เบื้องหลังงานวิจัย: Yudi Zhang ค้นหาวิธีที่ละเอียดขึ้นในการวิเคราะห์เส้นทางของลูกค้า

ลูกค้าที่ซื้อสินค้าบน Amazon มักจะเลือกดูตัวเลือกมากมายก่อนที่จะตัดสินใจซื้อสินค้า ลูกค้าจะตัดสินใจสั่งซื้อเมื่อไหร่ และเพราะเหตุใด Yudi Zhang สนใจว่าประสบการณ์การช้อปปิ้งเปลี่ยนเป็นการซื้อได้อย่างไร

ในงานวิจัยที่ได้รับการยอมรับในเวิร์กชอปการประชุมระหว่างประเทศเกี่ยวกับการเป็นตัวแทนเรียนรู้ปี 2024 เกี่ยวกับ AI4Differential Equations in Science โดย Zhang และเพื่อนร่วมงานของเธอได้สาธิตแนวทางใหม่ที่จะมาช่วยแก้ปัญหาการประเมินส่วนที่สำคัญที่สุดของเส้นทางของลูกค้า บทความนี้เขียนขึ้นในขณะที่ Zhang ทำหน้าที่เป็นนักวิทยาศาสตร์ประยุกต์ที่ Amazon Web Services (AWS) ซึ่งเธอเข้ามาร่วมงานในฤดูใบไม้ร่วงปี 2023

Zhang ผู้สำเร็จการศึกษาระดับปริญญาเอกสาขาสถิติจากมหาวิทยาลัยรัฐไอโอวาได้เข้าร่วมงานที่ Amazon Ads ในฐานะนักวิทยาศาสตร์ประยุกต์ในเดือนกรกฎาคม 2024 เธอได้พูดถึงงานวิจัยและสิ่งที่งานวิจัยของเธอกำลังสนใจ

ฉันคิดว่าสิ่งที่ผู้คนกำลังศึกษาที่นี่น่าสนใจจริงๆ ที่นี่มีข้อมูลมากมายให้ฉันทำงานเกี่ยวกับระบบการให้คำแนะนำขั้นสูงและการให้บริการเฉพาะบุคคล ซึ่งเป็นสิ่งที่ช่วยกำหนดประสบการณ์ของลูกค้าโดยตรง ระบบประเภทนี้มีอยู่ในบริษัทขนาดใหญ่หลายแห่ง ดังนั้นโฆษณาจึงเป็นที่ที่เหมาะจะทำการพัฒนาอย่างมืออาชีพ Amazon ลงทุนกับนักวิทยาศาสตร์โดยสนับสนุนให้เกิดการประชุมและการวิจัยเพื่อให้เราอยู่ในแนวหน้าด้านการโฆษณาและแผนกโฆษณามีการเติบโตอย่างมากระยะหลัง

หลัก ๆ ที่ฉันสนใจก็คือระบบการให้คำแนะนำและการปรับแต่งเฉพาะบุคคล การสร้างแบบจำลองและอัลกอริทึมที่สามารถแสดงสินค้าให้กับผู้คนที่อาจสนใจ โดยทั่วไประบบการให้คำแนะนำจะมีสองส่วน ส่วนแรกคือการจัดหา ซึ่งเราจะดึงสินค้าที่เกี่ยวข้องมากที่สุดเท่าที่จะเป็นไปได้มาแสดงให้ลูกค้าดู ส่วนที่สองคือการจัดอันดับ ซึ่งเป็นกระบวนการเรียงลำดับสินค้าต่างๆ เพื่อให้โฆษณาที่เกี่ยวข้องกับผู้ใช้มากที่สุดแสดงผลในลำดับที่ดึงดูดความสนใจและกระตุ้นให้มีการคลิกมากขึ้น ฉันกำลังทำงานในส่วนการจัดหาอยู่

ฉันมุ่งเน้นไปที่การกำหนดแอตทริบิวต์แบบมัลติทัชซึ่งเป็นแง่มุมในการวิจัยที่พยายามทำความเข้าใจเส้นทางของลูกค้าและหาว่าการโต้ตอบแบบใดที่นำไปสู่การคอนเวอร์ชันขั้นสุดท้ายมากที่สุด ซึ่งหมายถึงการคลิกหรือการซื้อ ในพื้นที่ค้าปลีกดิจิทัล ลูกค้ามักมีส่วนร่วมกับจุดที่ลูกค้าเจอสินค้าหลายจุดก่อนทำการซื้อ: พวกเขาดูโฆษณาบางชิ้น เลือกดูหน้าสินค้าบางหน้า พวกเขาอ่านรีวิว การกระทำและการโต้ตอบเหล่านั้นทั้งหมดถือเป็นจุดที่ลูกค้าเจอสินค้า

