Kontextuella banditer: Nästa steg i personaliseringen

När det gäller personalisering är vi inne i en konkurrensutsatt tid. Vi lever i en tid då det är svårt att vara till lags. Vi lever i en tid med ett uppmärksamhetsspann som en guldfisk.

Alla vet att personalisering är viktigt, det är ingen nyhet. Men hur levererar man verkligt relevanta upplevelser som driver konverteringar utan att slösa resurser? Det är där de kontextuella banditerna kommer in i bilden.

Varför smartare personalisering är viktigt...

Att skapa verkligt personaliserade upplevelser i stor skala innebär unika utmaningar. När du har flera produkter, målgruppssegment och användarattribut att ta hänsyn till kräver traditionella tillvägagångssätt betydande manuella insatser.

Regelbaserad personalisering kräver omfattande installationstid för att konfigurera rätt villkor och målgruppsinriktning för varje segment. Samtidigt innebär det ofta en hel del gissningar och testning att avgöra vilka upplevelser som passar specifika användarattribut.

Här kommer de kontextuella banditerna in i bilden. Genom att välja relevanta användarattribut lär sig kontextuella banditer automatiskt vilka användarupplevelser som fungerar bäst för olika målgrupper, vilket ger värdefulla insikter samtidigt som konverteringen maximeras under hela löptiden.

Vad är en kontextuell bandit?

Termen"flerarmad bandit" kommer från den klassiska spelautomatsanalogin (den "enarmade banditen").

Föreställ dig ett kasino med flera spelautomater. Vilken spelar du på för att maximera dina vinster? Det är den grundläggande utmaningen.

Kontextuella banditer tar detta till nästa nivå genom att ta hänsyn till vem som drar i spaken. De utnyttjar användardata för att fatta bättre algoritmiska beslut och leverera 1:1 personalisering. Maskininlärningsmodellen balanserar påverkan på ditt primära mätvärde med de data den har om varje besökare (sammanhanget).

En kontextuell flerarmad bandit serverar den bäst presterande variationen för varje besökare baserat på deras unika profil i det specifika ögonblicket. Detta varierar för olika besökarprofiler eftersom målet är att ge maximal effekt för varje besökare i varje session.

I stället för att göra en tråkig mindmapping av varje variation till olika användararketyper (dvs. manuellt konfigurera statisk regelbaserad målgruppsinriktning) kan du förlita dig på att den kontextuella banditen fattar dessa beslut mer exakt åt dig.

Från flerarmade banditer till kontextuella banditer...

Vad skiljer kontextuella banditer från flerarmade banditer? Sammanhang.

Traditionella MAB:er letar efter en enda bäst presterande variation för alla användare, medan kontextuella banditer identifierar vinnande variationer baserat på användarprofiler som enhetstyp, plats, beteenden, köphistorik med mera.

Låt oss jämföra:

1. A/B-testning: Fast trafikallokering där besökare slumpmässigt tilldelas olika variationer, där varje person bara ser en upplevelse i väntan på statistisk signifikans.
2. Flerarmade banditer: Optimizely för en enda bäst presterande variation. Flyttar trafiken dynamiskt men söker en "vinnare".
3. Kontextuella banditer: Personaliserar för enskilda användare baserat på sammanhang. Olika användare får olika upplevelser baserat på vad som är mest sannolikt att konvertera för deras profil.

Varje missad optimal upplevelse är en förlorad möjlighet till konvertering. Med A/B-testning generaliseras vinnare från ett specifikt segment. MAB förbättrar detta men söker fortfarande en "bästa" variation för alla.

Kontextuella banditer serverar varje besökare den bästa variationen för dem i det ögonblicket. När profiler förändras, förändras också den relevanta variationen. Om en besökare konverterar på en produkt kommer de att se en relaterad produkt vid nästa besök, inte samma produkt, vilket ökar chansen att de konverterar igen.

Hur kontextuella banditer fungerar

Contextual bandits balanserar effekterna på dina primära mätvärden och användarattribut för att dynamiskt distribuera den mest relevanta variationen till varje besökare i det specifika ögonblicket.

Här är en förenklad förklaring:

• Inlärningsperiod: Modellen börjar med 100% utforskning, där variationer slumpmässigt tilldelas besökare för att samla in olika data för förutsägelser.
• Balansering av utforskning och utnyttjande: När tillräckligt med beteendedata har samlats in börjar modellen exploatera (servera personaliserade variationer). Den justerar dynamiskt utforsknings-/exploateringsgraden i takt med att den får in fler händelser.
• Kontinuerlig anpassning: Modellen upprätthåller viss utforskning (maximalt 95% utnyttjande) för att säkerställa kontinuerlig inlärning och undvika att missa möjligheter.

Det är viktigt att välja rätt primärt mätvärde eftersom det påverkar modellens distribution. Därför föreslås att det ska spåras så nära som möjligt där den kontextuella banditen körs, helst på samma sida.

