خلف الورقة: تكتشف يودي تشانغ طريقة أكثر دقة لتحليل رحلة العميل

غالبًا ما يستعرض العملاء الذين يتسوقون على Amazon مجموعة واسعة من الخيارات قبل اتخاذ قرار الشراء. متى ولماذا يقرر العميل تقديم طلبه؟ تهتم يودي تشانغ بكيفية ترجمة تجربة التسوق إلى عمليات شراء.

في ورقة بحثية قُبلت في ورشة عمل AI4Differential Equations in Science ضمن المؤتمر الدولي لتمثيلات التعلُّم 2024، قدمت تشانغ وزملاؤها نهجًا مبتكرًا لمشكلة تقدير الأجزاء الأكثر أهمية في رحلة العميل. كُتبت الورقة أثناء عمل تشانغ كعالمة تطبيقية في Amazon Web Services‏ (AWS)، التي انضمت إليها في خريف 2023.

وفي يوليو 2024، انضمت تشانغ، الحاصلة على درجة الدكتوراة في الإحصاء من جامعة ولاية آيوا، إلى Amazon Ads كعالمة تطبيقية. هنا، تتحدث عن الورقة البحثية واهتماماتها البحثية.

أعتقد أن ما يدرسه الناس هنا مثير للاهتمام حقًا. فهو يوفر بيانات غنية تمكّنني من العمل على أنظمة التوصية المتقدمة والتخصيص، مما يؤثر بشكل مباشر على تجربة العملاء. توجد هذه الأنظمة في العديد من الشركات الكبرى، لذا فإن الإعلانات تعدّ مكانًا رائعًا للنمو المهني. كما تستثمر Amazon في الباحثين من خلال دعم المؤتمرات والأبحاث، مما يبقينا في طليعة مجال الإعلانات، خاصة مع النمو الكبير الذي يشهده هذا القطاع مؤخرًا.

ينصبّ تركيزي الأساسي على أنظمة التوصية والتخصيص، حيث أطور نماذج وخوارزميات لعرض المنتجات التي قد تهمّ العملاء. تتكوّن أنظمة التوصية عادةً من جزأين. الجزء الأول هو الاستدعاء، حيث نقوم بجلب أكبر عدد ممكن من المنتجات ذات الصلة لعرضها على العميل. والجزء الثاني هو الترتيب، حيث توجد لدينا مجموعة من المنتجات التي نريد وضعها في ترتيب معين حتى ينقر المزيد من الأشخاص على الإعلانات الأكثر ملاءمة لهم. أنا أعمل حاليًا على جزء الاستدعاء.

تركّز الورقة على انتساب اللمس المتعدد، وهو مجال بحثي يسعى لفهم رحلات العملاء وتحديد التفاعلات التي تساهم بشكل أكبر في تحقيق التحويل النهائي، سواء كان ذلك نقرة أو عملية شراء. في بيئة البيع بالتجزئة الرقمية، يتفاعل العملاء مع عدة نقاط تواصل قبل اتخاذ قرار الشراء، مثل: مشاهدة بعض الإعلانات وتصفح بعض صفحات المنتجات وقراءة المراجعات. جميع هذه التفاعلات تُعتبر نقاط تواصل.

تقليديًا، تعتمد النماذج على انتساب نقطة التواصل الأخيرة أو انتساب نقطة التواصل الأولى، أي أنها تعطي الأهمية الكبرى لأول أو آخر خطوة في رحلة العميل نحو التحويل. لكن في الواقع، رحلة العميل معقدة للغاية. وغالبًا ما تكون نقاط التواصل في المنتصف أكثر تأثيرًا في قرارات العملاء من النقاط الأولى أو الأخيرة. لذلك سعت الورقة إلى تقديم نموذج أكثر شمولاً لفهم كيفية تفاعل هذه النقاط معًا عبر رحلة العميل بأكملها.

أعتقد أن الجزء الأكثر إثارة في الورقة البحثية هو استخدام آلية الانتباه لنمذجة الانتساب. في النموذج التقليدي متعدد الانتساب، يتم التعامل مع كل تفاعل بشكل معزول أو يُمنح كل تفاعل وزنًا متساويًا. أما آلية الانتباه، فتنظر إلى تسلسل نقاط التواصل بالكامل وتُقيّم أهمية كل نقطة ديناميكيًا ضمن رحلة العميل. العديد من الأدوات المعتمدة على الذكاء الاصطناعي اليوم تعتمد على آلية الانتباه، وهي طبقة يمكنها تحديد النقاط الأكثر أهمية ضمن البيانات الضخمة. وقد أثبتت فعاليتها في مهمة الانتساب الخاصة بنا.

