Arbeit wurde geschrieben, während Zhang als Wissenschaftlerin in der angewandten Forschung bei Amazon Web Services (AWS) tätig war, wo sie im Herbst 2023 anfing.

Zhang, die einen Doktortitel in Statistik von der Iowa State University hat, trat Amazon Ads im Juli 2024 als Wissenschaftlerin in der angewandten Forschung bei. Hier spricht sie über die Publikation und ihre Forschungsinteressen.

Ich finde das, was die Leute hier studieren, wirklich interessant. Amazon Ads bietet umfangreiche Daten, mit denen ich an fortgeschrittenen Empfehlungssystemen und Personalisierung arbeiten kann, die das Kundenerlebnis direkt gestalten. Solche Systeme gibt es in vielen großen Unternehmen, daher ist Ads ein sehr guter Ort, um sich beruflich weiterzuentwickeln. Amazon investiert in Wissenschaftler durch die Unterstützung von Konferenzen und Forschung. Dadurch bleiben wir auf dem neuesten Stand der Werbebranche und die Werbeabteilung Ads hat in letzter Zeit ein starkes Wachstum verzeichnet.

Mein Hauptaugenmerk liegt auf Empfehlungssystemen und Personalisierung, wobei ich Modelle und Algorithmen entwickle, die Menschen Produkte zeigen können, an denen sie interessiert sein könnten. Empfehlungssysteme bestehen im Allgemeinen aus zwei Teilen. Der erste Teil ist die Beschaffung, bei der wir so viele relevante Produkte wie möglich abrufen, um sie dem Kunden zu zeigen. Der zweite Teil ist das Ranking, bei dem wir eine Reihe von Produkten in eine bestimmte Reihenfolge bringen, damit mehr Menschen auf Anzeigen klicken, die für sie am relevantesten sind. Ich arbeite an der Beschaffung.

Der Fokus liegt auf Multi-Touch-Attribution, einem Forschungsbereich, in dem versucht wird, Customer Journeys zu verstehen und zu identifizieren, welche Interaktionen am meisten zur finalen Conversion beitragen, was in diesem Fall einen Klick oder einen Kauf bedeutet. In einem digitalen Einzelhandelsumfeld wecken mehrere Touchpoints das Interesse der Kunden, bevor sie einen Kauf tätigen: Sie sehen sich einige Werbeanzeigen an, sie durchstöbern einige Produktseiten, sie lesen die Rezensionen. All diese verschiedenen Aktionen und Interaktionen werden als Touchpoints betrachtet.

Traditionell erfassen Modelle die Last-Touch-Attribution oder First-Touch-Attribution, was bedeutet, dass sie dem ersten oder letzten Schritt für die finale Conversion die größte Bedeutung zuweisen. Aber die Customer Journey ist sehr kompliziert. Meistens sind einige der mittleren Touchpoints wichtiger für die Entscheidungsfindung der Kunden. Daher suchte die Studie nach einer umfassenderen Modellierungslösung, um zu verstehen, wie diese Interaktionen während der gesamten Customer Journey zusammenwirken.

Ich denke, der spannendste Teil der Arbeit ist, dass der Aufmerksamkeitsmechanismus verwendet wird, um die Attribution zu modellieren. Ein einfaches Modell für Mehrfach-Attribution behandelt entweder jede Interaktion als isoliert oder gewichtet jede gleich. Aber dieser Aufmerksamkeitsmechanismus betrachtet die gesamte Sequenz der Touchpoints und bewertet dynamisch die Bedeutung jedes einzelnen innerhalb der Customer Journey. Viele KI-basierte Tools werden heutzutage auf Basis dieses Aufmerksamkeitsmechanismus trainiert, der als Schicht fungiert, die aus großen Datenmengen erkennen kann, welcher Punkt wichtiger ist. Er funktioniert auch ziemlich gut für unsere Attributionsaufgabe.

