Phía sau bài báo: Yudi Zhang đã tìm ra một phương pháp tinh tế hơn để phân tích hành trình của khách hàng

Khách hàng đang mua sắm trên Amazon thường chuyển qua lại giữa nhiều lựa chọn trước khi chốt mua mặt hàng mình muốn. Khi nào và tại sao khách hàng quyết định đặt hàng? Yudi Zhang quan tâm đến cách trải nghiệm mua sắm chuyển đổi thành hành vi mua hàng.

Trong một bài báo được phê duyệt tại Hội thảo về AI4Differential Equations trong Khoa học thuộc Hội nghị Quốc tế về Học Đặc trưng năm 2024, Zhang và các đồng nghiệp của cô đã trình bày một cách tiếp cận mới lạ đối với vấn đề ước tính các phần quan trọng nhất trong hành trình của khách hàng. Bài báo được viết khi Zhang là Nhà khoa học ứng dụng tại Amazon Web Services (AWS), đây là nơi cô gia nhập vào mùa thu năm 2023.

Zhang, với tấm bằng Tiến sĩ thống kê của Đại học Tiểu bang Iowa, đã gia nhập Amazon Ads với tư cách là Nhà khoa học ứng dụng vào tháng 7 năm 2024. Trong bài viết này, cô ấy nói về bài báo và sở thích nghiên cứu của mình.

Tôi nghĩ những gì mọi người đang nghiên cứu tại đây thực sự thú vị. Tôi được tiếp cận với nguồn dữ liệu phong phú để phát triển các hệ thống đề xuất tiên tiến và lựa chọn cá nhân hóa, đây là các yếu tố trực tiếp định hình trải nghiệm của khách hàng. Những loại hệ thống này sẵn có ở nhiều công ty lớn, vì vậy Ads là một nơi rất tốt để phát triển chuyên môn. Amazon đầu tư vào các nhà khoa học bằng cách hỗ trợ cho các buổi hội nghị và công trình nghiên cứu, vì vậy điều đó giúp chúng tôi luôn đi đầu trong lĩnh vực quảng cáo và bộ phận Quảng cáo đã phát triển rất nhiều trong thời gian gần đây.

Tôi chủ yếu chú trọng vào các hệ thống đề xuất và lựa chọn cá nhân hóa, tạo ra các mô hình và thuật toán với khả năng hiển thị cho mọi người sản phẩm mà họ có thể quan tâm. Các hệ thống đề xuất thường có hai phần. Đầu tiên là tìm nguồn cung ứng, trong đó chúng tôi truy xuất nhiều sản phẩm thích hợp nhất có thể để hiển thị cho khách hàng. Phần thứ hai là xếp hạng, trong đó chúng tôi muốn sắp xếp một số sản phẩm theo trình tự cụ thể để có nhiều người hơn nhấp vào quảng cáo phù hợp nhất với họ. Tôi đang hoạt động ở phần tìm nguồn cung ứng.

Tôi đặt trọng tâm vào phân bổ nhiều điểm chạm, đây là một lĩnh vực nghiên cứu nỗ lực tìm hiểu hành trình của khách hàng và xác định những tương tác đóng góp nhiều nhất vào hoạt động chuyển đổi cuối cùng, ở đây đồng nghĩa với một cú nhấp chuột hoặc lần mua hàng. Trong không gian bán lẻ kỹ thuật số, khách hàng thường tương tác với nhiều điểm chạm trước khi mua hàng: Họ xem một số quảng cáo, họ duyệt một số trang sản phẩm, họ đọc các đánh giá. Tất cả những hành động và tương tác khác nhau đó được coi là điểm chạm.

Theo truyền thống, các mô hình phân bổ cho điểm chạm cuối hoặc phân bổ cho điểm chạm đầu tiên, có nghĩa là những mô hình này gán mức độ quan trọng nhất cho bước đầu tiên hoặc bước cuối cùng trong hành động chuyển đổi cuối cùng. Nhưng hành trình của khách hàng lại vô cùng phức tạp. Trong phần lớn các trường hợp, một số điểm chạm trung gian lại có ý nghĩa quan trọng hơn trong việc thúc đẩy quyết định của khách hàng. Vì vậy, bài báo đã tìm kiếm một giải pháp mô hình hóa toàn diện hơn để hiểu cách phối hợp giữa các tương tác này trong toàn bộ hành trình của khách hàng.

Tôi nghĩ việc sử dụng cơ chế chú ý để mô hình hóa phân bổ là điểm thú vị của bài báo. Một mô hình đa phân bổ đơn giản chỉ xem mỗi tương tác là một đối tượng biệt lập hoặc coi chúng đều có vai trò tương đương nhau. Nhưng cơ chế chú ý này xem xét toàn bộ chuỗi các điểm chạm và sẽ linh động đánh giá tầm quan trọng của từng điểm chạm trong hành trình của khách hàng. Nhiều công cụ dựa trên AI ngày nay được đào tạo dựa trên cơ chế chú ý này, đây là lớp có thể xác định được điểm có vai trò quan trọng hơn từ tập dữ liệu lớn. Cơ chế đó cũng mang lại hiệu quả tương đối lớn cho tác vụ phân bổ của chúng tôi.

