Kontextuelle Banditen: Der nächste Schritt in der Personalisierung

Anstatt mühsam jede Variation verschiedenen Nutzerarchetypen zuzuordnen (d. h. statisches regelbasiertes Targeting manuell zu konfigurieren), können Sie sich auf den Kontext-Banditen verlassen, der diese Entscheidungen präziser für Sie trifft.

Bildquelle: Optimizely

Die aktualisierte Ergebnisseite ist in drei Abschnitte unterteilt.

1. Die Übersichtsleiste oben zeigt die wichtigsten Kennzahlen auf einen Blick: Gesamtumsatz, Gesamtbesucherzahl, Verbesserung in Prozent und die primäre Kennzahl.
2. Der Abschnitt Benutzerattribute zeigt eine Rangliste der Attribute, die die Traffic-Verteilung des Modells beeinflusst haben, mit einem Attributtypfilter zum Umschalten zwischen den Kategorien „Beitragende Attribute“ und „Andere Attribute“.
3. Jede Variantenzeile ist jetzt erweiterbar und zeigt beim Öffnen die Spalten für das beitragende Attribut und den Attributwert an.

Jedes nicht optimale Nutzererlebnis bedeutet eine verpasste Konversionschance. Bei A/B-Tests werden die Gewinner aus einem bestimmten Segment verallgemeinert. MABs verbessern dies, suchen aber weiterhin nach der besten Variante für alle.

Kontextbezogene Banditen präsentieren jedem Besucher die aktuell beste Variante. Ändern sich die Profile, ändert sich auch die relevante Variante. Wenn ein Besucher ein Produkt kauft und konvertiert, sieht er bei seinem nächsten Besuch ein ähnliches Produkt, nicht dasselbe, wodurch die Wahrscheinlichkeit einer erneuten Konversion steigt.

Kontextuelle Banditen gleichen die Auswirkungen auf Ihre primäre Metrik und die Nutzerattribute aus, um jedem Besucher im jeweiligen Moment dynamisch die relevanteste Variante bereitzustellen.

Hier eine vereinfachte Erklärung:

1. Lernphase: Das Modell beginnt mit 100 % Exploration und weist Besuchern zufällig Varianten zu, um vielfältige Daten für Vorhersagen zu sammeln.
2. Ausgewogenes Verhältnis von Exploration und Exploitation: Sobald genügend Besucherverhaltensdaten gesammelt wurden, beginnt das Modell mit der Exploitation (Bereitstellung personalisierter Varianten). Es passt die Explorations- und Exploitationsraten dynamisch an, sobald weitere Ereignisse eintreffen.
3. Kontinuierliche Anpassung: Das Modell behält eine gewisse Exploration bei (maximal 95 % Exploitation), um kontinuierliches Lernen zu gewährleisten und keine Chancen zu verpassen.

Die Wahl der richtigen primären Metrik ist entscheidend, da deren Auswirkungen die Modellverteilung beeinflussen. Es wird empfohlen, die Aktivitäten so nah wie möglich an dem Ort zu verfolgen, an dem der kontextbezogene Angreifer aktiv ist, idealerweise auf derselben Seite.

Benutzerattribute sind ebenso wichtig. Je vollständiger Ihre Attributliste ist (gekaufte und angesehene Produkte, durchsuchte Kategorien usw.), desto besser funktioniert Ihr Modell. Das Optimizely-Modell unterstützt standardmäßig unbegrenzt viele Attribute aus Standardquellen (clientseitig), benutzerdefinierten Quellen (API) und externen Quellen (Drittanbieterquellen).

• Einzelhandel: Produktkarussells auf der Startseite, personalisiert nach Kaufhäufigkeit und Kaufhistorie.
• Medien: Inhaltsvorschläge auf der Startseite (Sport, Serien, Filme) basierend auf Sehgewohnheiten und Geräten.
• Software: Hervorhebung von Dashboard-Funktionen, angepasst an Benutzerrolle und Nutzungsmuster.

Aber Sie fragen nach konkreten Beispielen?

Unsere Beta-Teilnehmer implementieren die Funktionen bereits und erzielen erste Ergebnisse:

• Ein Finanzdienstleister nutzt kontextbezogene Elemente auf der Startseite, um relevante Bankprodukte basierend auf der Kundenhistorie anzubieten.
• Eine Pizzakette verwendet kontextbezogene Elemente auf der Checkout-Seite, um Zusatzartikel basierend auf dem Warenkorbinhalt vorzuschlagen.
• Ein Telekommunikationsunternehmen nutzt kontextbezogene Elemente auf der Profilseite, um Upselling-Angebote basierend auf bestehenden Abonnements zu präsentieren.

