아마존 페이먼츠가 아마존 세이지메이커AI에서 다목적 맥락적 밴딧(contextual bandit)을 활용해 고객 획득 퍼널 전반의 전환율을 높인 사례를 AWS 기술 블로그에 공개했다. 생성형 AI로 콘텐츠 변형을 대량 생성한 뒤, 신청 시작·제출·승인 등 퍼널의 각 단계마다 LinUCB 모델을 두고 가중합으로 결합해 한 단계만 최적화할 때 다른 단계가 악화되는 '시소 문제'를 해결했다. 7주간 진행한 온라인 A/B 테스트에서 한 고객군은 최종 전환율이 한 자릿수 후반대로 유의미하게 개선됐지만, 다른 고객군은 기존 경험 대비 개선이 없었는데 이는 모델이 아니라 콘텐츠 풀 자체의 한계 때문이었다고 분석했다. 매주 배치로 돌아가는 세이지메이커AI 처리 작업과 다이나모DB 상태 저장을 결합한 서버리스 구조로 운영되며, 추천이 없는 방문자는 기본 화면으로 폴백되도록 설계해 안전성을 확보했다.
- •아마존 페이먼츠가 다목적 맥락적 밴딧(LinUCB)으로 고객 획득 퍼널 전체 전환율을 최적화했다.
- •신청 시작·제출·승인 등 단계별 모델을 가중합으로 결합해 한 단계 최적화가 다른 단계를 해치는 '시소 문제'를 해결했다.
- •7주 A/B 테스트에서 한 고객군은 전환율이 한 자릿수 후반대로 개선됐고, 다른 고객군은 콘텐츠 풀 한계로 개선이 없었다.
- •매주 배치로 도는 세이지메이커AI 처리 작업과 다이나모DB로 서버리스 구조를 구현했다.
- •추천이 없는 방문자는 기본 화면으로 폴백되도록 설계해 다운사이드를 제한했다.
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Uplifting conversion across the acquisition funnel with personalization using contextual bandits on AWS
- 1.Amazon Payments, LinUCB 기반 멀티목적 컨텍스추얼 밴딧으로 결제상품 가입 퍼널을 개인화
- 2.7주 A/B 테스트서 한 고객군은 최종단계 전환율이 한 자릿수 중반대 상승, 다른 군은 개선 없음
- 3.시작·제출·승인 3단계별 LinUCB 점수를 가중합산해 한 단계 최적화가 다른 단계를 악화시키는 '시소 문제' 해결
- 4.SageMaker AI 주간 배치작업으로 모델 갱신, DynamoDB 저지연 키-값 스토어로 추천을 서빙
왜 중요한가?
생성형 AI로 콘텐츠 변형이 급증하는 시대에, 어떤 변형을 누구에게 보여줄지 결정하는 컨텍스추얼 밴딧이 차세대 최적화 계층이 될 수 있음을 실제 금융 퍼널 A/B 테스트로 입증했다.
본문 미리보기
Generative AI makes it cheap to produce personalized content at scale, but which variation do you show each customer? Amazon Payments used a multi-objective contextual bandit on Amazon SageMaker AI to personalize an acquisition funnel, achieving a high single-digit conversion lift for one audience, and learning why content, not the model, was the constraint.
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 11:02AI 초안
