Ir para o conteúdo principal

Artigo

Como o aprendizado profundo está adicionando proezas de personalização preditiva ao perfil de afinidade do usuário

Modelos avançados de RNN estão ajudando as marcas a compreender melhor e atender às relações entre os produtos e o comportamento dos usuários.

Publicado: 11 de janeiro de 2024 | Atualizado: 31 de janeiro de 2024

Tamar Cohen profile photo

Tamar Cohen

Data Scientist,

Mastercard

Um homem feliz olhando pela janela enquanto usa um tablet


Houve um tempo não muito atrás quando o trabalho de um profissional de marketing era desenrolar as muitas correlações possíveis entre usuários e suas interações com o produto. À medida que os visitantes se tornaram expostos a mais e mais marcas, cores, estilos e outros atributos de produtos, esse trabalho se Become excessivamente difícil, resultando em um jogo de adivinhação de testar diferentes condições de segmentação na esperança de determinar a melhor experiência possível para um público ou usuário com uma afinidade específica.

As equipes não apenas não atingiram a marca em precisão, mas seus esforços não eram escaláveis — com a personalização significativa se tornando um alvo móvel impossível de atingir à medida que as preferências individuais continuavam a evoluir.

Os avanços na tecnologia mudaram tudo isso, com novas habilidades para coletar, analisar e pontuar automaticamente cada interação do usuário através de perfil de afinidade para a entrega de experiências mais altamente direcionadas. Isso pode ser feito via recomendações baseadas em afinidade 1:1, a criação de públicos baseados em afinidade e, mais recentemente, um método de alocação baseado em afinidade que garante a variação ideal para cada usuário com base em suas preferências em tempo real.

Os avanços em eficiência e relevância beneficiaram significativamente as empresas, com empresas de diversos setores relatando aumentos na receita média por usuário (+15% para a Pets Place), na taxa de conversão (+40% para o Tottenham Hotspur) e em outros KPIs – tudo isso decorrente de suas muitas aplicações úteis. Apesar de seu impacto impressionante, o surgimento da criação de perfis de afinidade trouxe muitas oportunidades para Become mais flexível no futuro por meio do aprendizado de máquina.

De forma empolgante, o setor chegou a essa encruzilhada à medida que o perfil de afinidade sai da sua infância e se combina com modelos de deep learning baseados em redes neurais recorrentes (RNN) para descobrir correlações mais complexas e prever melhor no que o usuário estará interessado em seguida.

Neste post, vamos atualizar as equipes sobre as capacidades mais recentes e mergulhar em alguns dos detalhes essenciais.

 

O papel do aprendizado profundo na otimização da criação de perfis de afinidade

Hoje, os principais indicadores que informam o perfil de afinidade de um usuário giram em torno de:

  • O tipo de engajamento – Isso pode ser uma visualização de produto, adicionar ao carrinho, compra, etc., com maior peso normalmente colocado sobre aqueles com um nível de intenção mais alto.
  • Com quais atributos do produto – As diferentes características potenciais de um item, como se era de uma determinada cor, marca, gênero, estilo, faixa de preço, e assim por diante.
  • Em qual janela de tempo – O tempo decorrido desde a interação específica, com a recência desempenhando um papel maior na formação da afinidade atual do usuário.

Com um algoritmo de afinidade tradicional, uma vez definido, a mesma fórmula codificada com um sistema de ponderação estática é aplicada a todos os usuários e cenários. No entanto, se você considerou uma interação com um carimbo de data/hora recente, que tem um peso maior do que uma que ocorreu mais no passado, você pode ver como nuances importantes no comportamento do usuário podem ser facilmente perdidas.

Os pressupostos que a modelagem de afinidade fez até este ponto também são baseados apenas nas interações históricas de um usuário específico (em vez de serem treinados com um volume maior de dados de usuário), e nenhuma correlação está sendo feita atualmente entre a sequência de eventos e um resultado desejado.

É nesse ponto que o aprendizado profundo entra em ação, otimizando a criação de perfis de afinidade para aumentar o poder preditivo das seguintes maneiras:

Ponderação do núcleo estático ao dinâmico

A natureza sofisticada da arquitetura de rede neural de aprendizado profundo permite que o perfil de afinidade Become verdadeiramente “inteligente”, à medida que aprende e adapta as variáveis usadas no cálculo de pontuação a cada iteração de treinamento. Essa mudança de um sistema de ponderação estático para um dinâmico captura as nuances sutis do comportamento do usuário necessárias para oferecer experiências precisamente direcionadas.

