논문의 이면: Yudi Zhang, 고객 여정을 더 정교하게 분석하는 방법을 찾다

아마존에서 쇼핑하는 고객은 종종 선택한 구매를 시작하기 전에 다양한 옵션을 탐색합니다. 고객이 주문을 결정하는 시기와 이유는 무엇인가요? Yudi Zhang은 쇼핑 경험이 구매로 어떻게 이어지는지에 관심이 있습니다.

International Conference on Learning Representations 2024 Workshop on AI4Differential Equations in Science에서 채택된 논문에서 Zhang과 동료들은 고객 여정의 가장 중요한 부분을 추정하는 문제에 대한 새로운 접근 방식을 보여주었습니다. 이 논문은 Zhang이 2023년 가을에 합류한 AWS(Amazon Web Services)에서 응용 과학자로 근무할 때 작성되었습니다.

Iowa State University에서 통계학 박사 학위를 받은 Zhang은 2024년 7월에 응용 과학자로 아마존 광고에 합류했습니다. 여기서 그녀는 논문과 연구 관심사에 대해 이야기합니다.

사람들이 여기서 공부하는 것은 정말 흥미롭다고 생각합니다. 고객 경험을 직접적으로 형성하는 고급 추천 시스템 및 개인화 작업에 필요한 풍부한 데이터를 제공합니다. 이러한 유형의 시스템은 많은 대기업에 존재하므로 광고는 전문적으로 개발하기에 매우 좋은 곳입니다. 아마존은 컨퍼런스와 연구를 지원하여 과학자들에게 투자하여 광고 분야의 최첨단에 서게 되었으며, 광고 부문은 최근 많은 성장을 이루었습니다.

제 주안점은 권장 사항 시스템과 개인화, 사람들이 관심을 가질 만한 상품을 보여줄 수 있는 모델과 알고리즘을 만드는 것입니다. 권장 사항 시스템은 일반적으로 두 부분으로 구성됩니다. 첫 번째는 소싱으로, 고객에게 보여주기 위해 가능한 한 많은 관련 상품을 검색합니다. 두 번째 부분은 순위입니다. 더 많은 사람들이 자신과 가장 관련성이 높은 광고를 클릭할 수 있도록 특정 순서로 여러 상품을 정렬합니다. 소싱 부분을 담당하고 있습니다.

초점은 멀티 터치 어트리뷰션에 있습니다. 이는 고객 여정을 이해하고 어떤 상호 작용이 최종 전환(여기서는 클릭 또는 구매를 의미함)에 가장 크게 기여하는지 파악하는 연구 분야입니다. 디지털 리테일 공간에서 고객은 다음과 같이 구매를 하기 전에 여러 접점을 이용하게 되는 경우가 많습니다. 그들은 일부 광고를 보고, 일부 상품 페이지를 탐색하고, 리뷰를 읽습니다. 이러한 다양한 행동과 상호 작용은 모두 접점으로 간주됩니다.

일반적으로 모델은 라스트 터치 어트리뷰션 또는 퍼스트 터치 어트리뷰션을 캡처합니다. 즉, 최종 전환 행동의 첫 번째 또는 마지막 단계에 가장 중요한 요소를 할당합니다. 하지만 고객 여정은 매우 복잡합니다. 대부분의 경우 중간 접점 중 일부는 고객의 의사 결정을 내리는 데 더 중요합니다. 따라서 논문에서는 이러한 상호 작용이 전체 고객 여정에서 어떻게 함께 작용할지 이해하기 위한 보다 포괄적인 모델링 솔루션을 모색했습니다.

이 논문의 가장 흥미로운 부분은 주의 메커니즘을 사용하여 어트리뷰션을 모델링했다는 것입니다. 단순한 멀티 어트리뷰션 모델은 각 상호 작용을 분리된 것으로 취급하거나 각 상호 작용에 동일한 가중치를 부여합니다. 하지만 이 주의 메커니즘은 접점의 전체 순서를 살펴보고 고객 여정 내에서 각 접점의 중요성을 동적으로 평가합니다. 오늘날 많은 AI 기반 도구는 빅 데이터에서 어느 부분이 더 중요한지 식별할 수 있는 계층인 이 주의 메커니즘을 기반으로 학습됩니다. 어트리뷰션 작업에서도 꽤 잘 작동합니다.

