เบื้องหลังบทความ: Kelly Paulson ใช้อัลกอริทึมเพื่อค้นหาโอกาสในการเรียนรู้ข้ามหน่วยงานธุรกิจ

Kelly Paulson เริ่มงานกับ Amazon ทันทีหลังจากจบการศึกษาจากระดับบัณฑิตศึกษา เธอได้รับปริญญาเอกด้านเศรษฐศาสตร์จาก University of California San Diego และในตอนแรกมองว่างานนี้เป็น "สิ่งที่สนุก" ที่จะทำก่อนที่จะไปทำอย่างอื่น แต่เธอชอบงานนี้มากจนไม่อยากไปไหน และ 11 ปีต่อมา เธอได้กลายเป็นผู้จัดการอาวุโสของนักเศรษฐศาสตร์และนักวิทยาศาสตร์ประยุกต์ที่ Amazon Ads บทความที่เธอร่วมเขียน "Multi-task Combinatorial Bandits for Budget Allocation" ได้รับรางวัลบทความยอดเยี่ยมที่การประชุม AdKDD 2024 ที่นี่ Kelly ได้พูดถึงบทความดังกล่าวและงานของเธอที่ Amazon Ads

ฉันเข้าร่วมทีม Amazon Kindle ในปี 2013 ตอนที่ฉันเพิ่งทำวิทยานิพนธ์เสร็จ และนั่นเป็นปีแรกที่ Amazon เริ่มรับสมัครนักเศรษฐศาสตร์จูเนียร์ที่เพิ่งจบจากระดับบัณฑิตศึกษา ฉันถูกดึงดูดด้วยข้อมูลที่มีอยู่ ฉันเคยทำงานเกี่ยวกับเทคนิคทางสถิติเพื่อเรียนรู้ว่าผู้คนตัดสินใจเลือกสิ่งต่าง ๆ อย่างไร และแน่นอนว่า Amazon มีชุดข้อมูลขนาดใหญ่ที่สุดชุดหนึ่งในโลกเกี่ยวกับการตัดสินใจเลือกของผู้คน

ในตอนนั้น ฉันได้รับข้อเสนองานจากหลายภาคส่วน ทั้งเทคโนโลยี รัฐบาล และแวดวงวิชาการ และฉันไม่ได้คาดหวังว่าจะอยู่ที่ซีแอตเทิลในระยะยาว แต่เนื่องจากฉันสนใจที่จะได้สัมผัสประสบการณ์จริงกับข้อมูลอันมหาศาลของ Amazon ฉันจึงคิดว่าจะเลื่อนข้อเสนออื่น ๆ ไปก่อนและทำอะไรสนุก ๆ สักปีหนึ่ง เมื่อสิ้นปีนั้น ฉันชอบงานนี้มากและตัดสินใจอยู่ต่อ ฉันอยากย้ายไปทำงานในส่วนของ Amazon ที่มีคนคิดเกี่ยวกับวิธีการดึงข้อมูลจากชุดข้อมูลขนาดใหญ่มากขึ้น ดังนั้นฉันจึงย้ายมาทำงานที่ Amazon Ads ในฐานะนักวิทยาศาสตร์คนแรกที่ทำงานด้านการตรวจวัด

ฉันมุ่งเน้นไปที่การทำความเข้าใจว่าลูกค้าได้รับอิทธิพลจากโฆษณาอย่างไร และวิธีการส่งข้อมูลนั้นไปยังระบบการปรับปรุงโฆษณา สัญญาณเฉพาะของ Amazon เป็นศูนย์กลางของข้อเสนอที่มีคุณค่า เมื่อนักช้อปเห็นโฆษณารองเท้า พวกเขามีแนวโน้มที่จะซื้อมากขึ้นหรือไม่ หากเรามีโอกาสแสดงโฆษณาเดิมให้กับนักช้อปที่คล้ายกันในวันพรุ่งนี้ เราควรทำหรือไม่

