काग़ज़ के पीछे: युडी झांग को कस्टमर की ख़रीदारी के सफ़र का गहराई से समझने के लिए बेहतर तरीक़ा मिला

जो कस्टमर Amazon पर ख़रीदारी कर रहे हैं, वे अक्सर अपनी चुनी हुई ख़रीदारी करने से पहले बहुत सारे विकल्पों को देखते हैं. कस्टमर अपना ऑर्डर देने का फैसला कब और क्यों लेते हैं? युडी झांग इस बात में दिलचस्पी रखते हैं कि ख़रीदारी का अनुभव ख़रीदारी में कैसे तब्दील होता है.

एक पेपर में जिसे इंटरनेशनल कॉन्फ़रेंस ऑन लर्निंग रिप्रेजेंटेशन्स 2024 वर्कशॉप ऑन AI4डिफरेंशियल इक्वेशंस इन साइंस में स्वीकार किया गया है, झांग और उनके साथियों ने कस्टमर की ख़रीदारी के सफ़र के सबसे महत्वपूर्ण हिस्सों का अनुमान लगाने की समस्या के लिए एक नया तरीका दिखाया है. यह पेपर तब लिखा गया था जब झांग Amazon Web Services (AWS) में एक एप्लाइड साइंटिस्ट थीं, जिसमें वह 2023 के पतझड़ के मौसम में शामिल हुई थीं.

झांग, जिनके पास आयोवा स्टेट यूनिवर्सिटी से स्टैटिस्टिक में पीएचडी है, जुलाई 2024 में एप्लाइड साइंटिस्ट के रूप में Amazon Ads में शामिल हुईं. यहाँ वह पेपर और अपनी शोध रुचियों के बारे में बात करती हैं.

मुझे लगता है कि लोग यहाँ जो पढ़ रहे हैं वह वाकई दिलचस्प है. ये मेरे लिए बहुत अच्छा डेटा देता है जिस पर मैं एडवांस सुझाव सिस्टम और पर्सनलाइज़ेशन पर काम कर सकूँ, जो सीधे कस्टमर के एक्सपीरियंस को बेहतर बनाता है. इस तरह के सिस्टम बहुत सारी बड़ी कंपनियों में मौजूद हैं, इसलिए पेशेवर रूप से विकसित होने के लिए ऐड एक बहुत अच्छी जगह है. Amazon कॉन्फ़्रेंस और रिसर्च में सपोर्ट करके वैज्ञानिकों में निवेश करता है, जिससे हम एडवरटाइज़िंग के क्षेत्र में सबसे आगे रहते हैं और ऐड डिवीज़न में हाल ही में बहुत बढ़ोतरी हुई है.

मेरा पहला फ़ोकस सुझाव देने वाले सिस्टम और पर्सनलाइज़ेशन में है, ऐसे मॉडल और एल्गोरिदम बनाने में है जो लोगों को ऐसे प्रोडक्ट दिखा सकते हैं जिनमें उनकी दिलचस्पी हो सकती है. सुझाव सिस्टम में आम तौर पर दो भाग होते हैं. पहला है सोर्सिंग, जहाँ हम कस्टमर को दिखाने के लिए ज़्यादा से ज़्यादा उनके काम आने वाले प्रोडक्ट लाते हैं. दूसरा भाग रैंकिंग है, जहाँ हमारे पास कई प्रोडक्ट हैं जिन्हें हम एक विशेष क्रम में रखना चाहते हैं ताकि ज़्यादा लोग उन ऐड पर क्लिक करें जो उनके लिए सबसे अधिक कारगर हैं. मैं सोर्सिंग पार्ट पर काम कर रही हूँ.

फ़ोकस मल्टी-टच एट्रिब्यूशन पर है, जो ऐसा शोध क्षेत्र है जो कस्टमर की ख़रीदारी का सफ़र को समझने की कोशिश करता है और यह पहचानने की कोशिश करता है कि अंतिम कन्वर्जन में कौन-से इंटरैक्शन सबसे ज़्यादा योगदान करते हैं, जिसका अर्थ यहाँ क्लिक या ख़रीदारी करना है. डिजिटल रिटेल स्पेस में, कस्टमर अक्सर ख़रीदारी करने से पहले कई टच पॉइंट के साथ जुड़ते हैं: वे कुछ ऐड देखते हैं, वे कुछ प्रोडक्ट पेज ब्राउज़ करते हैं, वे रिव्यू पढ़ते हैं. उन सभी अलग-अलग ऐक्शन और इंटरैक्शन को टच पॉइंट माना जाता है.

