官方來源· AWS Artificial Intelligence· AI· 發布於 2026年10月1日

Amazon Payments 以 SageMaker AI 情境式 bandit 個人化獲客流程，單一受眾轉換率提升高個位數

AWS 分享 Amazon Payments 的個人化案例：團隊以 Amazon SageMaker AI 上的多目標情境式 bandit 調整獲客流程內容，並在一個受眾群體取得高個位數的轉換率提升。案例也指出，限制因素在內容，而非模型。

完整報導

AWS 分享 Amazon Payments 如何運用 Amazon SageMaker AI 上的多目標情境式 bandit，為獲客流程個人化內容。AWS 指出，生成式 AI 讓大規模產製個人化內容的成本降低，但仍需判斷向不同客戶呈現哪一種內容版本。

這項做法在一個受眾群體帶來高個位數的轉換率提升。AWS 也表示，團隊從案例中發現，真正的限制在內容，而非模型；因此，個人化成效不只取決於選擇方法，也與可供選擇的內容有關。

這個案例同時呈現成效與適用範圍：AWS 報告的高個位數提升限於一個受眾群體，而內容被指出是瓶頸。對評估個人化流程的團隊而言，這提醒他們不能只看模型，也要檢視內容素材是否足以支援不同受眾。

先看主要證據，再查看佐證來源與來源脈絡。

1 則

官方AWS Artificial Intelligence文件2026/10/1原始來源
Uplifting conversion across the acquisition funnel with personalization using contextual bandits on AWS
Chidi Prince John
“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.”