แต่สิ่งที่สำคัญ คือเราจะสรุปข้อมูลเชิงลึกอย่างไรให้นำไปใช้ได้จริงสำหรับผู้โฆษณา เราสามารถคำนวณผลตอบแทนจากการลงทุนที่มีประโยชน์ให้กับพวกเขาได้หรือไม่ พวกเขาสามารถเรียนรู้อะไรจากแคมเปญกลับไปโรงเรียนที่สามารถนำมาปรับใช้ในแคมเปญช่วงเทศกาลวันหยุดได้บ้าง

นั่นเป็นช่วงเริ่มต้นของการคิดถึงวิธีการที่ Amazon จะสามารถปรับแต่งการทำงานร่วมกันระหว่างนักช้อปและผู้โฆษณา โดยการช่วยเหลือผู้โฆษณานำเสนอเนื้อหาที่มีประโยชน์ให้กับนักช้อปในเวลาที่เหมาะสม

พื้นฐานของฉันอยู่ในทฤษฎีเศรษฐมิติ โดยมีความสนใจเป็นพิเศษในโมเดลเชิงสาเหตุในตลาดเชิงปริมาณ ในช่วงสองสามปีที่ผ่านมานี้ ฉันสนใจอย่างมากเกี่ยวกับการพัฒนาสัญญาณเชิงสาเหตุและนำมันไปใช้ในระบบที่กว้างขึ้น ซึ่งทำการตัดสินใจด้านการตลาด

การบรรจบกันของการวัดเชิงสาเหตุและการเรียนรู้เชิงเสริมนั้นเป็นสิ่งที่มีเอกลักษณ์เฉพาะที่ Amazon งานของเรามีขนาดที่ใหญ่มากจนต้องใช้เครื่องมือหลายตัว เช่น การเรียนรู้เชิงเสริมในการตัดสินใจ เราเป็นบริษัทที่ขับเคลื่อนด้วยข้อมูลเป็นหลัก และเราต้องการตัดสินใจโดยอิงจากสัญญาณเชิงสาเหตุ ไม่ใช่สัญญาณที่เกี่ยวข้อง

บริษัทอื่น ๆ มักจะมุ่งเน้นไปที่ด้านใดด้านหนึ่งเท่านั้น การบรรจบกันนั้นน่าสนใจมากและจะมีอยู่ทุกที่ในอนาคต Amazon อยู่ในแนวหน้าของพื้นที่นั้น

เหมือนกับที่มักพบได้ในอุตสาหกรรมเทคโนโลยี เราใช้ความต้องการของ Amazon เองในการทดสอบสินค้าใหม่ ๆ ที่เราอาจจะนำไปขายภายนอกในอนาคต ฉันอยู่ในองค์กรโฆษณา แต่ทำงานด้านการตลาดสำหรับธุรกิจที่หลากหลายของ Amazon นอกเหนือจากโฆษณา ตัวอย่างเช่น เราอาจต้องการเพิ่มการรับรู้ของสตรีมเมอร์เกี่ยวกับซีรีส์ใหม่บน Prime Video หรือเพิ่มการรับรู้ของนักช้อปเกี่ยวกับข้อเสนอในช่วงเทศกาลวันหยุด

ทีมของฉันสนับสนุนธุรกิจภายในของ Amazon โดยใช้สินค้าจาก Amazon Ads เพื่อให้บรรลุวัตถุประสงค์ทางการตลาดของพวกเขา ทีมมีความหลากหลาย ประกอบด้วยผู้เชี่ยวชาญด้านการตลาดที่มีความสัมพันธ์ใกล้ชิดกับผู้นำธุรกิจ รวมถึงนักวิทยาศาสตร์และวิศวกรด้วย เราร่วมมือกันในการระบุโอกาสในการใช้อัลกอริทึมในระบบการโฆษณาและในการมองเห็นรูปแบบที่คนอื่นไม่สามารถเห็นได้