आम तौर पर, मॉडल लास्ट-टच एट्रिब्यूशन या फ़र्स्ट-टच एट्रिब्यूशन को कैप्चर करते हैं, जिसका मतलब है कि वे अंतिम कन्वर्जन ऐक्शन के लिए पहले या अंतिम चरण को सबसे ज़्यादा अहमियत देते हैं. लेकिन कस्टमर की ख़रीदारी का सफ़र बहुत जटिल है. अक्सर कस्टमर को फ़ैसला लेने में कुछ मिडिल टच पॉइंट ज़्यादा अहम होते हैं. इसलिए पेपर में एक ऐसा व्यापक मॉडलिंग सोल्यूशन बनाने की कोशिश की गई जो ज़्यादा अच्छे से समझा सके कि कस्टमर की ख़रीदारी के सफ़र में ये सारी चीज़ें एक साथ कैसे काम करेंगी.

मुझे लगता है कि पेपर का सबसे रोमांचक हिस्सा यह है कि यह एट्रिब्यूशन को मॉडल करने के लिए अटेंशन मैकेनिज़्म का इस्तेमाल करता है. एक साधारण मल्टी-एट्रिब्यूशन मॉडल हर इंटरैक्शन को अलग-अलग मानता है या हर एक को समान मानता है. लेकिन यह अटेंशन मैकेनिज़्म टच पॉइंट के पूरे क्रम को देखता है और यह कस्टमर की ख़रीदारी के सफ़र में हर एक की अहमियत का डायनेमिक तरीक़े से आकलन करेगा. आजकल कई AI टूल को इसी अटेंशन मैकेनिज़्म से ट्रेन किया जाता है. ये एक लेयर है जो बड़े डेटा में से पता लगा सकती है कि कौन-सी चीज़ ज़्यादा ज़रूरी है. यह हमारे एट्रिब्यूशन टास्क के लिए भी बहुत अच्छा काम करता है.

यह पेपर का एक हिस्सा है, और दूसरा हिस्सा न्यूरल ऑर्डिनरी डिफ़रेंशियल इक्वेशन (ODE) है. कुछ और तरह के मॉडल्स कस्टमर की ख़रीदारी के सफ़र को समझने के लिए टाइम सीरीज़ का इस्तेमाल कर सकते हैं, जिसमें हर स्टेप लगभग एक बराबर समय के अंतराल पर होता है. लेकिन असल ज़िंदगी में, कस्टमर की ख़रीदारी के सफ़र में समय अंतराल बहुत अलग-अलग हो सकते हैं. आप आज एक चीज़ और दूसरी चीज़ को 10 सेकंड में या 10 दिनों में देख सकते हैं. ODE इन अनियमित समय अंतरालों को कैप्चर में सक्षम है.

हमने विभिन्न AWS मार्केटिंग चैनलों के साथ कस्टमर इंटरैक्शन पर मॉडल का परीक्षण किया, जैसे कि पेमेंट वाला सर्च और नैचुरल सर्च. हमने यह पहचानने की कोशिश की कि कन्वर्जन के लिए कौन-सा चैनल ज़्यादा अहम था. इसने पारंपरिक एट्रिब्यूशन तरीक़ों की तुलना में बहुत बेहतर परफ़ॉर्म किया.