هذا جزء من الورقة البحثية، والجزء الآخر هو المعادلة التفاضلية العادية العصبية (ODE). قد تعتمد الأنواع الأخرى من النماذج على السلاسل الزمنية لنمذجة رحلة العميل، حيث يُفترض أن كل خطوة تحدث في فواصل زمنية منتظمة نسبيًا. لكن في الواقع، الفواصل الزمنية في رحلة العميل قد تختلف بشكل كبير. قد تنظر إلى شيء اليوم، ثم إلى شيء آخر بعد 10 ثوانٍ—أو بعد 10 أيام. يتميز نموذج ODE بقدرته على التقاط هذه الفجوات الزمنية غير المنتظمة.

لقد اختبرنا النموذج على تفاعلات العملاء مع قنوات التسويق المختلفة لـ AWS، مثل البحث المدفوع والبحث الطبيعي، وحاولنا تحديد أي قناة كانت الأكثر تأثيرًا في تحقيق التحويلات. وقد تفوّق النموذج بشكل ملحوظ على أساليب الانتساب التقليدية.

على الرغم من أن البحث ركّز على قنوات التسويق الخاصة بـ AWS، فإن هذه المنهجية قابلة للتطبيق على الإعلانات أيضًا. ويشمل التأثير ثلاثة مجالات رئيسية. أولاً، يساعدنا فهم تسلسل وتوقيت تفاعلات العملاء في تحديد أي الإعلانات تعمل بشكل أفضل معًا وبأي ترتيب. يمكن أن تدعم هذه المعرفة الاستراتيجيات التي تعمل على تحفيز جذب الاهتمام من خلال الإعلانات التي تركز على الوعي ثم توجيه العملاء المحتملين إلى الإعلانات التي تعمل على تعزيز التحويلات. ثانيًا، يساعد فهم مدى فعالية كل نقطة تواصل المُعلنين على تخصيص حملاتهم بدقة أكبر. على سبيل المثال، يمكننا توجيه الإعلانات للعملاء الذين أظهروا تفاعلاً كبيرًا مع أنواع معينة من الإعلانات والمحتوى، مما يعزز من مدى ملاءمة وتأثير كل نقطة تواصل ضمن رحلة العميل. وثالثًا، مع جمع المزيد من البيانات حول كيفية تأثير نقاط التواصل المختلفة على سلوك العملاء، يمكننا بناء نماذج تنبئية تقدّر تأثير الحملات الإعلانية المحتمل قبل إطلاقها.

تتمتع Amazon Ads بتأثير واسع، مع مرونة لاستكشاف أفكار مبتكرة، كما أن القسم يساهم بشكل كبير في نمو الشركة ككل، وهو أمر مشوّق للغاية. لديّ إمكانية الوصول إلى مجموعات بيانات عالية الجودة، وهو ما يعدّ أمرًا بالغ الأهمية لبناء نماذج تعلم آلي قوية. يسمح هذا لي بإجراء تجارب باستخدام تقنيات متقدمة، مما يجعل التجربة هنا ثرية للغاية.

بالإضافة إلى ذلك، يعمل العلماء في قسم الإعلانات بشكل تعاوني، حيث توجد لدينا شبكة لمشاركة الأفكار وتسريع الابتكار. فعلى سبيل المثال، في مشروع لأنظمة التوصية، قد يتعاون المتخصصون في التعلم الآلي مع خبراء في معالجة اللغة الطبيعية أو الاستدلال السببي لإنشاء حلول متكاملة. نحن نراجع النماذج بشكل منتظم، ونتحقق من النتائج، ونستكشف البدائل لضمان الدقة والكفاءة. ونعمل أيضًا بشكل عملي مع مهندسي البرمجيات لدمج النماذج في البنية التحتية لشركة Amazon، مع تحسينها للأداء الفوري وقابلية التوسع. كما نتعاون مع مديري المنتجات لضمان توافق النماذج مع أهداف النشاط التجاري، مما يؤثر مباشرةً على تجربة المستخدم وجذب الاهتمام.

Amazon لديها الكثير من الأشخاص الموهوبين، ويمكنك تعلم الكثير في عملية التعاون معهم.

أرغب في تعزيز قابلية تفسير نماذجنا، مع التركيز على الشفافية بحيث لا يقتصر دور المُعلنين على رؤية مقاييس الأداء فحسب، بل فهم الأسباب الكامنة وراء هذه الرؤى والتحليلات. إذا تمكنا من تقديم تفسيرات أوضح للمُعلنين، فسنتمكن من توفير تجربة أكثر قيمة وملاءمة للعملاء أيضًا.