خلف الورقة: تستخدم كيلي بولسون الخوارزميات لتحديد فرص التعلم عبر وحدات الأنشطة التجارية

حصلت كيلي بولسون على وظيفة مع Amazon بعد تخرجها من المدرسة العليا. حصلت على درجة الدكتوراه في الاقتصاد من جامعة كاليفورنيا في سان دييغو ورأت في البداية أن الوظيفة "شيء ممتع" للقيام به قبل الانتقال إلى شيء آخر. لكنها أحبتها كثيرا ولم تقدر على المغادرة، وبعد 11 عامًا، شغلت منصب "المديرة الأولى للاقتصاديين والعلماء التطبيقيين" في Amazon Ads. فازت الورقة التي شاركت في تأليفها، قطاع الطرق الاندماجيين متعددي المهام لتخصيص الميزانية ، بجائزة أفضل ورقة في مؤتمر AdKDD لعام 2024. تناقش كيلي هنا الورقة وعملها في Amazon Ads.

انضممت إلى فريق Amazon Kindle في عام 2013 عندما كنت قد أكملت للتو أطروحتي، وكانت هذه هي السنة الأولى التي كانت تقوم فيها Amazon بتوظيف الاقتصاديين المبتدئين فور تخرجهم من المدرسة العليا. لقد انجذبت إلى البيانات. كنت أعمل على تقنيات إحصائية لتعلم كيفية اتخاذ الناس للاختيارات، وبالطبع، تمتلك Amazon بالفعل واحدة من أكبر مجموعات البيانات في عالم الأشخاص الذين يتخذون الخيارات.

في ذلك الوقت، كانت لدي عروض عمل في مجالات التكنولوجيا والحكومة والأوساط الأكاديمية، ولم أكن أتوقع البقاء في سياتل لفترة طويلة. ولكن نظرًا لأنني كنت مهتمًا بالحصول على خبرة عملية مع بيانات Amazon الغنية، فقد اعتقدت أنني سأؤجل عروضي وأقوم بشيء ممتع لمدة عام. بحلول نهاية ذلك العام، أحببت العمل حقًا وقررت البقاء. كنت أرغب في الانتقال إلى جزء من Amazon حيث كان هناك المزيد من الأشخاص الذين يفكرون في كيفية استخراج المعلومات من مجموعات البيانات الضخمة حقًا. لذلك انتقلت إلى Amazon Ads كأول عالم يعمل على قياس الأثر.

ركزت على فهم كيفية تأثر العملاء بالإعلانات وكيفية نقل هذه المعلومات إلى أنظمة تحسين الإعلان. تعتبر إشارات Amazon الفريدة أساسية لعرض القيمة المقترحة لدينا. عندما يرى المتسوق إعلانًا للأحذية، هل من المرجح أن يشتري تلك الأحذية؟ إذا أتيحت لنا الفرصة لعرض نفس الإعلان على متسوق مماثل غدًا، فهل يجب علينا القيام بذلك؟

لكن الجزء المهم من ذلك هو كيفية تلخيص الرؤى بطريقة مفيدة للمُعلنين. هل يمكننا إجراء حسابات العائد على الاستثمار مفيدة لهم؟ ما الذي يمكن أن يتعلموه عن حملات العودة إلى المدرسة التي يمكنهم دمجها في حملات العطلات لديهم؟

كانت تلك الأيام الأولى من التفكير في كيفية قيام Amazon بالتحسين المشترك بين المتسوقين والمُعلنين من خلال مساعدة المُعلنين على تقديم المزيد من المحتوى المفيد للمتسوقين في الوقت المناسب.

خلفيتي في نظرية الاقتصاد القياسي، مع التركيز بشكل خاص على النماذج السببية في التسويق الكمي. في الأعوام الماضية، كنت مهتمةً حقًا بكيفية تطوير إشارة سببية وإدخالها في مجموعة ذات نطاق أوسع من الأنظمة التي تتخذ قرارات التسويق.

هذا التقاطع بين قياس الأثر السببي والتعليم التعزيزي فريد جدًا بشركة Amazon. لدينا نطاق واسع لدرجة أننا نحتاج إلى استخدام الكثير من الأدوات مثل التعلم التعزيزي لاتخاذ القرارات. نحن شركة تعتمد على البيانات بشكل كبير، ونريد اتخاذ قرارات بناءً على الإشارات السببية، وليس الإشارات الارتباطية.

عادة ما تركز الشركات الأخرى على جانب واحد فقط. التقاطع مثير للاهتمام للغاية وسيكون في كل مكان في المستقبل. تقع Amazon في طليعة تلك المنطقة.

كما هو شائع جدًا في صناعة التكنولوجيا، نستخدم احتياجات Amazon الخاصة لاختبار الضغط على المنتجات الجديدة التي قد نبيعها خارجيًا في النهاية. أنا أعمل في مؤسسة Ads، ولكني أعمل على التسويق لمجموعة متنوعة من الأنشطة التجارية لدى Amazon خارج Ads. على سبيل المثال، قد نرغب في زيادة وعي منشئي المحتوى بسلسلة Prime Video الجديدة أو زيادة وعي المتسوقين بعروض العطلات.

لذلك يدعم فريقي الأنشطة التجارية الداخلية في Amazon باستخدام منتجات Amazon Ads لتحقيق أهدافها التسويقية. الفريق متنوع، مع خبراء في مجال التسويق لديهم علاقات وثيقة مع قادة الأنشطة التجارية بالإضافة إلى العلماء والمهندسين. نحدد معًا فرص لاستخدام الخوارزميات في أنظمة الإعلان ولرؤية الأنماط التي لا يمكن للآخرين رؤيتها.

