Skip to main content
Allocazione dinamica del traffico vs algoritmi predittivi

Allocazione dinamica del traffico vs algoritmi predittivi: la personalizzazione efficace

28 April 2020
Tempo di lettura : 
6 minuti
Frédéric De Todaro  Kameleoon
Frédéric De Todaro
Frédéric is Chief Product Officer and directs product strategy at Kameleoon. Focussed on continuously improving our A/B testing and personalization platform, he shares his advice on how to best deploy our technology and use it to positively impact digital conversions.

L'anno scorso abbiamo lanciato Kameleoon Predict™, una soluzione che sfrutta gli algoritmi predittivi di Machine Learning per migliorare e scalare la personalizzazione dell'esperienza digitale per ogni visitatore. Un elemento chiave è il Kameleoon Conversion Score (KCS™) - una metrica unica con la quale misurare le intenzioni di conversione di tutti i visitatori in real-time e che permette ai marketer e ai team product di impostare e avviare determinate azioni automatizzate.

In questo articolo andremo a spiegare il valore degli algoritmi di machine learning nella personalizzazione e come questo approccio differisca da strategie alternative come allocazione dinamica del traffico, segmentazione e A/B testing/sperimentazione.

Andremo a evidenziare le differenze più rilevanti - mentre gli algoritmi di machine learning sono perlopiù people-centric, l'allocazione dinamica del traffico offre un approccio statistico che non prende in considerazione gli interessi e le necessità dei visitatori individuali. Questo spiega perché gli algoritmi di machine learning portano a un maggior engagement e maggiore conversion rate, rendendo l'approccio predittivo la chiave del successo dei progetti di personalizzazione.

Allocazione dinamica del traffico vs algoritmi predittivi

L'allocazione dinamica del traffico (o multi-armed bandit) è un approccio che permette alle piattaforme di sperimentazione di gestire l'allocazione del traffico automaticamente, basandosi sulla performance di ciascuna variante.

In questo articolo andremo ad analizzare nel dettaglio le differenze fra il metodo multi-armed bandit e gli algoritmi predittivi con un focus sul valore creato per marketer e visitatori.

Iniziamo con un esempio semplicissimo: un marketer del settore media vuole testare fino a 5 titoli diversi per un articolo di approfondimento che verrà inserito nella homepage. C'è un buon volume di traffico, che significa che ciascuno di questi verrà visto da milioni di visitatori ogni giorno prima che l'articolo venga tolto dalla pagina.

In questo caso è possibile usare diversi metodi per portare avanti questo esperimento e massimizzare il numero di visualizzazioni del nostro articolo.

1 Sperimentare con l'A/B testing

Questo è l'approccio tradizionale nel quale creiamo il nostro esperimento con 5 varianti (titoli). Lasciamo che sia il motore di A/B testing a dividere il traffico fra ogni variante in modo casuale, cosicché un quinto del traffico totale della homepage sia esposto a uno dei cinque titoli. Lasciamo attivo l'esperimento ancora per qualche giorno e vediamo quale titolo ottiene il maggior numero di numero di visualizzazioni.

A/B Testing split of trafficDashboard che mostra la divisione del traffico con A/B/n testing tradizionale

Il problema di questo approccio è il non essere in grado di fare leva sulla grande mole di dati generati durante l'esperimento per migliorare e ottimizzare il traffico inviato a ciascuna variante.  Quindi il numero totale di visite non spingerà il numero totale di visualizzazioni, in quanto tanti visitatori vedranno i titoli meno performanti. In questo caso può aiutare un approccio multi-armed bandit.

2 Il metodo Multi-Armed Bandit

In questo approccio il traffico è diviso in modo casuale fra ciascuna variante come in un classico esperimento A/B/n. Ma gli algoritmi multi-armed bandit inizieranno a muovere il traffico fra le varianti sulla base della performance durante l'esperimento, a significare che alla fine verrà mostrato il titolo statisticamente più performante a tutti i visitatori.

Dynamic Traffic Allocation split of traffic

La dashboard che mostra una divisione dinamica del traffico ottimizzata per performance attraverso il metodo multi-armed bandit

Il principale vantaggio di questo metodo sta nel prendere in considerazione dati in real-time, mentre l'esperimento è in corso per ottimizzare le performance del KPI principale (visualizzazioni dell'articolo).

A ogni modo, il limite di un approccio multi-armed bandit sta nel non prendere in considerazione le performance di ciascun visitatore e nell'essere piuttosto incentrato nel massimizzare la performance del titolo basandosi su preferenze globali e ignorando le scelte individuali o i bisogni particolari di ciascun visitatore. Quindi, se un gruppo particolare preferisce un titolo rispetto agli altri, ma questa non è l'opinione della maggioranza, vedrà comunque il titolo più popolare globalmente, non quello che attira di più il segmento.

