Cara Amazon Dongkrak Konversi Sales Pakai AI di SageMaker
Amazon Payments nyobain contextual bandit di SageMaker buat personalisasi funnel akuisisi — hasilnya kenaikan konversi di satu populasi, tapi nggak di populasi lain. Ini pelajarannya.
· 10 menit baca

Inti singkat
- Amazon Payments pakai contextual bandit LinUCB di SageMaker buat personalisasi funnel akuisisi, bukan cuma satu halaman landing.
- Dalam uji A/B tujuh minggu, satu populasi pelanggan dapat kenaikan konversi tahap akhir funnel sampai single digit tinggi.
- Model menggabungkan skor tiga tahap funnel — start, submit, approve — biar nggak menang di satu metrik tapi kalah di metrik lain.
- Algoritma cuma separuh cerita — kualitas kumpulan konten (arm) yang nentuin apakah personalisasi bisa ngalahin versi default.
- Amazon kasih kode sumber terbuka di GitHub buat yang mau nyobain pendekatan ini pakai data sintetis.
Daftar isi8 bagian
- 01
- 02
- 03
- 04
- 05
- 06
- 07
- 08
Amazon Payments berhasil naikin konversi di funnel akuisisi pelanggan pakai teknik AI namanya contextual bandit yang jalan di Amazon SageMaker. Dalam uji coba A/B selama tujuh minggu, satu kelompok pelanggan ngalamin kenaikan konversi tahap akhir funnel sampai angka single digit tinggi — sementara kelompok lain nggak ngerasain peningkatan sama sekali.
Menurut postingan resmi AWS Machine Learning Blog, masalah generative AI sekarang bukan lagi "gimana bikin konten personal banyak-banyak" — itu udah kelar. Masalah barunya: dari segudang variasi konten yang udah dibuat AI, mana yang paling pas ditampilin ke tiap pengunjung, dan seberapa cepat kita bisa tau jawabannya? Nah, di sinilah contextual bandit masuk.
Checklist gratis · gratis
Checklist 30 Hari Belajar AI untuk Kerja
Rencana harian 15–30 menit untuk menjadikan AI kebiasaan kerja, lengkap dengan tracker waktu yang dihemat.
- Rencana 30 hari yang bisa dicicil 15–30 menit sehari
- Checklist harian dari fondasi sampai workflow
- Tracker untuk mengukur jam kerja yang dihemat
- Ide portofolio untuk menunjukkan skill AI-mu
Apa itu Contextual Bandit dan Kenapa Penting Buat Konversi Sales?
Multi-armed bandit (MAB) itu metode reinforcement learning yang dibuat buat situasi dengan banyak pilihan tapi traffic terbatas. Tiap variasi konten dianggap satu "arm" (lengan), dan sistemnya terus nyoba tiap arm ke traffic asli sambil pelan-pelan ngarahin lebih banyak tampilan ke arm yang terbukti menang.
Bedanya sama A/B testing biasa: A/B/n testing bagi traffic rata-rata ke semua varian dan nunggu sampai hasilnya dianggap valid secara statistik. Bandit nggak nunggu — dia belajar sambil jalan, dan karena nggak pernah berhenti belajar, dia tetap bisa nambah varian baru kapan aja tanpa mulai dari nol.
Amazon Payments pilih strategi Upper Confidence Bound (UCB), yang milih arm dengan estimasi hasil terbaik plus "bonus ketidakpastian". Cara pilihnya deterministik, jadi tiap keputusan bisa dijelasin dan diulang kalau perlu diaudit — penting banget buat tim bisnis yang harus bisa jawab "kenapa sistem nampilin ini ke customer A?".
Tapi bandit biasa cuma belajar satu pemenang buat semua orang. Buat personalisasi beneran, sistemnya harus tau siapa yang lagi ngunjungin — dan itu yang dikasih sama contextual bandit: alih-alih nanya "konten mana yang paling bagus secara umum?", dia nanya "konten mana yang paling cocok buat orang kayak ini?" berdasarkan sinyal perilaku (pola pembayaran, jenis transaksi, dan semacamnya), bukan ID customer-nya langsung.
LinUCB: Gimana Amazon Payments Mikirin Tiap Pengunjung
Amazon Payments pakai LinUCB (Linear UCB), algoritma dari Li et al. (2010). Meski udah ada metode bandit yang lebih baru, LinUCB tetap dipilih karena hemat komputasi, mudah diaudit, dan tetap jalan baik meski data awalnya masih dikit.
