Makalenin ötesinde: Kelly Paulson, iş birimleri genelinde öğrenme fırsatlarını tespit etmek için algoritmalar kullanıyor

Kelly Paulson, doktorasını tamamladıktan sonra Amazon'da işe girdi. Kaliforniya San Diego Üniversitesi'nde ekonomi alanında doktora yapmıştı ve başlangıçta bu işi, farklı bir alana geçmeden önce yapacağı "eğlenceli bir şey" olarak görüyordu. Ama o, işi o kadar sevdi ki ayrılamadı ve 11 yıl sonra Amazon Ads'de Ekonomistler ve Uygulamalı Bilim İnsanları Kıdemli Yöneticisi oldu. Ortak yazarlığını yaptığı Multi-task combinatorial bandits for budget allocation başlıklı makalesi 2024 AdKDD konferansında en iyi makale ödülünü kazandı. Kelly, bu röportajda makaleyi ve Amazon Ads'deki çalışmalarını anlatıyor.

2013 yılında tezimi yeni tamamladığım dönemde Amazon Kindle ekibine katıldım. O yıl Amazon doktorasını tamamlayan ekonomistleri işe almaya başlamıştı. Verilere ilgi duyuyordum. İnsanların nasıl seçim yaptığını öğrenmek için istatistiksel teknikler üzerinde çalışıyordum. Tabi ki Amazon seçim yapan insanların dünyasındaki en büyük veri setlerinden birine sahipti.

O zamanlar teknoloji alanından, hükümetten ve akademiden iş teklifleri alıyordum ve Seattle'da uzun süre kalmayı düşünmüyordum. Ancak Amazon'un zengin verileriyle ilgili uygulamalı deneyim kazanmak istediğimden, tekliflerimi erteleyip bir yıl boyunca eğlenceli bir şey yapmaya karar verdim. O yılın sonunda işi gerçekten sevdim ve kalmaya karar verdim. Amazon'un, insanların gerçekten büyük veri kümelerinden analiz çıkarmayı düşündüğü bir bölümüne geçmek istedim. Bu yüzden ölçüm üzerinde çalışan ilk bilim insanı olarak Amazon Ads'e geçtim.

Müşterilerin reklamlardan nasıl etkilendiğini ve bu bilgilerin reklam optimizasyon sistemlerine nasıl aktarılacağını anlamaya odaklandım. Amazon'un benzersiz sinyalleri, değer teklifimizin merkezinde yer alıyor. Bir müşteri ayakkabı reklamını gördüğünde, bu ayakkabıları satın alma olasılıkları daha mı yüksek? Yarın benzer bir müşteriye aynı reklamı gösterme fırsatımız varsa, bunu yapmalı mıyız?

Ancak bu analizleri reklamverenlerin işine yarayacak bir şekilde özetlemek işimizin kritik bir parçası. Onlar için faydalı yatırım getirisi hesaplamaları yapabilir miyiz? Tatil kampanyalarına dahil edebilecekleri okula dönüş kampanyaları hakkında ne öğrenebilirler?

Amazon'un, reklamverenlerin müşterilere doğru zamanda daha faydalı içerikler sunmasına yardımcı olarak müşteriler ve reklamverenler arasında ortak bir optimizasyonun nasıl sağlanabileceği üzerine düşünmeye başladığımız ilk günlerdi.

Ekonometrik teori alanında çalıştım, özellikle de kantitatif pazarlamada nedensel modeller üzerinde yoğunlaştım. Son birkaç yıldır, nedensel bir sinyalin nasıl geliştirileceği ve pazarlama kararları alan daha geniş bir sistem kümesine nasıl aktarılacağı konusuyla ilgileniyorum.

Nedensel ölçüm ile pekiştirmeli öğrenmenin kesişimi Amazon'a özgü. O kadar büyük bir ölçeğimiz var ki, karar vermek için pekiştirmeli öğrenme gibi birçok araç kullanmamız gerekiyor. Biz çok veri odaklı bir şirketiz ve korelasyonel sinyallere değil, nedensel sinyallere dayalı kararlar vermek istiyoruz.

Diğer şirketler genellikle yalnızca iki taraftan birine odaklanır. Bunların kesişim noktası çok ilginç ve gelecekte her yerde olacak. Amazon bu alana öncülük ediyor.

Teknoloji sektöründe oldukça yaygın olduğu üzere, Amazon'un kendi ihtiyaçlarını, ileride dışarıya satabileceğimiz yeni ürünleri test etmek için kullanıyoruz. Ben Ads organizasyonundayım, ancak Ads dışında çeşitli Amazon işletmelerinin pazarlaması üzerinde çalışıyorum. Örneğin, içerik yayıncıları için yeni bir Prime Video dizisinin veya müşteriler için tatil fırsatlarının bilinirliğini artırmak isteyebiliriz.

Bu nedenle ekibim, Amazon'un pazarlama hedeflerine ulaşması için Amazon Ads ürünlerini kullanarak Amazon'un dahili işlerini destekliyor. Ekibimiz çeşitliliğe sahip. Bilim insanları ve mühendislerin yanı sıra iş liderleriyle yakın ilişkileri olan pazarlama alanı uzmanlarımız var. Birlikte reklam sistemlerinde algoritmaları kullanma ve diğer insanların göremediği kalıpları görme fırsatlarını belirliyoruz.

