Kontekstuelle banditter: Det neste steget innen personalisering

Når det gjelder personalisering, er vi inne i en konkurransepreget tid. Vi lever i en tid der det er vanskelig å være til lags. Vi lever i en tid der oppmerksomheten ikke strekker til.

Alle vet at personalisering er viktig, det er ingen nyhet. Men hvordan leverer du virkelig relevante opplevelser som driver konverteringer uten å sløse med ressurser? Det er her kontekstuelle banditter kommer inn i bildet.

Hvorfor smartere personalisering er viktig...

Å skape virkelig personaliserte opplevelser i stor skala byr på unike utfordringer. Når du har flere produkter, målgruppesegmenter og brukerattributter å ta hensyn til, krever tradisjonelle tilnærminger betydelig manuell innsats.

Regelbasert person alisering krever mye tid for å konfigurere de riktige betingelsene og målrettingen for hvert segment. I mellomtiden innebærer det ofte mye gjetting og testing for å finne ut hvilke opplevelser som gir gjenklang hos spesifikke brukerattributter.

Her kommer kontekstuelle banditter inn i bildet. Ved å velge relevante brukerattributter lærer kontekstuelle banditter automatisk hvilke opplevelser som fungerer best for ulike målgrupper, og gir verdifull innsikt samtidig som de maksimerer konverteringen gjennom hele kjøretiden.

Hva er en kontekstuell banditt?

Begrepet"flerarmet banditt" kommer fra den klassiske spilleautomatanalogien (den "enarmede banditten").

Tenk deg et kasino med flere spilleautomater. Hvilken spiller du på for å maksimere gevinsten din? Det er den grunnleggende utfordringen.

Kontekstuelle banditter tar dette til neste nivå ved å ta hensyn til hvem som trekker i spaken. De utnytter brukerdata for å ta bedre algoritmiske beslutninger og levere 1:1 personalisering. Maskinlæringsmodellen balanserer effekten på det primære måltallet med dataene den har om hver besøkende (konteksten).

En kontekstuell flerarmet banditt serverer den beste varianten for hver besøkende basert på deres unike profil i det aktuelle øyeblikket. Dette varierer for ulike besøksprofiler, ettersom målet er å oppnå maksimal effekt for hver besøkende i hver økt.

I stedet for å måtte tenke på å kartlegge alle variasjoner til ulike brukerarketyper (dvs. manuelt konfigurere statisk regelbasert målretting), kan du stole på at den kontekstuelle banditten tar disse beslutningene mer nøyaktig for deg.

Fra flerarmede banditter til kontekstuelle banditter...

Hva skiller kontekstuelle banditter fra flerarmede banditter? Kontekst.

Tradisjonelle flerarmede banditter leter etter én enkelt variant som gir best resultater for alle brukere, mens kontekstuelle banditter identifiserer vinnende varianter basert på brukerprofiler som enhetstype, plassering, atferd, kjøpshistorikk og mer.

La oss sammenligne:

1. A/B-testing Fast trafikkallokering der besøkende tilfeldig tildeles ulike variasjoner, der hver person bare ser én opplevelse mens man venter på statistisk signifikans.
2. Flerarmede banditter: Optimaliserer for én enkelt variant som gir best resultater. Skifter trafikk dynamisk, men søker én "vinner".
3. Kontekstuelle banditter: Tilpasser for individuelle brukere basert på kontekst. Ulike brukere får ulike opplevelser basert på hva som er mest sannsynlig å konvertere for deres profil.

Hver gang man går glipp av en optimal opplevelse, går man glipp av en konverteringsmulighet. Med A/B-testing generaliseres vinnerne fra et spesifikt segment. MAB-er forbedrer dette, men søker fortsatt én "beste" variant for alle.

Kontekstuelle banditter serverer hver besøkende den beste varianten for dem i øyeblikket. Når profilene endres, endres også den relevante variasjonen. Hvis en besøkende konverterer på et produkt, vil de se et relatert produkt ved neste besøk, ikke det samme, noe som øker sjansene for at de konverterer igjen.

Slik fungerer kontekstuelle banditter

Kontekstuelle banditter balanserer effekten på de primære måleparameterne og brukerattributtene dine for dynamisk å distribuere den mest relevante variasjonen til hver besøkende i det aktuelle øyeblikket.

Her er en forenklet forklaring:

• Læringsperiode: Modellen starter med 100 % utforskning, og tildeler tilfeldig variasjoner til besøkende for å samle inn ulike data for prediksjoner.
• Balansering av utforskning og utnyttelse: Når det er samlet inn nok data om de besøkendes atferd, begynner modellen å utnytte (serverer tilpassede variasjoner). Den justerer dynamisk utforsknings-/utnyttelsesgraden etter hvert som den mottar flere hendelser.
• Kontinuerlig tilpasning: Modellen opprettholder en viss grad av utforskning (maksimalt 95 % utnyttelse) for å sikre kontinuerlig læring og unngå å gå glipp av muligheter.

Det er avgjørende å velge riktig primærmåling, ettersom påvirkningen på denne påvirker modellens distribusjon. Derfor anbefales det at den spores så nærme der den kontekstuelle banditten kjører, ideelt sett på samme side.