Correlações concorrentes e sequenciais

Quando combinado com aprendizado profundo, um algoritmo de afinidade pode não apenas ser treinado na soma de diferentes interações de usuário independentes (entrada do modelo), mas também no evento alvo do resultado (saída do modelo) e no sequenciamento que ocorre entre os dois. Isso significa que novas correlações Become possíveis, por exemplo, uma sequência de navegação seguida por uma compra de produto, com uma cobertura maior de atributos capazes de prever melhor a próxima melhor experiência a ser oferecida.

Conjuntos de dados de usuários de restritos a amplos

O deep learning tem a capacidade de processar grandes volumes de dados, o que significa que o perfil de afinidade pode ir além de olhar apenas para a atividade de um usuário, incorporando a rica tapeçaria de comportamento observada no tráfego do site de uma marca. Aproveitar esse conjunto de dados mais amplo reforça a abrangência e a precisão das previsões, que podem incluir e aprender com atributos não vistos no histórico pessoal de um usuário.

 

Mais sobre os detalhes da ciência dos dados

Interessado em saber mais sobre a ciência de dados por trás de todos esses avanços?

Aqui estão algumas das forças em jogo:

Um modelo de rede neural recorrente (RNN)

Com base em uma arquitetura de rede neural recorrente de memória de longo e curto prazo (LSTM), este tipo de RNN (ao contrário das redes neurais feedforward tradicionais) é ideal para tarefas que envolvem dados de séries temporais, como análise de comportamento do usuário e previsão baseada em sua capacidade de capturar dependências de curto e longo alcance e padrões sequenciais.

A sua força distinta reside no processamento de sequências de interação enquanto mantém uma memória de interações passadas, o que é crucial para reconhecer a mudança gradual nas preferências de um utilizador ou o surgimento de tendências sazonais. Isto é especialmente importante para atividades como a otimização de recomendações de produtos, a previsão de churn e a personalização de campanhas de marketing.

A eficiência do treinamento e avaliação de modelos

O modelo é tão bom quanto o treinamento que recebe. O treinamento suficiente é um processo multifacetado para decodificar e prever com precisão o comportamento do usuário, incluindo:

  • Segmentação do conjunto de dados de treinamento em intervalos de datas – distinguindo efetivamente entre um período histórico que abrange vários meses e um período de destino que engloba algumas semanas, culminando no evento de destino fundamental do usuário.
  • Pré-processamento e simplificação do conjunto de dados – A eficiência do treinamento é aumentada pela eliminação de interações redundantes, bem como daquelas que são menos significativas ou que ocorreram há mais tempo, para priorizar os dados que têm maior significado para a afinidade atual do usuário.
  • Geração de insights do usuário por meio de eventos e vetores alvo – A interação mais significativa com o produto em um período definido é selecionada como o evento alvo do usuário, com cada atributo de afinidade relevante traduzindo-se em um vetor alvo separado, ajudando a entender as preferências do usuário.
  • Avaliação rigorosa da precisão, da cobertura e do sucesso – Independentemente dos dados de treinamento, é feita uma comparação meticulosa entre o perfil de afinidade previsto e os valores dos atributos associados ao evento-alvo, esclarecendo a cobertura do modelo e sua capacidade de alinhar as previsões às interações e preferências reais dos usuários.

O culminar deste processo abrangente é o resultado de um novo e sofisticado modelo: um perfil de afinidade de usuário com previsões mais precisas do que nunca.

 

Um mundo totalmente novo de perfil de afinidade preditiva

Avanços em aprendizado de máquina, processamento de linguagem natural e aprendizado profundo inauguraram um período transformador no perfil de afinidade. Sistemas de personalização e as equipes que dependem deles agora poderão entender as preferências e comportamentos de seus usuários com uma precisão preditiva sem precedentes, levando a uma melhor fidelidade do cliente, aumento nas vendas e um cenário digital mais imersivo.

Contact sales

Talk to an expert to learn how Mastercard can enhance your business through our products and services.

Mastercard