Phía sau bài báo: Kelly Paulson sử dụng các thuật toán để phát hiện cơ hội học hỏi trong các đơn vị kinh doanh

Kelly Paulson nhận một công việc ở Amazon ngay sau khi tốt nghiệp cao học. Cô đã có bằng tiến sĩ kinh tế tại Đại học California San Diego và ban đầu chỉ coi công việc này là “một điều thú vị” để làm trước khi chuyển sang một việc khác. Nhưng cô ấy đã quá thích công việc này nên không thể rời đi, và 11 năm sau, cô ấy là Quản lý cấp cao phụ trách các nhà kinh tế và khoa học ứng dụng tại Amazon Ads. Bài báo mà cô là đồng tác giả, Multi-task combinatorial bandits for budget allocation (Những thuật toán kết hợp đa nhiệm cho phân bổ ngân sách), đã giành giải bài báo hay nhất tại hội nghị AdKDD 2024. Dưới đây là phần trao đổi của Kelly về bài báo và công việc của cô tại Amazon Ads.

Tôi gia nhập đội ngũ Amazon Kindle vào năm 2013 khi tôi vừa hoàn thành luận án của mình, và đó là năm đầu tiên Amazon tuyển dụng các nhà kinh tế trẻ vừa tốt nghiệp cao học. Tôi bị thu hút bởi dữ liệu. Tôi đã nghiên cứu các kỹ thuật thống kê để tìm hiểu về cách mọi người đưa ra lựa chọn, và tất nhiên, Amazon đã có một trong những tập dữ liệu lớn nhất trên thế giới về những người đang đưa ra lựa chọn.

Vào thời điểm đó, tôi đã nhận được những lời mời làm việc trong lĩnh vực công nghệ, chính phủ và học viện, và tôi không dự định sẽ ở lại Seattle lâu dài. Nhưng vì tôi muốn có kinh nghiệm thực tế với dữ liệu phong phú của Amazon, nên tôi đã nghĩ rằng mình sẽ hoãn lại các lời mời làm việc và làm điều gì đó thú vị trong một năm. Đến cuối năm đó, tôi đã thực sự thích công việc này và quyết định ở lại. Tôi muốn chuyển sang một bộ phận của Amazon nơi có nhiều người suy nghĩ về cách trích xuất thông tin từ các tập dữ liệu thực sự lớn. Vì vậy, tôi chuyển sang Amazon Ads với tư cách là nhà khoa học đầu tiên làm việc về đo lường.

Tôi tập trung vào việc hiểu cách quảng cáo tác động đến khách hàng và cách truyền thông tin đó đến các hệ thống tối ưu hóa quảng cáo. Các tín hiệu độc nhất của Amazon đóng vai trò trọng tâm trong đề xuất giá trị của chúng tôi. Khi một người mua nhìn thấy quảng cáo về giày, khả năng họ mua những đôi giày đó có cao hơn không? Nếu chúng ta có cơ hội cho một người mua tương tự xem cùng một quảng cáo vào ngày mai, thì chúng ta có nên làm điều đó không?

Nhưng một phần quan trọng của điều đó là cách chúng tôi có thể tóm lược các thông tin chi tiết một cách hữu ích cho các nhà quảng cáo. Chúng ta có thể thực hiện các phép tính lợi tức đầu tư hữu ích cho họ không? Họ có thể học được gì về các chiến dịch ngày tựu trường mà có thể áp dụng vào các chiến dịch dịp lễ của mình?

Đó là những ngày đầu trăn trở về cách Amazon có thể tối ưu hóa cho cả người mua hàng và nhà quảng cáo bằng cách trợ giúp các nhà quảng cáo mang lại nhiều nội dung hữu ích hơn cho người mua vào đúng thời điểm.

Nền tảng của tôi là lý thuyết kinh tế lượng, đặc biệt tập trung vào các mô hình nhân quả trong tiếp thị định lượng. Trong vài năm qua, tôi thực sự quan tâm đến việc làm thế nào để phát triển một tín hiệu nhân quả và tích hợp nó vào một tập hợp các hệ thống chung đang đưa ra quyết định tiếp thị.