Användarattribut är lika avgörande. Ju mer komplett din uppsättning attribut (produkter som köpts, visats, kategorier som bläddrats etc.), desto bättre kommer din modell att prestera. Optimizely's modell stöder obegränsade attribut out-of-the-box från standard (klientsida), anpassade (API) och externa (tredje part) källor.

Användningsfall för kontextuella banditer

Här är exempel på bredare branschapplikationer:

• Detaljhandel: Produktkaruseller på hemsidan personaliserade efter shoppingfrekvens och köphistorik.
• Media: Förslag på innehåll på hemsidan (sport, serier, filmer) baserat på tittarvanor och enheter.
• Programvara: Dashboard-funktioner skräddarsydda efter användarens roll och användningsmönster.

Men finns det några verkliga exempel, undrar du?

Våra betadeltagare har redan börjat implementera och se resultat:

• En kund inom finansiella tjänster använder kontextuella banditer på hemsidan för att leverera relevanta bankprodukter baserat på kundens historik.
• En pizzarestaurangkedja använder kontextuella banditer på checkout-sidan för att föreslå tilläggsmoduler baserat på varukorgens innehåll.
• Ett telekommunikationsföretag använder kontextuella banditer på profilsidan för att presentera erbjudanden om merförsäljning baserat på aktuella prenumerationer.

Det digitala teamet på Optimizely använder också kontextuella banditer. De använder CMABs på vår hemsida för att matcha besökare med produkter baserat på deras företag, roll, bransch och plats.

Här är några av de första resultaten:

• 13,62% högre engagemang för målgruppsinriktat innehåll
• 3,37% förbättring av marknadsföringsplaneringen
• 20,79% förbättring av validering med testning

Teamet säger att det fungerar bra över hela linjen.

Ansvarsfriskrivning: Här är en tidig förhandsgranskning av Optimizely kontextuella bandits resultatsida och hur det skulle se ut så småningom

Bildkälla: Optimizely

Fördelarna med att implementera kontextuella banditer

CMAB levererar betydande affärsvärde genom att

1. Tillhandahålla verkligt personaliserade upplevelser för varje användare: I stället för att använda en metod som passar alla, levererar CMAB rätt innehåll till rätt person vid rätt tidpunkt.
2. Öka konverteringsgraden för det primära måttet: Genom att visa användarna vad de mest sannolikt kommer att reagera på driver CMABs högre engagemang och konvertering.
3. Dynamisk anpassning till förändringar i besöksbeteende: Systemet serverar den bästa variationen i varje session, även när användarnas preferenser förändras.
4. Eliminerar alternativkostnader från traditionell testning: Till skillnad från A/B-testning som kräver veckor eller månader för att nå statistisk signifikans, börjar kontextuella banditer optimera omedelbart, vilket minskar exponeringen för underpresterande variationer i realtid.
5. Kräver minimalt underhåll: CMAB:er är idealiska för sidor där innehållet inte ändras alltför ofta. Med tiden blir ML-modellen skarpare med de data den samlar in, vilket gör detta till en "set it and forget it"-optimering som kan köras kontinuerligt.

CMABs ökar sannolikheten för konvertering, vilket påverkar ROI positivt och eliminerar de alternativkostnader som A/B-testning eller traditionella banditer medför.

Optimizely's kontextuella bandit-implementering: Vad gör det annorlunda

Här är hur vi gör saker annorlunda:

• Avancerade trädbaserade modeller: Vi har utvecklat modeller för både binär klassificering och regressionsuppgifter, vilket gör vårt system flexibelt och anpassningsbart till olika typer av data och experiment.
• Insikter om funktionens betydelse: Vårt system mäter attributens påverkan och visar hur viktiga de är, vilket ger insikter om vilka attribut som driver konvertering.
• Inlärning med dubbla modeller och stegvis inlärning: Vi hanterar alla typer av prediktioner med specialiserade modeller som fortsätter att lära sig från nya data utan att börja om från början.
• Dynamisk bearbetning av funktioner: Vår förbehandling konverterar automatiskt funktioner och hanterar dataproblem. Med hjälp av XGBoost bygger vi flera enkla träd som lär sig av misstag istället för ett komplext träd, vilket förhindrar överanpassning genom regularisering och andra tekniker.
• Integrering med det bredare ekosystemet: Vår CMAB-implementering fungerar sömlöst med Optimizelys experimentering och personaliseringssvit, vilket gör det enkelt att höja din strategi utan ytterligare verktyg eller komplexitet.

Framtidens personaliserade personalisering är kontextuell

I en värld där ingen storlek passar alla är kontexten avgörande.

I takt med att konkurrensen om uppmärksamhet intensifieras fungerar inte statiska strategier för personalisering längre. De varumärken som vinner kommer att vara de som kan leverera verkligt relevanta upplevelser i stunden och som kontinuerligt anpassar sig till kundernas förändrade beteenden och preferenser.

Är du redo att utforska hur kontextuella banditer kan hjälpa dig att driva högre engagemang, konverteringsgrad och kundnöjdhet?

Kolla in denna 2 minuters Navattic-tur för att se hur kontextuella banditer ser ut i plattformen.