ตามแนวทางดั้งเดิม โมเดลจะใช้วิธีการให้เครดิตแบบการระบุแหล่งที่มาแบบจุดที่ลูกค้าเจอสินค้าจุดสุดท้ายหรือการระบุแหล่งที่มาแบบจุดที่ลูกค้าเจอสินค้าจุดแรก ซึ่งหมายความว่า โมเดลจะให้ความสำคัญมากที่สุดกับขั้นตอนแรกหรือขั้นตอนสุดท้ายที่นำไปสู่การกระทำที่เป็นการคอนเวอร์ชันขั้นสุดท้าย แต่เส้นทางของลูกค้านั้นซับซ้อนมาก ส่วนใหญ่แล้วบางส่วนของจุดที่ลูกค้าเจอสินค้าตรงกลางจะมีความสำคัญมากกว่าในการกระตุ้นการตัดสินใจของลูกค้า ดังนั้นงานวิจัยนี้จึงแสวงหาโซลูชันแบบจำลองที่มีความครอบคลุมมากขึ้นเพื่อจะได้ทำความเข้าใจว่าปฏิสัมพันธ์เหล่านี้ทำงานร่วมกันอย่างไรตลอดเส้นทางของลูกค้า

ฉันคิดว่าส่วนที่น่าตื่นเต้นที่สุดของงานวิจัยคือมันใช้กลไกความสนใจในการสร้างแบบจำลองแอตทริบิวชั่น แบบจำลองหลายแอตทริบิวชั่นแบบพื้นฐานจะถือว่าการโต้ตอบแต่ละครั้งจะแยกกันหรือให้น้ำหนักการโต้ตอบแต่ละครั้งเท่ากัน แต่กลไกความสนใจนี้จะดูลำดับทั้งหมดของจุดที่ลูกค้าเจอสินค้าและจะประเมินความสำคัญของจุดที่ลูกค้าเจอสินค้าแต่ละจุดแบบไดนามิกในเส้นทางของลูกค้า เครื่องมือที่ใช้ AI จำนวนมากในปัจจุบันจะถูกฝึกจากการใช้กลไกความสนใจนี้ ซึ่งเป็นเลเยอร์ที่สามารถระบุได้จากบิ๊กดาต้าว่าจุดใดที่สำคัญกว่า ซึ่งทำงานได้ดีในการระบุแหล่งที่มาของเราด้วย

นั่นเป็นส่วนหนึ่งของงานวิจัย และอีกส่วนคือสมการเชิงอนุพันธ์สามัญแบบโครงข่ายประสาทเทียม (ODE) แบบจำลองประเภทอื่น ๆ อาจใช้ชุดเวลาในการสร้างแบบจำลองเส้นทางของลูกค้า โดยแต่ละขั้นตอนจะเกิดขึ้นในช่วงเวลาที่ค่อนข้างสม่ำเสมอ แต่ในชีวิตจริง ช่วงเวลาในเส้นทางของลูกค้าอาจแตกต่างกันอย่างมาก ตอนนี้คุณอาจเห็นอย่างหนึ่ง แต่อีก 10 วินาทีหรือ 10 วันก็อาจเห็นอีกอย่าง ODE สามารถตรวจจับช่วงเวลาที่ไม่สม่ำเสมอเหล่านี้ได้

เราทดสอบแบบจำลองในการโต้ตอบกับลูกค้าในหลากหลายช่องทางการตลาด AWS เช่น การค้นหาที่เสียค่าใช้จ่ายและการค้นหาที่เกิดขึ้นเอง และพยายามหาว่าช่องใดมีความสำคัญมากกว่าในการคอนเวอร์ชัน ซึ่งทำงานได้ดีกว่าวิธีการระบุแหล่งที่มาแบบดั้งเดิม