Das ist ein Teil der Arbeit und der andere Teil ist die neuronale gewöhnliche Differentialgleichung (ODE). Andere Modelltypen verwenden möglicherweise eine Zeitreihe, um eine Customer Journey zu modellieren, bei der jeder Schritt in relativ regelmäßigen Abständen stattfindet. Aber in der Realität können die Zeitabstände in einer Customer Journey stark variieren. Sie könnten heute eine Sache betrachten und in 10 Sekunden – oder in 10 Tagen – eine andere. Die ODE kann diese unregelmäßigen Zeitabstände erfassen.

Wir haben das Modell anhand von Kundeninteraktionen mit verschiedenen AWS-Marketing-Kanälen, wie bezahlte Suche und organische Suche, getestet und versucht, zu ermitteln, welcher Kanal wichtiger für Conversions war. Es schnitt deutlich besser ab als herkömmliche Attributionsmethoden.

Obwohl sich die Forschung auf Marketing-Kanäle für AWS konzentrierte, kann die Methode auch auf Werbung angewendet werden. Die Auswirkungen erstrecken sich über drei Bereiche. Erstens hilft uns das Verständnis der Abfolge und des Timings von Kundeninteraktionen dabei zu bestimmen, welche Anzeigen am besten zusammenwirken und in welcher Reihenfolge. Dieses Wissen könnte Strategien unterstützen, die zunächst durch bekanntheitsfokussierte Werbung Interesse wecken und dann potenzielle Kunden zu Anzeigen führen, die Conversions generieren. Zweitens ermöglicht das Wissen über die Effektivität jedes Touchpoints den Werbetreibenden, ihre Kampagnen mit größerer Präzision zu personalisieren. Zum Beispiel könnten wir Anzeigen an Kunden ausliefern, die zuvor großes Interesse an bestimmten Werbeformaten und Inhalten gezeigt haben, wodurch die Relevanz und Wirkung jedes Touchpoints in der Customer Journey erhöht wird. Und drittens können wir, während wir Daten darüber sammeln, wie verschiedene Touchpoints das Kundenverhalten beeinflussen, Vorhersagemodelle entwickeln, die die wahrscheinlichen Auswirkungen von Kampagnen bereits vor deren Start einschätzen.

Amazon Ads hat einen sehr großen Einfluss mit der Flexibilität, innovative Ideen zu erkunden, und unsere Abteilung trägt erheblich zum gesamten Unternehmenswachstum bei, was sehr spannend ist. Ich habe Zugang zu vielen qualitativ hochwertigen Datensätzen, was sehr wertvoll für den Aufbau robuster Modelle für maschinelles Lernen ist. Dadurch kann ich mit fortgeschrittenen Techniken experimentieren. Und das macht es hier zu einer sehr guten Erfahrung.

Die Wissenschaftler bei Ads arbeiten ebenfalls eng zusammen und wir verfügen über ein Netzwerk, um Ideen auszutauschen und Innovationen zu beschleunigen. In einem Empfehlungssystemprojekt könnten sich beispielsweise Wissenschaftler mit Stärken im maschinellen Lernen mit Experten für natürliche Sprachverarbeitung oder kausale Inferenz zusammenschließen, um eine umfassende Lösung zu finden. Wir lassen regelmäßig Modelle durch Experten überprüfen, validieren Ergebnisse und suchen nach Alternativen, um Genauigkeit und Effizienz sicherzustellen. Wir arbeiten auch praktisch mit Softwareingenieuren zusammen, um Modelle in die Amazon-Infrastruktur zu integrieren, optimieren dabei Echtzeitperformance und Skalierbarkeit, und wir arbeiten als Partner mit Produktmanagern zusammen, um Modelle auf Geschäftsziele abzustimmen, was sich direkt auf Benutzererfahrung und das Interesse der Nutzer auswirkt.

Amazon hat viele talentierte Mitarbeiter und man kann im Prozess der Zusammenarbeit mit ihnen sehr viel lernen.

Ich möchte die Interpretierbarkeit unserer Modelle verbessern – mit Fokus auf Transparenz, damit Werbetreibende nicht nur die Metriken sehen, sondern auch die Beweggründe hinter den Insights verstehen. Wenn wir den Werbetreibenden mehr Interpretationsmöglichkeiten bieten können, dann können wir auch den Kunden ein noch wertvolleres und relevanteres Erlebnis bieten.