हालांकि रिसर्च AWS के लिए मार्केटिंग चैनलों पर फ़ोकस था, लेकिन इस तरीक़े को एडवरटाइज़िंग पर भी लागू किया जा सकता है. इसका असर तीन क्षेत्रों में दिखता है. सबसे पहले, कस्टमर इंटरैक्शन के क्रम और समय को समझने से हमें यह निर्धारित करने में मदद मिलती है कि कौन से ऐड एक साथ और किस क्रम में सबसे अच्छा काम करते हैं. यह ज्ञान उन रणनीतियों को सपोर्ट करता है जो जागरूकता बढ़ाने वाले ऐड के माध्यम से जुड़ाव शुरू करती हैं और फिर संभावित कस्टमर को उन ऐड के लिए गाइड करती हैं जो कन्वर्जन को बढ़ावा देते हैं. दूसरा, हर टचपॉइंट के असर को जानने से एडवरटाइज़र अपने कैम्पेन को ज़्यादा सटीकता के साथ पर्सनलाइज़ कर सकते हैं. उदाहरण के लिए, हम उन कस्टमर को ऐड दे सकते हैं, जिन्होंने पहले कुछ ऐड फ़ॉर्मेट और कॉन्टेंट के साथ काफ़ी एंगेजमेंट दिखाई है, जिससे कस्टमर की ख़रीदारी के सफ़र में हर टचपॉइंट की प्रासंगिकता और असर बढ़ जाता है. और तीसरा, जब हम इस बात का डेटा इकठ्ठा करते हैं कि विभिन्न टच पॉइंट कस्टमर के व्यवहार पर किस तरह असर करते हैं, तो हम ऐसे प्रेडिक्टिव मॉडल बना सकते हैं जो कैम्पेन लॉन्च होने से पहले ही उनके संभावित असर का अनुमान लगा सकें.

Amazon Ads का असर बहुत ज़्यादा है और हमें कुछ नई चीज़ें आज़माने की पूरी आज़ादी मिलती है. हमारा डिवीज़न कंपनी की तरक़्क़ी में बड़ा योगदान देती है और ये बहुत ही रोमांचक है. मेरे पास बहुत सारे हाई-क्वालिटी वाले डेटा सेट हैं, जो मजबूत मशीन लर्निंग मॉडल बनाने के लिए बहुत मूल्यवान है. इस वजह से मुझे आधुनिक तकनीकों के साथ काम करने का मौक़ा मिल रहा है, जो कि मेरे लिए बहुत ही अच्छा अनुभव है.

Ads में वैज्ञानिक साथ मिलकर काम करते हैं. हमारे पास एक ऐसा नेटवर्क है जिससे हम विचारों का आदान-प्रदान करते हैं और इनोवेशन को बढ़ावा देते हैं. सुझाव वाले सिस्टम के प्रोजेक्ट में, उदाहरण के लिए, मशीन लर्निंग में अच्छे वैज्ञानिक, नेचुरल लैंग्वेज प्रोसेसिंग या कैजुअल अनुमान के विशेषज्ञों के साथ मिलकर एक अच्छा सोल्यूशन बना सकते हैं. हम नियमित रूप से मॉडलों की समीक्षा करते हैं, नतीजों को वैलिडेट करते हैं, और सटीकता और दक्षता पक्का करने के लिए विकल्पों का पता लगाते हैं. हम Amazon के इंस्फ़्रास्ट्रक्चर में मॉडल को इंटीग्रेट करने, रीयल-टाइम परफ़ॉर्मेंस और स्केलेबिलिटी को ऑप्टिमाइज़ करने के लिए सॉफ़्टवेयर इंजीनियरों के साथ मिलकर काम करते हैं. हम व्यावसायिक लक्ष्यों के साथ मॉडल को अलाइन करने के लिए प्रोडक्ट मैनेजर के साथ साझेदारी करते हैं, जो सीधे यूज़र अनुभव और सहभागिता को प्रभावित करते हैं.

Amazon में बहुत सारे प्रतिभाशाली लोग हैं और उनके साथ काम करके आप बहुत कुछ सीख सकते हैं.

मैं पारदर्शिता पर ध्यान केंद्रित करने के लिए हमारे मॉडलों की व्याख्यात्मकता को बढ़ाना चाहती हूँ ताकि एडवरटाइज़र न सिर्फ़ परफ़ॉर्मेंस मेट्रिक देखें बल्कि इनसाइट के पीछे के तर्क को भी समझें. अगर हम एडवरटाइज़र को ज़्यादा अच्छी तरह से समझा सकते हैं, तो हम कस्टमर को और भी अधिक मूल्यवान या प्रासंगिक अनुभव दे सकते हैं.