이것이 논문의 한 부분이고 다른 부분은 ODE(신경 보통 미분 방정식)입니다. 다른 유형의 모델에서는 시계열을 사용하여 각 단계가 비교적 일정한 간격으로 이루어지는 고객 여정을 모델링할 수 있습니다. 그러나 실생활에서는 고객 여정의 시간 간격이 매우 다양할 수 있습니다. 오늘 한 가지를 보고 10초 또는 10일 후에 또 다른 것을 볼 수 있습니다. ODE는 이러한 불규칙한 시간 간격을 포착할 수 있습니다.

유료 검색 및 자연어 검색과 같은 다양한 AWS 마케팅 채널과의 고객 상호 작용에 대한 모델을 테스트하고 전환에 어떤 채널이 더 중요한지 파악하려고 노력했습니다. 기존 어트리뷰션 방법보다 성능이 훨씬 좋았습니다.

연구는 AWS의 마케팅 채널에 초점을 맞췄지만, 이 방법은 광고에도 적용될 수 있습니다. 영향은 세 영역에 걸쳐 있습니다. 먼저, 고객 상호작용의 순서와 타이밍을 이해하면 어떤 광고가 어떤 순서로 가장 잘 어울리는지 판단하는 데 도움이 됩니다. 이러한 지식은 인지도 중심의 광고를 통해 참여를 유도하고 전환율을 높이는 광고로 잠재 고객을 안내하는 전략을 지원할 수 있습니다. 둘째, 각 접점의 효과를 알면 광고주는 캠페인을 더 정확하게 개인화할 수 있습니다. 예를 들어, 이전에 특정 광고 형식과 콘텐츠로 높은 참여도를 보인 고객에게 광고를 게재하여 고객 여정에서 각 접점의 관련성과 영향력을 높일 수 있습니다. 셋째, 다양한 접점이 고객 행동에 미치는 영향에 대한 데이터를 수집하여 캠페인이 시작되기 전에 캠페인이 미칠 수 있는 영향을 추정하는 예측 모델을 구축할 수 있습니다.

아마존 광고는 몇 가지 혁신적인 아이디어를 탐색할 수 있는 유연성으로 매우 큰 영향을 미치고 있으며, 우리 부서는 회사의 전반적인 성장에 크게 기여하고 있다는 점이 흥미진진합니다. 저는 강력한 머신 러닝 모델을 구축하는 데 매우 유용한 고품질 데이터 세트를 많이 이용할 수 있습니다. 이를 통해 고급 기법으로 실험을 할 수 있기 때문에 매우 좋은 경험입니다.

광고의 과학자들도 긴밀하게 협업하며 아이디어를 공유하고 혁신을 가속화할 수 있는 네트워크를 갖추고 있습니다. 예를 들어 권장 사항 시스템 프로젝트에서는 머신 러닝에 강점이 있는 과학자들이 자연어 처리 또는 인과관계 추론 분야의 전문가와 팀을 이루어 균형 잡힌 솔루션을 만들 수 있습니다. 우리는 정기적으로 모델을 동료 검토하여 결과를 검증하고 정확성과 효율성을 보장하기 위한 대안을 모색합니다. 또한 소프트웨어 엔지니어와 직접 협력하여 모델을 아마존 인프라에 통합하여 실시간 성능 및 확장성을 최적화하고, 상품 관리자와 협력하여 모델을 비즈니스 목표에 맞게 조정하여 사용자 경험과 참여에 직접적인 영향을 미칩니다.

아마존에는 뛰어난 인재가 많으며, 그들과 협업하는 과정에서 많은 것을 배울 수 있습니다.

광고주가 퍼포먼스 메트릭을 볼 뿐만 아니라 인사이트의 근거도 이해할 수 있도록 투명성에 초점을 맞춰 모델의 해석 가능성을 높이고 싶습니다. 광고주에게 더 많은 해석을 제공할 수 있다면, 고객에게도 더욱 가치 있고 관련성 높은 경험을 제공할 수 있습니다.