Brukerattributter er like avgjørende. Jo mer komplett settet med attributter er (produkter kjøpt, sett på, kategorier som er gjennomgått osv.), desto bedre vil modellen din prestere. Optimizelys modell støtter ubegrenset med attributter fra standard (klientsiden), tilpassede (API) og eksterne (tredjeparts) kilder.

Bruksområder for kontekstuelle banditter

Her er eksempler på bredere bransjeapplikasjoner:

• Detaljhandel: Produktkaruseller på hjemmesiden tilpasset etter handlefrekvens og kjøpshistorikk.
• Media: Forslag til innhold på hjemmesiden (sport, serier, filmer) basert på seervaner og enheter.
• Programvare: Fremheving av dashbordfunksjoner skreddersydd til brukerens rolle og bruksmønster.

Men finnes det noen reelle eksempler, spør du?

Våre betadeltakere er allerede i gang med å implementere og ser resultater:

• En kunde innen finansielle tjenester bruker kontekstuelle banditter på hjemmesiden for å levere relevante bankprodukter basert på kundehistorikk.
• En pizzarestaurantkjede bruker kontekstuelle banditter på kassesiden til å foreslå tilleggsvarer basert på innholdet i handlekurven.
• Et telekommunikasjonsselskap bruker kontekstuelle banditter på profilsiden til å presentere mersalgstilbud basert på gjeldende abonnementer.

Det digitale teamet hos Optimizely bruker også kontekstuelle banditter. De bruker CMAB-er på hjemmesiden vår for å matche besøkende med produkter basert på selskap, rolle, bransje og sted.

Her er noen av de første resultatene:

• 13,62 % høyere engasjement med målrettet innhold
• 3,37 % forbedring i markedsføringsplanleggingen
• 20,79 % forbedring i validering med test

Teamet sier at det fungerer godt over hele linjen.

Ansvarsfraskrivelse: Her er en tidlig forhåndsvisning av Optimizely kontekstuelle banditt-resultatside og hvordan den vil se ut til slutt

Bildekilde: Optimizely

Fordeler med å implementere kontekstuelle banditter

CMAB gir betydelig forretningsverdi ved å

1. Tilbyr virkelig personaliserte opplevelser for alle brukere: I stedet for en tilnærming som passer for alle, leverer CMABs riktig innhold til riktig person til riktig tid.
2. Øke konverteringsraten på primære måleparametere: Ved å vise brukerne hva det er mest sannsynlig at de vil reagere på, bidrar CMAB-er til økt engasjement og konvertering.
3. Tilpasser seg dynamisk til endringer i de besøkendes atferd: Systemet serverer den beste variasjonen i hver økt, selv når brukerpreferansene endrer seg.
4. Eliminerer alternativkostnadene ved tradisjonell test: I motsetning til A/B-tester som krever uker eller måneder for å oppnå statistisk signifikans, begynner kontekstuelle banditter å optimalisere umiddelbart, noe som reduserer eksponeringen for underpresterende variasjoner i sanntid.
5. Krever minimalt med vedlikehold: CMAB-er er ideelle for sider der innholdet ikke endres for ofte. Etter hvert som tiden går, blir ML-modellen skarpere med dataene den samler inn, noe som gjør dette til en "sett det og glem det"-optimalisering som kan kjøres kontinuerlig.

CMAB øker sannsynligheten for konvertering, noe som har en positiv innvirkning på ROI og eliminerer alternativkostnadene som A/B-testing eller tradisjonelle banditter medfører.

Optimizelys implementering av kontekstuelle banditter: Hva som gjør den annerledes

Slik gjør vi ting annerledes:

• Avanserte trebaserte modeller: Vi har utviklet modeller for både binær klassifisering og regresjonsoppgaver, noe som gjør systemet vårt fleksibelt og tilpasningsdyktig til ulike typer data og eksperimentoppsett.
• Innsikt i viktigheten av egenskaper: Systemet vårt måler attributtenes innvirkning og viser hvor viktige de er, noe som gir innsikt i hvilke attributter som driver konverteringer.
• Dobbel modell og inkrementell læring: Vi håndterer alle typer prediksjoner med spesialiserte modeller som fortsetter å lære av nye data uten å starte fra bunnen av.
• Dynamisk funksjonsbehandling: Vår forprosessering konverterer automatisk funksjoner og håndterer dataproblemer. Ved hjelp av XGBoost bygger vi flere enkle trær som lærer av feil, i stedet for ett komplekst tre, og forhindrer overtilpasning ved hjelp av regularisering og andre teknikker.
• Integrasjon med det bredere økosystemet: CMAB-implementeringen vår fungerer sømløst med Optimizelys eksperimenterings- og personaliseringspakke, noe som gjør det enkelt å forbedre strategien din uten ekstra verktøy eller kompleksitet.

Fremtidens personalisering er kontekstuell

I en verden der det ikke finnes én størrelse som passer alle, er konteksten avgjørende.

Konkurransen om oppmerksomheten intensiveres, og statiske tilnærminger til personalisering fungerer rett og slett ikke lenger. Merkevarene som vinner, er de som kan levere virkelig relevante opplevelser i øyeblikket, og som kontinuerlig tilpasser seg kundenes skiftende atferd og preferanser.

Er du klar til å utforske hvordan kontekstuelle banditter kan hjelpe deg med å øke engasjementet, konverteringsraten og kundetilfredsheten?

Ta en titt på denne 2-minutters Navattic-turen for å se hvordan kontekstuelle banditter ser ut i plattformen.