Đó là một phần của bài báo, và nội dung còn lại là phương trình vi phân thường (ODE) kết hợp mạng nơ-ron. Các loại mô hình khác có thể sử dụng chuỗi thời gian để mô hình hóa hành trình của khách hàng, trong đó từng bước lại diễn ra theo các khoảng thời gian tương đối đều đặn. Nhưng trong thực tế, các khoảng thời gian trong hành trình của khách hàng có thể thay đổi rất nhiều. Có thể hôm nay bạn sẽ thấy một thứ và 10 giây sau—hoặc 10 ngày lại thấy một thứ khác. ODE đủ khả năng ghi nhận những khoảng thời gian không đều này.

Chúng tôi đã thử nghiệm mô hình với các tương tác của khách hàng với các kênh tiếp thị AWS khác nhau, chẳng hạn như tìm kiếm trả tiền và tìm kiếm tự nhiên, đồng thời cố gắng xác định kênh có ý nghĩa quan trọng hơn đối với lượt chuyển đổi. Mô hình đã thu được hiệu suất tốt hơn nhiều so với các phương pháp phân bổ truyền thống.

Mặc dù nghiên cứu tập trung vào các kênh tiếp thị cho AWS, ta vẫn có thể áp dụng phương pháp này cho quảng cáo. Tác động trải dài trên ba lĩnh vực. Đầu tiên, việc hiểu trình tự và thời điểm khách hàng tương tác giúp chúng tôi xác định những quảng cáo phối hợp tốt nhất với nhau và trình tự sắp xếp chúng để đạt kết quả đó. Thông tin này có thể hỗ trợ các chiến lược khởi đầu tương tác thông qua quảng cáo tập trung vào nhận thức và sau đó dẫn khách hàng tiềm năng đến các quảng cáo thúc đẩy chuyển đổi. Thứ hai, việc nắm rõ hiệu quả của từng điểm chạm tạo điều kiện cho các nhà quảng cáo cá nhân hóa chính xác hơn các chiến dịch của họ. Ví dụ: chúng tôi có thể truyền tải quảng cáo đến với những khách hàng đã từng có mức độ tương tác cao với một số định dạng và nội dung quảng cáo nhất định, đồng thời gia tăng mức độ liên quan và tác động của từng điểm chạm trong hành trình của khách hàng. Và thứ ba, trong quá trình thu thập dữ liệu về tác động của các điểm chạm khác nhau đối với hành vi của khách hàng, chúng tôi có thể xây dựng các mô hình dự đoán ước tính tác động có thể xảy ra của các chiến dịch trước khi khởi chạy.

Amazon Ads có tác động rất lớn và cho phép tôi linh hoạt khám phá một số ý tưởng sáng tạo, và bộ phận của chúng tôi đóng góp rất nhiều vào sự phát triển tổng thể của công ty, điều này khiến tôi thật phấn khích. Tôi được truy cập vào một số lượng lớn các tập dữ liệu có chất lượng tuyệt vời, đây là tài nguyên cực kỳ giá trị để xây dựng các mô hình máy học mạnh mẽ. Điều này cho phép tôi thử nghiệm các kỹ thuật tiên tiến, vì vậy đây là nơi đem lại cho tôi trải nghiệm tuyệt vời.

Các nhà khoa học tại Ads cũng cộng tác chặt chẽ với nhau và chúng tôi có một mạng lưới chuyên chia sẻ ý tưởng và thúc đẩy đổi mới. Ví dụ: trong một dự án về hệ thống đề xuất, các nhà khoa học có thế mạnh trong máy học có thể phối hợp cùng các chuyên gia về xử lý ngôn ngữ tự nhiên hoặc suy luận nhân quả để tạo nên giải pháp toàn diện. Chúng tôi thường xuyên bình duyệt các mô hình, xác thực kết quả và tìm hiểu các lựa chọn thay thế để đảm bảo tính chính xác và hiệu quả. Chúng tôi cũng làm việc trực tiếp với các kỹ sư phần mềm để tích hợp các mô hình vào cơ sở hạ tầng của Amazon, tối ưu hóa hiệu suất và khả năng mở rộng theo thời gian thực, đồng thời chúng tôi hợp tác với các nhà quản lý sản phẩm để điều chỉnh các mô hình theo mục tiêu kinh doanh, qua đó tác động trực tiếp đến trải nghiệm và tương tác của người dùng.

Amazon có số lượng nhân tài vô cùng lớn và bạn có thể học hỏi được rất nhiều điều trong quá trình cộng tác cùng họ.

Tôi muốn nâng cao khả năng diễn giải của các mô hình chúng tôi sở hữu—tập trung vào tính minh bạch để các nhà quảng cáo không chỉ nắm được các chỉ số hiệu suất mà còn hiểu về cơ sở lý luận đằng sau thông tin chi tiết. Nếu có thể cung cấp nhiều thông tin diễn giải hơn cho các nhà quảng cáo thì chúng tôi cũng đủ khả năng mang lại trải nghiệm giá trị hoặc phù hợp hơn cho khách hàng.