Intinya, tiap arm nyimpen dua "buku catatan" yang terus di-update setiap ada tampilan: satu nyatet sinyal pengunjung mana yang berujung konversi, satu nyatet pengunjung macam apa yang udah pernah dilihat arm itu. Dari dua catatan ini, sistem ngitung skor yang gabungin estimasi hasil plus bonus eksplorasi — makin jarang arm ketemu tipe pengunjung tertentu, makin besar bonusnya buat dorong eksplorasi ke sana.
Ada satu parameter penting namanya alpha, yang ngatur seberapa agresif sistem eksplorasi dibanding eksploitasi. Nilai default 1,0 dianggap wajar, tapi di praktiknya Amazon nyaranin mulai dari nilai lebih tinggi kalau jumlah variasi masih banyak dan data historis masih sedikit, lalu diturunin pelan-pelan — rentang umumnya 0,1 sampai 2,0.
Masalah Seesaw: Optimasi Funnel B2B, Bukan Cuma Satu Metrik
Di kasus Amazon Payments, perjalanan customer ada tiga tahap: mulai aplikasi, submit, dan approval. Masalahnya, optimasi satu tahap doang bisa bikin tahap lain anjlok — mereka nyebut ini "seesaw problem". Konten yang bagus buat narik orang mulai aplikasi belum tentu bikin approval-nya tinggi, karena approval tergantung seberapa cocok penawaran itu buat orangnya.
Solusinya: Amazon jalanin satu model LinUCB per tahap funnel (start, submit, approve), lalu gabungin ketiga skornya lewat kombinasi linear dengan bobot tertentu buat tiap tahap. Mereka pakai bobot kira-kira sama rata buat ketiganya. Ini yang bikin pendekatannya relevan buat optimasi funnel B2B secara umum — nggak cuma ngejar klik awal, tapi ngejar hasil akhir yang beneran nentuin nilai bisnis.
Tim ini bahkan ngetes sendiri sebelum deploy: kebijakan yang dioptimalkan buat satu tahap doang konsisten nurunin metrik di tahap lain. Cuma formula multi-objective yang bisa jaga hasil positif di ketiga tahap sekaligus.
| Metode | Gimana Kerjanya | Kelemahan |
|---|---|---|
| A/B/n testing | Bagi traffic rata, tunggu hasil dianggap valid | Lambat kalau jumlah varian makin banyak |
| Multi-armed bandit (UCB) | Terus belajar sambil jalan, condong ke arm yang menang | Cuma punya satu pemenang buat semua orang |
| Contextual bandit (LinUCB) | Mempertimbangkan sinyal tiap pengunjung lewat context vector | Butuh fitur yang relevan dan data konteks yang cukup |
| Multi-objective contextual bandit | Gabungin skor dari tiap tahap funnel | Butuh bobot per tahap dan atasi feedback yang delay |
Gimana Amazon Payments Jaga Konten Tetap Aman Walau Variasinya Banyak?
Bandit cuma sebagus pool konten yang dikasih ke dia. Amazon Payments nyusun konten dari dua jenis bagian: gambar bertema industri dan tagline yang fokus ke satu benefit. Arm-nya adalah hasil kombinasi (Cartesian product) dari dua bagian ini, jadi dari sedikit building block bisa muncul banyak banget variasi halaman.

Trik ini bikin personalisasi tetap bisa diawasi meski kombinasinya numpuk: yang di-review cuma bagian-bagiannya, bukan tiap kombinasi (yang jumlahnya bisa meledak). Desain sistem juga dipagerin pakai design system — warna, layout, komponen yang udah disetujui — jadi variasi tetap konsisten sama brand, bukan kebetulan.
Menariknya, Amazon lihat di sini ada potensi besar buat makin ngegedein pool konten pakai generative AI buat bikin lebih banyak teks, gambar, dan layout. Generative AI ngelebarin pilihan kontennya, dan bandit nyari kombinasi mana yang paling ngena buat tiap orang — dua teknik ini saling melengkapi, bukan saling gantiin.
Kalau kamu lagi bangun pipeline serupa — pakai generative AI buat bikin variasi tagline atau copy produk — kamu bisa coba lewat Classai Router pakai model kayak GPT-4o mini (Rp900 / Rp3.500 per 1 juta token) atau Claude Haiku 4.5 (Rp160 / Rp800 per 1 juta token) buat generate puluhan variasi copy dengan cepat dan murah, sebelum di-vetting manual sebelum masuk pool arm.
Kamu adalah copywriter funnel akuisisi buat produk kartu kredit UMKM.Bikin 8 tagline singkat (maks 10 kata) yang masing-masing fokus di satu benefit berbeda:bebas biaya tahunan, cashback belanja, limit instan, approval cepat.Tulis dengan gaya santai buat target audiens pelaku usaha kecil Indonesia.