3 La segmentazione/il metodo di personalizzazione manuale

Per superare questo problema è possibile raggiungere un livello più profondo di ottimizzazione attraverso la personalizzazione/segmentazione manuale, che espone diversi gruppi di visitatori a diversi titoli. Potremmo per esempio volere che gli utenti provenienti da Facebook vedano il primo titolo, mentre quelli da Twitter il secondo, o ancora diversificare il titolo sulla base della posizione geografica dei visitatori o sulla base del dispositivo utilizzato.

Dynamic Traffic Allocation manual segmentation

Nel mentre in cui il multi-armed bandit è incentrato sulle statistiche globali per massimizzare la performance, la segmentazione manuale prende in considerazione il comportamento e le preferenze di ciascun visitatore e le utilizza per assegnarli a un segmento particolare: viene quindi mostrato il titolo che combacia perfettamente con i requisiti di quel segmento. Certamente quest'approccio sembra essere più sensato, ma in molti casi non è ben scalabile, soprattutto in relazione ai tempi ristretti: non c'è abbastanza tempo per analizzare la performance e le preferenze di ciascun segmento prima che l'articolo venga tolto dalla homepage, dopo qualche giorno. Di conseguenza potremmo ritrovarci a indovinare o a utilizzare vecchi dati per creare segmenti di visitatori per ogni titolo, con risultati incerti. Ecco perché utilizzare gli algoritmi predittivi può fare una grande differenza.

4 La metodologia predittiva (automatizzata)

Gli algoritmi predittivi permettono ai marketer e ai team product di andare oltre a ciascuno degli approcci precedenti. L'obiettivo è sempre ottenere la performance migliore per il KPI (in questo caso le visualizzazioni dell'articolo) tenendo però in considerazione i bisogni di ciascun visitatore e il suo comportamento in real-time. Facendo affidamento sul flusso di dati comportamentali e sui dati "caldi" (storici o creati durante la navigazione) gli algoritmi predittivi trovano correlazioni fra i visitatori e apprendono quali sono quelli che portano a un'azione sul sito - in questo caso la lettura dell'articolo.

Nel settore dei media gli algoritmi predittivi possono essere la svolta se comparati alle altre metodologie, mostrando automaticamente il titolo migliore per ciascun visitatore, o, per meglio dire, quello che con maggiore probabilità lo porterà a leggere l'articolo, per una performance ottimale. Il titolo che vedranno non sarà basato né sul loro segmento, né sul titolo più popolare a livello generale.

The Kameleoon Conversion Score (KCS)

Il Kameleoon Conversion Score (KCS)

Il Kameleoon Conversion Score™ (KCS™) è una metrica azionabile e visibile che offre un KPI chiaro per la personalizzazione AI.

Funziona calcolando un punteggio per ogni visitatore in real-time, basato su una scala da 1 a 100:

  • un KCS di 1 significa che il visitatore ha la più bassa probabilità di convertire comparato agli altri visitatori
  • un KCS di 100 significa che c'è la possibilità più alta di conversione rispetto agli altri visitatori

Il KCS è mostrato come un grafico di conversione, con un colore che va da blu (basso/freddo) a rosso (alto/caldo): questo lo rende semplice da capire e analizzare per avviare azioni di conseguenza. Puoi selezionare un range specifico e approfondirlo, per poi utilizzarlo per creare un nuovo segmento da targettizzare.

Il KCS offre tanti dati, ma aiuta anche i marketer a capirlo in termini di business. Kameleoon suggerisce automaticamente il range dal maggiore potenziale, evidenziato con delle flag, identificando le opportunità più grandi: queste potrebbero non avere il range più alto (cioè vicino a 100), che convertirebbe comunque, ma potrebbe avere un range più basso che potrebbe offrire il miglior ROI. Essenzialmente, l'algoritmo AI mostra le opportunità, ma sei tu ad avere il controllo di tutte le azioni che scegli di seguire e di come farlo con segmenti specifici.

In molti casi gli algoritmi predittivi sono simili ai multi-armed bandit, in quanto entrambi hanno lo stesso obiettivo finale: raggiungere risultati di conversione nel modo più veloce ed efficace possibile. La filosofia alla loro base tuttavia è agli opposti: nel mentre in cui nell'approccio multi-armed bandit il focus è sull'invio dinamico della variante più performante al visitatore, gli algoritmi predittivi apprendono in real-time che cosa stanno cercando i visitatori per spingere sul migliore contenuto per loro, portando a un engagement più profondo e a conversioni per ogni visitatore.

La personalizzazione predittiva offre un nuovo modo per condividere case history sul business, permettendo ai marketer di offrire contenuto personalizzato per ciascun visitatore in real-time, invece di mostrare semplicemente il contenuto che statisticamente performa meglio fra tutti i visitatori. Per questo crediamo che gli algoritmi predittivi siano quelli che portano a iniziative di ottimizzazione di successo.

 

ebook-ai-personalization
Temi trattati in questo articolo
Frédéric De Todaro  Kameleoon
Frédéric De Todaro
Frédéric is Chief Product Officer and directs product strategy at Kameleoon. Focussed on continuously improving our A/B testing and personalization platform, he shares his advice on how to best deploy our technology and use it to positively impact digital conversions.