แม้ว่างานวิจัยจะมุ่งเน้นไปที่ช่องทางการตลาดสำหรับ AWS แต่วิธีการนี้สามารถนำไปใช้กับการโฆษณาได้เช่นกัน ผลกระทบแบ่งออกเป็นสามด้าน ด้านแรก การทำความเข้าใจลำดับและเวลาของการโต้ตอบกับลูกค้าจะช่วยให้เรารู้ว่าโฆษณาแบบใดใช้งานร่วมกันได้ดีที่สุดและต้องจัดเรียงกันอย่างไร ความรู้นี้สามารถนำไปช่วยในกลยุทธ์ที่ริเริ่มการมีส่วนร่วมโดยใช้โฆษณาที่เน้นการรับรู้และชี้นำลูกค้าที่มีศักยภาพไปยังโฆษณาที่กระตุ้นให้เกิดการคอนเวอร์ชัน ประการที่สอง การรู้ประสิทธิภาพของจุดที่ลูกค้าเจอสินค้าแต่ละจุดช่วยให้ผู้โฆษณาสามารถปรับแต่งแคมเปญตามที่เหมาะกับตัวเองได้อย่างแม่นยำยิ่งขึ้น ตัวอย่างเช่น เราสามารถส่งงานโฆษณาให้กับลูกค้าที่เคยแสดงการมีส่วนร่วมสูงกับโฆษณาและเนื้อหาบางอย่าง ซึ่งจะเพิ่มความเกี่ยวข้องและผลกระทบของจุดที่ลูกค้าเจอสินค้าแต่ละจุดในเส้นทางของลูกค้า และประการที่สาม ขณะที่เรารวบรวมข้อมูลว่าจุดที่ลูกค้าเจอสินค้าต่าง ๆ มีอิทธิพลต่อพฤติกรรมของลูกค้าอย่างไร เราจะสามารถสร้างแบบจำลองเชิงคาดการณ์ที่จะช่วยประเมินผลกระทบที่อาจเกิดขึ้นของแคมเปญได้ก่อนการเปิดตัว

Amazon Ads สร้างผลกระทบอย่างมากเนื่องจากความยืดหยุ่นในการสำรวจแนวคิดที่เป็นนวัตกรรมบางอย่าง และแผนกของเรามีส่วนช่วยอย่างมากต่อการเติบโตโดยรวมของบริษัท ซึ่งนับเป็นเรื่องที่น่าตื่นเต้น ฉันสามารถเข้าถึงชุดข้อมูลที่มีคุณภาพสูงมากจำนวนมากซึ่งมีประโยชน์มากต่อการสร้างแบบจำลองแมชชีนเลิร์นนิ่งที่ใช้งานได้ดี สิ่งนี้ช่วยให้ฉันสามารถทำการทดลองด้วยเทคนิคขั้นสูง นับเป็นประสบการณ์ที่ดีมากที่นี่

นักวิทยาศาสตร์ที่ทำงานด้านโฆษณายังทำงานร่วมกันอย่างใกล้ชิด และเรามีเครือข่ายสำหรับแลกเปลี่ยนไอเดียและเร่งการสร้างนวัตกรรม ตัวอย่างเช่น ในโครงการระบบให้คำแนะนำ นักวิทยาศาสตร์ที่เก่งเรื่องแมชชีนเลิร์นนิ่งอาจจะไปร่วมมือกับผู้เชี่ยวชาญด้านการประมวลผลภาษาธรรมชาติหรืออนุมานเชิงสาเหตุเพื่อสร้างโซลูชันที่ครอบคลุม เราจะสลับกันตรวจสอบแบบจำลองกับเพื่อน ยืนยันผลลัพธ์ และสำรวจทางเลือกอื่นเป็นประจำเพื่อให้แน่ใจว่ามีความแม่นยำและประสิทธิภาพ นอกจากนี้เรายังทำงานร่วมกับวิศวกรซอฟต์แวร์เพื่อนำแบบจำลองไปใช้ในโครงสร้างพื้นฐานของ Amazon เพิ่มประสิทธิภาพและความสามารถในการปรับขนาดแบบเรียลไทม์ และเราเป็นพันธมิตรกับผู้จัดการผลิตภัณฑ์เพื่อสร้างแบบจำลองให้เหมาะกับเป้าหมายทางธุรกิจ ซึ่งจะส่งผลกระทบโดยตรงต่อประสบการณ์และการมีส่วนร่วมของผู้ใช้

Amazon มีคนที่มีความสามารถอยู่มากมายและคุณสามารถเรียนรู้ได้มากมายในกระบวนการทำงานร่วมกับพวกเขา

ฉันต้องการเพิ่มความสามารถในการตีความของแบบจำลองของเรา เพื่อมุ่งเน้นไปที่ความโปร่งใส ทำให้ผู้โฆษณาไม่เพียงมองเห็นตัวชี้วัดประสิทธิภาพ แต่ยังเข้าใจสาเหตุเบื้องหลังข้อมูลเชิงลึกที่ได้ด้วย หากเราสามารถตีความให้ผู้โฆษณาได้มากขึ้น เราจะสามารถมอบประสบการณ์ที่ยิ่งมีคุณค่าหรือมีความเกี่ยวข้องกับลูกค้าได้มากขึ้นเช่นกัน