Amazon Payments detalha uso de bandit contextual no SageMaker AI para personalizar funil
Amazon Payments detalhou um bandit contextual multiobjetivo no SageMaker AI para personalizar um funil de aquisição. Em teste A/B de sete semanas, houve aumento relativo de dígito único alto na conversão final para um público; para outro, não houve melhora.
A Amazon Payments detalhou em um post técnico como usou um bandit contextual multiobjetivo no Amazon SageMaker AI para personalizar um funil de aquisição de clientes. A ideia foi escolher, entre várias variações de conteúdo, qual exibir a cada visitante.
Segundo a empresa, em um teste A/B online de sete semanas houve um aumento relativo de dígito único alto na conversão final do funil para uma população de clientes. Para outra, não houve melhora em relação à experiência existente. A própria Amazon Payments diz que, nesse caso, o problema foi o conteúdo, não o modelo.
A solução usa o LinUCB, uma variação de bandit que toma a decisão com base em sinais do cliente, como comportamento de pagamento e mix de transações. Em vez de otimizar só uma etapa, o sistema roda um modelo para início, envio e aprovação, e combina as pontuações para tratar o funil como um todo.
A execução é semanal. Um job do SageMaker AI lê os resultados do período anterior, atualiza o modelo e publica recomendações por cliente em um sistema de baixa latência. A empresa também liberou um repositório com notebook, demo em linha de comando e testes para reproduzir a abordagem com dados sintéticos.
O que muda para você
Isso serve para times que já geram muitas variações com IA e precisam decidir qual mostrar para cada usuário. O post mostra que o ganho não vem só do modelo de seleção; depende de ter conteúdo bom o bastante para competir. Também deixa claro que a abordagem, do jeito descrito, roda em lote semanal e ainda não é uma resposta para ajuste em tempo real.
Minha leitura
O recado aqui é duro: algoritmo não compensa criativo fraco. A Amazon Payments encontrou ganho em um público e nada em outro, e isso separa bem o que é seleção inteligente do que é catálogo ruim. Para mim, o critério prático é esse: antes de sofisticar a escolha, verifique se existe variedade útil de conteúdo para o bandit aprender alguma coisa. Sem isso, só acelera a descoberta do limite.
Thiago FelizolaConsultor de IA, curador do Diário da IA