Das Digitalteam bei Optimizely verwendet ebenfalls kontextbezogene Filter. Auf unserer Homepage nutzen sie CMABs, um Besuchern Produkte basierend auf ihrem Unternehmen, ihrer Rolle, ihrer Branche und ihrem Standort vorzuschlagen. Hier einige erste Ergebnisse: 13,62 % höhere Interaktion mit zielgerichteten Inhalten, 3,37 % Verbesserung der Marketingplanung, 20,79 % Verbesserung der Validierung durch Tests. Das Team berichtet von durchweg positiven Ergebnissen.

CMABs bieten einen erheblichen Mehrwert für Ihr Unternehmen durch:

• Wunderbar personalisierte Nutzererlebnisse: Anstatt standardisierter Ansätze liefern CMABs die richtigen Inhalte zur richtigen Zeit an die richtige Person.
• # Steigerung der Konversionsraten bei der wichtigsten Kennzahl: Indem CMABs Nutzern zeigen, worauf sie am ehesten reagieren, fördern sie höhere Interaktionsraten und Konversionen.
• Dynamische Anpassung an verändertes Besucherverhalten: Das System liefert in jeder Sitzung die beste Variante, auch wenn sich die Nutzerpräferenzen ändern.
• Eliminierung von Opportunitätskosten durch traditionelles Testen: Im Gegensatz zu A/B-Tests, die Wochen oder Monate benötigen, um statistische Signifikanz zu erreichen, optimieren Kontextbanditen sofort und reduzieren so die Wahrscheinlichkeit, dass Varianten mit schlechter Performance in Echtzeit zum Einsatz kommen.
• Minimaler Wartungsaufwand: CMABs eignen sich ideal für Seiten, deren Inhalte sich nicht häufig ändern. Mit der Zeit wird das ML-Modell durch die gesammelten Daten immer präziser. Dadurch wird die Optimierung zu einer automatischen Optimierung, die kontinuierlich laufen kann.
• Tiefere Kundeneinblicke: Ein CMAB optimiert nicht nur während des Betriebs, sondern liefert Ihnen auch wertvolle Erkenntnisse über Ihre Zielgruppe. Die generierten Ergebnisse fließen direkt in Ihre nächste Personalisierungskampagne ein. Die Erkenntnisse des Algorithmus müssen nicht auf den CMAB beschränkt bleiben, sondern können auch in statische Kampagnen einfließen, die diese Ergebnisse auf die Segmente ausweiten, von denen Sie wissen, dass sie konvertiert haben.

1. Fortschrittliche baumbasierte Modelle: Wir haben Modelle für binäre Klassifizierungs- und Regressionsaufgaben entwickelt. Dadurch ist unser System flexibel und an verschiedene Datentypen und Versuchsaufbauten anpassbar.
2. Einblicke in die Merkmalswichtigkeit: Unser System misst den Einfluss von Attributen und zeigt deren Wichtigkeit an. So erhalten Sie Einblicke, welche Attribute die Konversionen beeinflussen.
3. Dual-Modell- und inkrementelles Lernen: Wir verarbeiten alle Vorhersagetypen mit spezialisierten Modellen, die kontinuierlich aus neuen Daten lernen, ohne von Grund auf neu beginnen zu müssen.
4. Dynamische Merkmalsverarbeitung: Unsere Vorverarbeitung konvertiert Merkmale automatisch und behebt Datenprobleme. Mithilfe von XGBoost erstellen wir mehrere einfache Entscheidungsbäume, die aus Fehlern lernen, anstatt eines einzigen komplexen Baums. Dadurch wird Overfitting durch Regularisierung und andere Techniken verhindert.
5. Integration in das bestehende Ökosystem:Unsere CMAB-Implementierung arbeitet nahtlos mit der Experimentier- und Personalisierungssuite von Optimizely zusammen und ermöglicht so eine einfache Optimierung Ihrer Strategie ohne zusätzliche Tools oder Komplexität.

Ein CMAB ist nicht das Ende des Workflows. Er ist die Grundlage für den nächsten. Führen Sie ihn durch, um herauszufinden, welche Segmente auf welche Erlebnisse reagieren. Nutzen Sie dann Ihre Erkenntnisse, um statische Personalisierungskampagnen zu erstellen, die genau diese Zielgruppen ansprechen.

Sind Sie bereit zu entdecken, wie Kontextbanditen Ihnen helfen können, höhere Interaktionsraten, Konversionsraten und Kundenzufriedenheit zu erzielen?

Sehen Sie sich diese 2-minütige Navattic-Tour an, um zu sehen, wie Kontextbanditen in der Plattform aussehen.