Bu makalenin ana fikri, bir algoritmanın farklı ürünlerdeki bilgileri analiz etmesinden bir şey öğrenip öğrenemeyeceğimizi görmekti. Pekiştirmeli öğrenme tekniklerini kullandığımızda, esasen bir ürünün daha iyi performans göstermesine nasıl yardımcı olabileceğimizi gösteriyoruz. Bunu, diğer ürünlerin öğrendiklerini kullanarak ve çok gerçek zamanlı bir şekilde yapıyoruz. Bu algoritmayı her gün çalıştırıyoruz.

Diyelim ki zaten farklı cihazlar için bir sürü pazarlama kampanyamız var ve ardından tatil dönemi için yeni bir cihazda kampanya yayınlamaya başlıyoruz. Nereden başlayacağız? Bu algoritma, mevcut cihazlar için yaptığımız diğer pazarlama çalışmalarından edindiğimiz bilgileri alıp, yeni kampanyayı optimize edilmiş bir kurulumla başlatabilmemiz için bir yol sunuyor.

Önemli olan, performanstaki iyileşmenin oldukça yüksek olması. AdKDD konferansında diğer birçok makalede tıklama oranında %2 veya %3'lük bir iyileşme rapor ediliyordu. Bizim toplam tıklamalarda ulaştığımız iyileşme ise ortalama %18'di. Ayrıca, tıklama başına maliyette %12,7 oranında bir azalma elde ettik.

Bu, ürünlerin koordine edilmesi yönünde bir niyet olsa bile, bunun gerçekten zor olduğunu ve bu tür algoritmaları kullanarak ürünlerin sistematik olarak birbirlerinden öğrenmelerine yardımcı olmanın çok büyük bir iş fırsatı olduğunu gösteriyor. Farklı ürünlerin pazarlama uzmanları, öğrendiklerini "öğle yemeklerinde" birbirleriyle paylaşabilir ve en iyi uygulamalara dair kılavuzlar geliştirebilir. Ancak insanların birbirleriyle koordinasyonu pahalıdır ve hızla gelişen bir sektörde detaylı analizleri güncel tutmak zordur. Bu, şirketlerin daha iyi koordine edilebilmesi ve daha verimli olabilmesi için ilkeli ve sistemli bir yol.

Teknoloji şirketlerinin dışında bile, karmaşık pazarlama ihtiyaçları ve küresel ayak izleri olan birçok büyük şirket var. Ancak akademik literatürün çoğu sadece iş sorununun izole kısımlarına bakıyor. Bu nedenle, çeşitli ürünlere sahip bir şirketseniz, pekiştirmeli öğrenmeyi kullanarak işinizin farklı bölümlerini aynı yöne kanalize etmeyi sağlayabilmeniz heyecan verici.

Tez çalışmalarını sürdüren üç doktora öğrencisi, bu makalede stajyer olarak bizimle çalıştı. Üçü de Amazon'dan teklif aldı; ikisi çoktan işe başladı ve biri de bu yılın başlarında başlayacak.

Fikirlerimi programlara dönüştürme fırsatına sahip olmayı gerçekten seviyorum. Çoğu zaman bir proje üzerinde çalışırken, iş açısından başka bir şeyin çok daha önemli olduğunu fark ediyorum. Amazon'un gelecekte sunabileceği bir ürün veya program hakkında varsayımsal bir basın bülteni yazıp, PR/SSS adı verilen sık sorulan bazı soruları yanıtladığınız bir sürecimiz var.

Bu sayede, çözmek istediğim bir problemi formüle etme, çözüm hakkında düşünme, bunu yazma, fikri meslektaşlarıma iletme ve bu yeni bilim destekli ürünleri ortaya çıkarma fırsatına sahip oluyorum. Artık 25 kişilik ekiplere sahip ürünleri görmek ve iş planını ortaya koyup ilk fonu benim alacak olduğumu bilmek eğlenceli.

Rolüm gereği, reklamların müşteriler üzerindeki etkisini nasıl ölçtüğümüzle ilgili soruları, müşterilerimiz için daha iyi sonuçlar getirecek optimizasyon sistemlerimizi nasıl çalıştırdığımıza dair sorularla dengeleyebilirim. Diğer şirketlerle konuştuğumda beni bir kalıba sokmaya çalıştıklarını hissediyorum; ya bir şeyi ölçmemi ya da bir optimizasyon sistemini yönetmemi istiyorlar. Amazon'da, sorun alanının tamamında faaliyet gösterme esnekliğine sahibim ve optimizasyon sistemleri ile ölçüm sistemlerini bir araya getirerek müşteriler için en iyi sonucu nasıl elde edebileceğimi gerçekten düşünüyorum.

Burada uygulamalı bilim insanları olarak sadece araştırma yapmıyoruz. Yazılım sunmaya odaklanıyoruz ki bu bizi diğerlerinden farklı kılıyor. Dayanıklı ve uzun vadeli bir iş ihtiyacını çözmeye yardımcı olan ürünler üretiyoruz.

Ekibimle her gün Amazon'un kendi reklam ihtiyaçlarını düşünüyor ve mevcut reklam ürünlerini büyük ölçekte test ederek daha iyisini yapmak için fırsatları belirliyoruz. Amazon dünyanın en büyük reklamverenlerinden biri olduğu için çok şey öğreniyoruz. Mevcut reklam ürünlerini satmaya çalışmıyoruz; onları geliştirmenin yollarını buluyoruz. Bu müşteri tutkusu, en iyi çözümü tasarlama esnekliğine sahip olmanın yanı sıra, sektör açısından da yeni.