Dans les coulisses : Yudi Zhang trouve une façon plus nuancée d’analyser le parcours client

Les clients qui magasinent sur Amazon naviguent souvent à travers une multitude d’options avant d’arrêter leur choix d’achat. Quand et pourquoi un client décide-t-il de passer sa commande? Yudi Zhang s’intéresse à la façon dont l’expérience de magasinage se traduit en achats.

Dans un article accepté à l’International Conference on Learning Representations 2024 Workshop on AI4Differential Equations in Science, Zhang et ses collègues ont adopté une nouvelle approche pour résoudre le problème d’estimation des parties les plus importantes du parcours client. L’article a été rédigé alors que Zhang était scientifique appliquée chez Amazon Web Services (AWS), qu’elle a rejoint à l’automne 2023.

Zhang, qui détient un doctorat en statistiques de l’Université d’État de l’Iowa, a rejoint Amazon Ads en tant que scientifique appliquée en juillet 2024. Ici, elle parle de l’article et de ses intérêts de recherche.

Je pense que ce que les gens étudient ici est vraiment intéressant. Amazon Ads fournit des données riches qui me permettent de travailler sur des systèmes de recommandation avancés et de personnalisation qui influencent directement l’expérience client. Ces types de systèmes existent dans beaucoup de grandes entreprises, donc la publicité est un très bon domaine pour se développer professionnellement. Amazon investit dans les scientifiques en soutenant des conférences et la recherche, ce qui nous maintient à la pointe du domaine publicitaire, et la division de la publicité a connu une forte croissance récemment.

Je me concentre principalement sur les systèmes de recommandation et la personnalisation, en créant des modèles et des algorithmes qui peuvent présenter aux gens des produits susceptibles de les intéresser. Les systèmes de recommandation se composent généralement de deux parties. La première est l’approvisionnement, où nous récupérons autant de produits pertinents que possible pour les montrer au client. La deuxième partie est le classement, où nous avons un certain nombre de produits que nous voulons mettre dans un ordre particulier afin que plus de gens cliquent sur les publicités les plus pertinentes pour eux. Je travaille sur la partie approvisionnement.

L’accent est mis sur l’attribution multipoint, un domaine de recherche qui vise à comprendre le parcours client et à identifier quelles interactions contribuent le plus à la conversion finale, à savoir, dans le cas présent, un clic ou un achat. Dans un espace de vente au détail numérique, plusieurs points de contact suscitent l’intérêt des clients avant que ceux-ci effectuent un achat : Ils regardent des publicités, ils naviguent sur des pages de produits, ils lisent les critiques. Toutes ces différentes actions et interactions sont considérées comme des points de contact.

Traditionnellement, les modèles capturent l’attribution au dernier ou au premier point de contact, ce qui signifie qu’ils accordent la plus grande importance à la première ou à la dernière étape menant à la conversion finale. Mais le parcours client est très complexe. La plupart du temps, certains des points de contact intermédiaires sont plus importants dans la prise de décision des clients. L’article cherchait donc une solution de modélisation plus complète pour comprendre comment ces interactions fonctionneraient ensemble tout au long du parcours client.

Je pense que la partie la plus intéressante de l’article est qu’elle utilise le mécanisme d’attention pour modéliser l’attribution. Un modèle simple d’attribution multipoint traite simplement chaque interaction comme étant isolée ou accorde à chacune un poids égal. Mais ce mécanisme d’attention examine la séquence complète des points de contact et évalue dynamiquement l’importance de chacun d’entre eux dans le parcours client. De nombreux outils basés sur l’IA aujourd’hui sont entraînés selon ce mécanisme d’attention, qui est une couche capable d’identifier dans les mégadonnées quels points sont les plus importants. Ça fonctionne aussi très bien pour notre tâche d’attribution.

Cela concerne une partie de l’article et l’autre partie concerne l’équation différentielle ordinaire neuronale (ODE). D’autres types de modèles peuvent utiliser une série chronologique pour modéliser le parcours client, où chaque étape se déroule à des intervalles relativement réguliers. Mais dans la réalité, les intervalles de temps dans le parcours client peuvent varier considérablement. On pourrait regarder une chose aujourd’hui et une autre dans 10 secondes (ou dans 10 jours). L’ODE est capable de saisir ces intervalles de temps irréguliers.

Nous avons testé le modèle sur les interactions des clients avec différents canaux marketing AWS, tels que la recherche payante et la recherche naturelle, et avons tenté d’identifier le canal le plus important pour les conversions. Les résultats étaient bien meilleurs qu’avec les méthodes d’attribution traditionnelles.

Bien que la recherche se soit concentrée sur les canaux de marketing pour AWS, la méthode peut également s’appliquer à la publicité. L’impact s’étend sur trois domaines. Premièrement, comprendre la séquence et le moment des interactions des clients nous aide à déterminer quelles publicités fonctionnent le mieux ensemble et dans quel ordre. Ces connaissances pourraient soutenir des stratégies qui commencent par susciter l’intérêt grâce à des publicités axées sur la sensibilisation, puis guident les clients potentiels vers des publicités qui génèrent des conversions. Deuxièmement, connaître l’efficacité de chaque point de contact permet aux annonceurs de faire de la publicité de façon plus personnalisée et précise. Par exemple, nous pourrions diffuser des publicités aux clients qui ont déjà manifesté de l’intérêt pour certains formats et contenus publicitaires, augmentant ainsi la pertinence et l’impact de chaque point de contact dans le parcours client. Troisièmement, à mesure que nous recueillons des données sur la façon dont les différents points de contact influencent le comportement des clients, nous pouvons créer des modèles prédictifs qui estiment l’impact probable des campagnes avant leur lancement.

Amazon Ads a un impact très important sur la possibilité de découvrir des idées innovantes et notre division contribue beaucoup à la croissance globale de l’entreprise, ce qui est passionnant. J’ai accès à de nombreux jeux de données de très haute qualité, ce qui est très précieux pour le développement de modèles d’apprentissage automatique robustes. Cela me permet de faire des expériences avec des techniques avancées, donc c’est une très bonne expérience ici.

Les scientifiques chez Ads collaborent également étroitement et nous disposons d’un réseau pour partager des idées et accélérer l’innovation. Dans un projet de système de recommandation, par exemple, les scientifiques spécialisés en apprentissage automatique pourraient s’associer à des spécialistes en traitement du langage naturel ou en inférence causale pour créer une solution complète. Nous effectuons régulièrement des évaluations des modèles par les pairs, validons les résultats et explorons des alternatives pour assurer l’exactitude et l’efficacité. Nous travaillons également en étroite collaboration avec les ingénieurs logiciels pour intégrer les modèles dans l’infrastructure d’Amazon, en optimisant la performance en temps réel et l’évolutivité, et nous collaborons avec les gestionnaires de produits pour aligner les modèles sur les objectifs commerciaux, ce qui a un impact direct sur l’expérience et l’engagement utilisateur.

Amazon compte beaucoup de gens talentueux et on peut apprendre énormément en collaborant avec eux.

Je veux améliorer l’interprétabilité de nos modèles pour mettre l’accent sur la transparence afin que les annonceurs puissent non seulement voir les statistiques de performance, mais aussi comprendre le raisonnement sous-jacent aux données. Si nous pouvons fournir plus d’interprétation aux annonceurs qui font de la publicité, nous pourrons alors offrir une expérience encore plus précieuse et pertinente aux clients également.