Sự giao thoa giữa đo lường quan hệ nhân quả và học tăng cường là điều chỉ có tại Amazon. Chúng tôi có quy mô lớn đến mức cần sử dụng rất nhiều công cụ như học tăng cường để đưa ra quyết định. Chúng tôi là một công ty phụ thuộc rất nhiều vào dữ liệu và chúng tôi muốn đưa ra quyết định dựa trên các tín hiệu nhân quả, không phải tín hiệu tương quan.

Các công ty khác thường chỉ tập trung vào một trong hai khía cạnh. Sự giao thoa này rất thú vị và sẽ hiện diện ở khắp mọi nơi trong tương lai. Amazon đang đi đầu trong lĩnh vực đó.

Như thường thấy trong ngành công nghệ, chúng tôi sử dụng nhu cầu của chính Amazon để thử nghiệm các sản phẩm mới mà cuối cùng chúng tôi có thể bán ra bên ngoài. Tôi làm việc trong tổ chức Quảng cáo, nhưng tôi cũng làm công việc tiếp thị cho một loạt các doanh nghiệp Amazon bên ngoài lĩnh vực Quảng cáo. Chẳng hạn, chúng tôi có thể muốn nâng cao nhận thức của những người xem trực tuyến về một loạt phim mới trên Prime Video hoặc nâng cao nhận thức của người mua về các ưu đãi trong dịp lễ.

Vì vậy, nhóm của tôi hỗ trợ các doanh nghiệp nội bộ của Amazon sử dụng các sản phẩm Amazon Ads nhằm đáp ứng các mục tiêu tiếp thị của họ. Nhóm của tôi rất đa dạng về nhân sự, bên cạnh các nhà khoa học và kỹ sư còn có các chuyên gia lĩnh vực tiếp thị có mối quan hệ chặt chẽ với các nhà lãnh đạo doanh nghiệp. Chúng tôi cùng nhau xác định các cơ hội để sử dụng thuật toán trong các hệ thống quảng cáo và cơ hội để xem các mô hình mà những người khác không thể nhìn ra.

Ý tưởng cho bài báo này là để xem liệu chúng ta có thể học được bất cứ điều gì từ việc sử dụng một thuật toán để phân tích thông tin về các sản phẩm khác nhau hay không. Chúng tôi chỉ ra rằng khi chúng tôi sử dụng các kỹ thuật học tăng cường, về cơ bản chúng tôi có thể trợ giúp một sản phẩm thu được hiệu suất tốt hơn bằng cách sử dụng những gì các sản phẩm khác đã học được và gần như theo thời gian thực. Chúng tôi đã chạy thuật toán này hàng ngày.

Giả sử chúng tôi đã có một loạt các chiến dịch tiếp thị cho các thiết bị khác nhau và sau đó chúng tôi sẽ tung ra một thiết bị mới cho dịp lễ. Chúng tôi phải bắt đầu từ đâu? Thuật toán này là cách mà chúng tôi có thể tận dụng những gì đã biết từ các hoạt động tiếp thị mà chúng tôi thực hiện trước đó cho các thiết bị hiện có và bắt đầu chiến dịch mới với một thiết lập được tối ưu hóa.

Tác động chính là sự cải thiện khá đáng kể về hiệu suất. Tại hội nghị AdKDD, rất nhiều bài báo khác đã báo cáo tỷ lệ nhấp chuột cải thiện 2% hoặc 3%. Mức cải thiện của chúng tôi về tổng số lượt nhấp chuột trung bình là 18%. Chúng tôi cũng ghi nhận mức giảm chi phí cho mỗi lần nhấp chuột là 12,7%.

Điều này cho thấy rằng ngay cả khi có ý định phối hợp giữa các sản phẩm, việc này vẫn rất khó khăn và có một cơ hội kinh doanh rất lớn trong việc sử dụng các thuật toán như thế này để trợ giúp các sản phẩm học hỏi lẫn nhau một cách có hệ thống. Các chuyên gia tiếp thị cho những sản phẩm khác nhau có thể chia sẻ những gì họ đã học được với nhau trong các buổi “ăn trưa và học hỏi” cũng như xây dựng cẩm nang về các phương pháp hay nhất – nhưng việc con người phối hợp với nhau rất tốn kém và thật khó để cập nhật những thông tin chi tiết có nhiều khác biệt trong một ngành công nghiệp đang phát triển nhanh chóng. Đây là một cách có nguyên tắc và có hệ thống để các công ty có thể phối hợp với nhau tốt hơn và hiệu quả hơn.