Arsitektur di AWS: dari S3 ke SageMaker, Sampai Nyampe ke Halaman Customer
Amazon Payments pakai Amazon SageMaker AI sebagai tulang punggung pipeline-nya, dengan pola batch bukan real-time — soalnya feedback-nya baru kelihatan setelah berhari-hari (approval), dan perilaku pengunjung nggak berubah secepat itu sampai butuh update model tiap detik.

Prosesnya jalan mingguan: job SageMaker AI Processing baca hasil minggu sebelumnya dari S3, update model-nya pakai update incremental, lalu nilai ulang semua prospek buat milih arm yang cocok. Model yang udah di-update ditulis balik ke S3 dengan path bertanggal baru — jadi otomatis punya riwayat versi dan gampang di-rollback kalau ada yang salah.
Hasil rekomendasi per customer disimpan di key-value store berlatensi rendah seperti Amazon DynamoDB. Pas customer dateng, halamannya cuma butuh satu lookup berdasarkan ID, nggak ada inferensi model real-time. Kalau nggak ada rekomendasi buat pengunjung tertentu, halaman otomatis balik ke versi default statis — jadi nggak ada customer yang dapat pengalaman lebih buruk dari baseline.
Untuk yang penasaran soal pola kerja serupa pakai SageMaker, Classai juga pernah bahas fine-tuning search agent di SageMaker yang punya logika batch processing yang nggak jauh beda.
Pelajaran Penting: Algoritma Cuma Separuh Cerita
Dari hasil A/B test tujuh minggu, satu populasi pelanggan ngalamin kenaikan positif di ketiga metrik funnel, dengan kenaikan konversi tahap akhir sampai single digit tinggi secara relatif. Tapi di populasi kedua, model udah eksplorasi hampir seluruh pool arm-nya dan tetap nggak nemu kombinasi yang ngalahin halaman statis — bahkan sampai ada penurunan approval yang signifikan secara statistik.
Menurut tim AWS, ini bukan kegagalan model. Eksplorasi yang menyeluruh justru bisa mengonfirmasi bahwa pool kontennya memang nggak punya pemenang. Solusinya bukan ganti algoritma, tapi perbaiki atau perluas kontennya — di sinilah pipeline generative AI jadi penting buat terus nyuplai variasi baru.
Pelajaran lain yang disebut tim Amazon Payments:
- Kalau populasi pelanggan beda jauh karakteristiknya, latih model terpisah — jangan dipaksa satu model buat semua, karena kelompok yang lebih dominan bisa "menenggelamkan" sinyal dari kelompok lain.
- Masukin halaman default sebagai salah satu arm. Kalau nggak ada arm personalisasi yang menang, UCB otomatis condong balik ke default — jadi batas kerugiannya terjaga.
- Offline evaluation (replay kebijakan dibanding random di data historis) cuma jawab "apakah model lebih bagus dari acak?". Cuma A/B test asli yang bisa jawab "apakah personalisasi beneran ngalahin pengalaman yang udah ada?".
- Bobot (theta) yang dipelajari LinUCB itu bisa diinterpretasi — sinyal mana yang bikin orang lebih mungkin konversi di arm tertentu, dan ini jadi masukan langsung buat strategi konten.
Cara Nyobain Contextual Bandit Sendiri
Kalau kamu developer atau data scientist yang pengin coba pendekatan ini di kerjaan sendiri, ini langkah yang disaranin dari postingan AWS-nya:
- Buka console Amazon SageMaker AI dan kenalan sama fitur Processing job-nya.
- Baca SageMaker AI developer guide buat paham cara setup pipeline batch.
- Clone repo kode contohnya di GitHub — di dalamnya ada demo command-line dan unit test.
- Jalankan notebook walkthrough buat nyobain pendekatan ini pakai data sintetis, biar paham cara kerjanya sebelum dipasang ke data asli.
- Mulai dari warm-start pakai periode penyajian konten secara random, biar bandit-nya belajar dari data yang nggak bias dulu sebelum masuk mode eksplorasi-eksploitasi penuh.
Dampak Buat Bisnis dan Tim Sales di Indonesia
Buat tim sales dan marketing B2B di Indonesia, pendekatan kayak ini relevan banget kalau kamu udah mulai pakai generative AI buat bikin banyak variasi landing page, email, atau iklan — masalah selanjutnya yang pasti muncul ya sama: dari semua variasi itu, mana yang paling pas buat tiap calon customer?
Satu hal yang menarik dari studi ini: context vector-nya cuma berisi sinyal perilaku (pola transaksi, jenis pembayaran), bukan data identitas personal langsung — entity ID cuma dipakai buat rute pengiriman konten, bukan input model. Pendekatan ini relatif lebih aman dari sisi privasi data dibanding sistem yang nyimpen profil personal lengkap, yang relevan buat tim yang lagi mikirin kepatuhan UU PDP.