แนวคิดของงานวิจัยนี้คือการดูว่าเราสามารถเรียนรู้อะไรจากการให้การวิเคราะห์ข้อมูลข้ามสินค้าต่าง ๆ ด้วยอัลกอริทึมได้หรือไม่ เราพิสูจน์ได้ว่าเมื่อเราใช้เทคนิคการเรียนรู้แบบเสริมแรง เราสามารถช่วยสินค้าหนึ่งให้ทำงานได้ดีขึ้นโดยการใช้สิ่งที่สินค้าอื่น ๆ ได้เรียนรู้มา และทำได้ในลักษณะที่เรียลไทม์มากจริง ๆ เรากำลังรันอัลกอริทึมนี้ทุกวัน

สมมติว่าเรามีแคมเปญการตลาดหลายแคมเปญสำหรับอุปกรณ์ต่าง ๆ และตอนนี้เรากำลังเปิดตัวอุปกรณ์ใหม่สำหรับช่วงวันหยุด เราจะเริ่มต้นที่ไหน อัลกอริทึมนี้เป็นวิธีที่เราสามารถนำสิ่งที่รู้จากการตลาดที่ทำกับอุปกรณ์ที่มีอยู่แล้วมาใช้ และเริ่มต้นแคมเปญใหม่ด้วยการตั้งค่าที่ได้รับการปรับให้เหมาะสมแล้ว

สิ่งที่สำคัญที่สุด คือการปรับปรุงประสิทธิภาพมีอัตราที่ค่อนข้างสูง ที่งานประชุม AdKDD งานวิจัยหลายฉบับรายงานการปรับปรุงอัตราการคลิกต่อจำนวนการมองเห็นเพียง 2% หรือ 3% เท่านั้น การปรับปรุงในจำนวนคลิกทั้งหมดของเราค่าเฉลี่ยอยู่ที่ 18% เรายังแสดงให้เห็นการลดลงของต้นทุนต่อคลิกที่ 12.7% ด้วย

ซึ่งแสดงให้เห็นว่าแม้จะมีความตั้งใจในการประสานงานระหว่างสินค้า แต่ก็ยังเป็นเรื่องที่ยากมาก และมีโอกาสทางธุรกิจใหญ่ในการใช้อัลกอริทึมแบบนี้เพื่อช่วยให้สินค้าเรียนรู้จากกันและกันในทางระบบ ผู้เชี่ยวชาญด้านการตลาดสำหรับสินค้าต่าง ๆ สามารถแชร์สิ่งที่พวกเขาได้เรียนรู้กันในกิจกรรม "lunch and learns" และพัฒนาเพลย์บุ๊กส์ของแนวทางปฏิบัติที่ดีที่สุดได้ แต่การประสานงานระหว่างมนุษย์นั้นมีค่าใช้จ่ายสูง และยากที่จะรักษาข้อมูลเชิงลึกที่ละเอียดและอัปเดตให้ทันกับอุตสาหกรรมที่เปลี่ยนแปลงอย่างรวดเร็ว นี่เป็นวิธีการที่มีหลักการและเป็นระบบที่บริษัทต่าง ๆ สามารถประสานงานกันได้ดีขึ้นและมีประสิทธิภาพมากขึ้น

แม้กระทั่งนอกบริษัทเทคโนโลยี ก็ยังมีบริษัทขนาดใหญ่จำนวนมากที่มีความต้องการทางการตลาดที่ซับซ้อนและมีการดำเนินงานทั่วโลก แต่ในวรรณกรรมทางวิชาการมากมาย มักจะมองแค่ส่วนแยกต่างหากของปัญหาทางธุรกิจ ดังนั้น จึงน่าตื่นเต้นที่หากคุณเป็นบริษัทที่มีสินค้าหลากหลาย คุณสามารถทำให้ส่วนต่าง ๆ ของธุรกิจทั้งหมดมุ่งไปในทิศทางเดียวกันโดยใช้การเรียนรู้แบบเสริมแรง

นักศึกษาปริญญาโทสามคนได้ใช้เวลาในระหว่างการเขียนวิทยานิพนธ์เพื่อทำงานร่วมกับเราในฐานะนักศึกษาฝึกงานสำหรับงานวิจัยนี้ และทั้งสามคนได้รับข้อเสนอจาก Amazon สองคนเริ่มงานแล้ว และอีกคนจะเริ่มในช่วงต้นปีนี้