Ngay cả bên ngoài các công ty công nghệ, có rất nhiều công ty lớn với nhu cầu tiếp thị phức tạp và có quy mô toàn cầu. Nhưng rất nhiều tài liệu học thuật chỉ tập trung vào các phần riêng lẻ của vấn đề kinh doanh. Vì vậy, sẽ thật thú vị nếu bạn là một công ty với các sản phẩm đa dạng và bạn có thể khiến các bộ phận khác nhau của doanh nghiệp đi theo cùng một hướng bằng cách sử dụng kỹ thuật học tăng cường.

Ba sinh viên cao học đã dành thời gian trong quá trình viết luận án của họ để làm việc với chúng tôi trong vai trò thực tập sinh cho bài báo này. Và tất cả ba người đều nhận được lời đề nghị làm việc từ Amazon; hai người đã bắt đầu làm việc và một người sẽ bắt đầu vào đầu năm nay.

Một điều tôi thực sự thích là khả năng phát triển ý tưởng của mình thành các chương trình. Thường thì khi đang làm việc trong một dự án, tôi nhận ra rằng một điều khác quan trọng hơn rất nhiều đối với doanh nghiệp. Chúng tôi có một quy trình trong đó bạn viết một thông cáo báo chí giả định và trả lời một số câu hỏi thường gặp – được gọi là PR/FAQ – về một sản phẩm hoặc chương trình tương lai mà Amazon có thể ra mắt.

Thông qua đó, tôi đã có một số cơ hội để đề ra vấn đề mà tôi muốn giải quyết, suy nghĩ về giải pháp, ghi giải pháp ra, truyền đạt ý tưởng cho các đồng nghiệp và tạo ra những sản phẩm mới dựa trên khoa học. Thật thú vị khi thấy hiện giờ các sản phẩm được hỗ trợ bởi đội ngũ 25 người và biết rằng tôi là người đưa ra đề án kinh doanh và nhận được nguồn tài trợ ban đầu.

Trong vai trò của mình, tôi có thể cân bằng giữa các câu hỏi về cách chúng tôi đo lường tác động của quảng cáo đối với khách hàng với các câu hỏi về cách chúng tôi vận hành các hệ thống tối ưu hóa của mình nhằm mang lại kết quả tốt hơn cho khách hàng của chúng tôi. Khi tôi nói chuyện với các công ty khác, tôi cảm thấy như họ đang cố gắng đặt tôi vào một khuôn khổ; họ cần tôi hoặc là đo lường một cái gì đó, hoặc là quản lý một hệ thống tối ưu hóa. Tại Amazon, tôi có sự linh hoạt để xem xét tất cả vấn đề và thực sự suy nghĩ về cách thúc đẩy kết quả tốt nhất cho khách hàng, kết hợp các hệ thống tối ưu hóa và hệ thống đo lường lại với nhau.

Một điều đặc biệt khác về các nhà khoa học ứng dụng ở đây là họ tập trung vào việc cung cấp phần mềm – chứ không chỉ là làm nghiên cứu. Họ đang xây dựng các sản phẩm có thể sử dụng lâu dài và trợ giúp giải quyết nhu cầu kinh doanh dài hạn.

Nhóm của tôi suy nghĩ về nhu cầu quảng cáo của Amazon mỗi ngày và chúng tôi thử nghiệm các sản phẩm quảng cáo hiện có trên quy mô lớn cũng như xác định các cơ hội để làm tốt hơn. Bởi vì Amazon là một trong những nhà quảng cáo lớn nhất trên thế giới, chúng tôi học được rất nhiều điều. Chúng tôi không cố gắng bán các sản phẩm quảng cáo hiện có; chúng tôi đang tìm cách cải thiện chúng. Nỗi ám ảnh vì khách hàng đó, cùng với sự linh hoạt để thiết kế giải pháp tốt nhất, là điều mới mẻ đối với ngành này.