Buat UMKM yang belum punya tim data science, pendekatan penuh kayak LinUCB mungkin masih terlalu kompleks buat diterapkan sendiri. Tapi prinsip dasarnya — bikin banyak variasi konten dengan AI, lalu uji secara bertahap bukan sekaligus — bisa diadaptasi pakai tools yang lebih sederhana. Kalau kamu baru mulai adopsi AI di tim kecil, Classai punya panduan cara memulai AI di tim kecil dalam 30 hari yang bisa jadi titik awal sebelum masuk ke eksperimen yang lebih teknis kayak ini.
Kalau kamu pengin lebih dalem soal strategi personalisasi dan funnel sales pakai AI, kelas AI untuk Sales & Business Development dan AI untuk Pemilik Bisnis & UMKM dari Classai bisa bantu bikin kerangka eksperimen konten yang lebih sistematis buat tim kamu.
Intinya, eksperimen Amazon Payments ini ngasih sinyal jelas: generative AI udah ngilangin kendala di sisi produksi konten, tapi tantangan sekarang ada di sisi seleksi dan personalisasi — dan itu yang bakal makin relevan buat bisnis mana pun, termasuk yang skalanya jauh lebih kecil dari Amazon.
Sumber & referensi
- 01
Artikel ini ditulis ulang oleh Tim Classai dengan bantuan AI berdasarkan sumber di atas — bukan terjemahan. Ada yang keliru? Kabari kami di [email protected].
Pertanyaan yang sering ditanyakan
Apa itu contextual bandit dalam AI?
Contextual bandit adalah metode AI yang milih konten atau penawaran paling pas buat tiap pengunjung berdasarkan sinyal konteksnya, bukan cuma satu pemenang buat semua orang. Beda sama bandit biasa, contextual bandit nyesuain keputusan sesuai siapa yang lagi diajak interaksi.
Bedanya contextual bandit sama A/B testing apa?
A/B testing bagi traffic rata ke tiap varian dan nunggu sampai hasilnya dianggap valid secara statistik sebelum nentuin pemenang. Contextual bandit terus belajar sambil jalan, langsung mulai condong ke varian yang terbukti menang tanpa nunggu tes selesai, dan bisa beda keputusan buat tiap orang.
Gimana Amazon ngukur konversi sales pakai AI di SageMaker?
Amazon Payments pakai model LinUCB yang jalan di Amazon SageMaker AI buat menilai dan memilih konten paling cocok per pengunjung di tiap tahap funnel akuisisi. Hasilnya diukur lewat A/B test tujuh minggu yang ngebandingin versi personalisasi sama versi statis yang udah ada.
Apakah UMKM di Indonesia bisa pakai teknik kayak gini?
Teknik penuh LinUCB butuh infrastruktur data dan tim teknis yang lumayan, jadi belum tentu langsung cocok buat UMKM kecil. Tapi prinsip dasarnya — bikin banyak variasi konten dengan AI lalu uji secara bertahap — bisa diadaptasi pakai tools yang lebih sederhana sambil tetap jaga kualitas konten jadi fokus utama.
Apa risiko utama pakai bandit buat personalisasi funnel?
Risiko terbesarnya bukan di algoritmanya, tapi di kualitas kumpulan konten (arm) yang disediakan. Kalau nggak ada konten yang beneran lebih bagus dari versi default, bandit secara alami bakal balik ke versi default itu, tapi hasilnya ya nggak ada peningkatan apa-apa.

Classai Weekly
dari Luthfi · Setiap Senin, 06.30 WIB
Nggak sempat ngikutin berita AI? Biar aku yang rangkumin tiap Senin.
- 5 berita AI paling penting minggu ini — udah disaring, nggak perlu baca puluhan situs
- Kenapa itu penting buat kamu — plus opini jujur Luthfi soal arahnya
- 1 prompt siap pakai yang bisa langsung dicoba
- Pilihan kelas & model AI minggu ini — kadang ada promo khusus pelanggan
Langkah berikutnya
Sudah paham teorinya. Sekarang praktikkan.
Belajar langsung dengan studi kasus pekerjaanmu — dipandu langkah demi langkah, dalam bahasa Indonesia.
Ditulis oleh
Editor panduan AI untuk kerja
Tim Redaksi Classai menulis panduan memakai AI untuk pekerjaan sehari-hari profesional Indonesia. Setiap prompt dan langkah di artikel kami dicoba langsung di tools aslinya sebelum terbit, lalu diperbarui saat tools berubah.