كانت فكرة هذه الورقة هي معرفة ما إذا كان بإمكاننا تعلم أي شيء من خلال استخدام خوارزمية لتحليل المعلومات عبر المنتجات المختلفة. نوضح أنه عندما نستخدم تقنيات التعلم التعزيزي، يمكننا بشكل أساسي مساعدة منتج واحد على القيام بعمل أفضل باستخدام ما تعلمته المنتجات الأخرى وبطريقة حقيقية جدًا. نحن نقوم بتشغيل هذه الخوارزمية يوميًا.

لنفترض أن لدينا بالفعل مجموعة من الحملات التسويقية لأجهزة مختلفة ومن ثم سنقوم بإطلاق جهازًا جديدًا للعطلات. من أين نبدأ؟ هذه الخوارزمية هي طريقة يمكننا من خلالها أخذ ما هو معروف من حملات التسويق الأخرى التي قمنا بها للأجهزة الحالية وبدء الحملة الجديدة بإعداد محسن.

الشيء الرئيسي هو أن التحسن في الأداء مرتفع جدًا. في مؤتمر AdKDD، أبلغت الكثير من الأوراق الأخرى عن تحسن بنسبة 2% أو 3% في معدل النقر للوصول. وبلغ متوسط التحسن الذي حققناه في إجمالي النقرات 18%. كما أظهرنا أيضًا انخفاضًا في التكلفة لكل نقرة بنسبة 12.7%.

يوضح ذلك أنه حتى عندما تكون هناك نية لتنسيق المنتجات، يكون الأمر صعبًا حقًا، وهناك فرصة تجارية ضخمة في استخدام خوارزميات مثل هذه لمساعدة المنتجات على التعلم بشكل منهجي من بعضها البعض. يمكن لخبراء التسويق لمنتجات مختلفة مشاركة ما تعلموه مع بعضهم البعض في "الغداء والتعلم" وتطوير كتيبات لأفضل الممارسات - لكن تنسيق البشر مع بعضهم البعض أمر مكلف، ومن الصعب تحديث الرؤى الدقيقة في صناعة سريعة التطور. هذه طريقة مبدئية ومنهجية يمكن من خلالها تنسيق الشركات بشكل أفضل وأكثر كفاءة.

حتى خارج شركات التكنولوجيا، هناك الكثير من الشركات الكبيرة ذات الاحتياجات التسويقية المعقدة والبصمات العالمية. لكن الكثير من الأعمال الأدبية الأكاديمية تبحث فقط في أجزاء معزولة من مشكلة الأنشطة التجارية. لذلك من المثير أنه إذا كنت شركة ذات منتجات متنوعة، فيمكنك جعل أجزاء مختلفة من نشاطك التجاري تسير جميعها في نفس الاتجاه باستخدام التعلم التعزيزي.

كرس ثلاثة من طلاب الدراسات العليا وقتًا خلال أطروحاتهم للعمل معنا كمتدربين على هذه الورقة. وحصل الثلاثة على عروض Amazon؛ بدأ اثنان بالفعل، وسيبدأ واحد في وقت مبكر من هذا العام.

شيء واحد أحبه حقًا هو القدرة على تطوير أفكاري إلى برامج. غالبًا ما أكون أعمل على مشروع واحد وأدرك أن شيئًا آخر كان أكثر أهمية بالنسبة للنشاط التجاري. لدينا عملية تقوم فيها بكتابة بيان صحفي افتراضي والإجابة على بعض الأسئلة الشائعة - التي تسمى العلاقات العامة/الأسئلة الشائعة - حول منتج أو برنامج مستقبلي يمكن أن تمتلكه Amazon.

من خلال ذلك، أتيحت لي العديد من الفرص لصياغة مشكلة أريد حلها، والتفكير في الحل، وكتابته، وتعميم الفكرة على الزملاء، وإنشاء هذه المنتجات الجديدة المدعومة علميًا. من الممتع رؤية المنتجات التي تضم الآن فرقًا مكونة من 25 شخصًا ومعرفة أنني الشخص الذي طرح دراسة الجدوى وحصل على التمويل الأولي.

في دوري، يمكنني موازنة الأسئلة حول كيفية قياس تأثير الإعلانات على العملاء مع كيفية تشغيل أنظمة التحسين الخاصة بنا والتي ستؤدي إلى نتائج أفضل لعملائنا. عندما أتحدث مع شركات أخرى، أشعر وكأنها تحاول وضعي في صندوق؛ إنهم بحاجة إلي إما لقياس شيء ما أو إدارة نظام التحسين. في Amazon، لدي المرونة للعمل عبر مساحة المشكلة بأكملها والتفكير حقًا في كيفية تحقيق أفضل النتائج للعملاء، مما يضع أنظمة التحسين وأنظمة قياس الأثر معًا.

شيء آخر فريد عن علماء التطبيقات هنا هو أنهم يركزون على تقديم البرامج - لا يقتصر الأمر على إجراء الأبحاث فقط. إنهم ينشئون منتجات متينة وتساعد في حل احتياجات الأنشطة التجارية طويلة الأجل.

يفكر فريقي في الاحتياجات الإعلانية الخاصة بشركة Amazon كل يوم، ونختبر المنتجات الإعلانية الحالية على نطاق واسع ونحدد فرص القيام بعمل أفضل. نظرًا لأن Amazon هي واحدة من أكبر المُعلنين في العالم، فإننا نتعلم الكثير. نحن لا نحاول بيع المنتجات الإعلانية الحالية؛ نحن نبحث عن طرق لتحسينها. يعد هوس العملاء هذا، إلى جانب المرونة في تصميم أفضل الحلول، أمرًا جديدًا لهذه الصناعة.