สิ่งหนึ่งที่ฉันชอบจริง ๆ คือความสามารถในการพัฒนาไอเดียของฉันให้กลายเป็นโปรแกรม บ่อยครั้งที่ฉันทำงานในโครงการหนึ่งแล้วรู้สึกว่าอย่างอื่นกลับสำคัญกว่ามากสำหรับธุรกิจ เรามีขั้นตอนที่ให้คุณเขียนข่าวประชาสัมพันธ์ในลักษณะสมมุติ และตอบคำถามที่พบบ่อย ซึ่งเรียกว่า PR/FAQ เกี่ยวกับสินค้าหรือโปรแกรมในอนาคตที่ Amazon อาจมี

ผ่านกระบวนการนั้น ฉันมีโอกาสหลายครั้งในการกำหนดปัญหาที่อยากจะแก้ไข คิดหาวิธีแก้ปัญหา เขียนออกมา แบ่งปันไอเดียนั้นกับเพื่อนร่วมงาน และสร้างสินค้าใหม่ที่ขับเคลื่อนด้วยวิทยาศาสตร์ ช่างสนุกที่ได้เห็นสินค้าที่ตอนนี้มีทีมงาน 25 คน และรู้ว่าฉันคือคนที่เสนอกรณีธุรกิจและได้รับการสนับสนุนงบประมาณเริ่มต้น

ในบทบาทของฉัน ฉันสามารถสร้างสมดุลคำถามเกี่ยวกับวิธีการวัดผลกระทบของโฆษณาต่อผู้บริโภคกับวิธีการที่เราดำเนินการระบบการปรับแต่งเพื่อให้เกิดผลลัพธ์ที่ดีขึ้นสำหรับลูกค้าของเรา เมื่อฉันพูดคุยกับบริษัทอื่น ๆ ฉันรู้สึกเหมือนกับว่าพวกเขาพยายามใส่ฉันไว้ในกรอบหนึ่ง พวกเขาต้องการให้ฉันทำอย่างใดอย่างหนึ่ง ไม่ว่าจะเป็นการวัดบางสิ่งหรือการจัดการระบบการปรับแต่ง ที่ Amazon ฉันมีความยืดหยุ่นในการดำเนินการข้ามพื้นที่ปัญหาทั้งหมด และจริงจังกับการคิดหาวิธีที่จะขับเคลื่อนผลลัพธ์ที่ดีที่สุดสำหรับลูกค้า โดยการผสมผสานระหว่างระบบการปรับแต่งและระบบการวัดผลเข้าด้วยกัน

อีกสิ่งหนึ่งที่ทำให้นักวิทยาศาสตร์ประยุกต์ที่นี่มีความโดดเด่นคือ พวกเขามุ่งเน้นไปที่การส่งมอบซอฟต์แวร์ ไม่ใช่แค่การทำวิจัยเท่านั้น พวกเขากำลังสร้างสินค้าที่มีความทนทานและช่วยแก้ไขปัญหาทางธุรกิจในระยะยาว

ทีมของฉันคิดถึงความต้องการด้านการโฆษณาของ Amazon ทุกวัน และเราทดสอบสินค้าโฆษณาที่มีอยู่ในขนาดใหญ่และระบุโอกาสในการทำให้ดีขึ้น เนื่องจาก Amazon เป็นหนึ่งในผู้โฆษณาที่ใหญ่ที่สุดในโลก เราจึงได้เรียนรู้มากมาย เราไม่ได้กำลังพยายามขายสินค้าโฆษณาที่มีอยู่แล้ว แต่เรากำลังหาวิธีในการปรับปรุงสินค้าเหล่านั้น ความหลงใหลในลูกค้า พร้อมกับความยืดหยุ่นในการออกแบบทางแก้ปัญหาที่ดีที่สุด เป็นสิ่งที่ใหม่สำหรับอุตสาหกรรมนี้