論文背後： Yudi Zhang 找到了能更細緻分析消費者旅程的方法
您為什麼會加入亞馬遜廣告？
我覺得人們在這裡研究的事項非常有趣。這裡資料非常豐富，讓我能夠研究進階的推薦系統和個人化服務，直接塑造顧客體驗。許多大公司都有這類系統，因此亞馬遜廣告是發展專業的絕佳場所。亞馬遜透過支援會議和研究來投資科學家，讓我們一直處於廣告領域的尖端，而廣告部門最近也有很大的成長。
您的主要研究領域是什麼？
我的主要工作重點在於推薦系統和個人化服務，藉由建立模型和演算法，向人們展示他們可能感興趣的商品。推薦系統通常有兩個部分。第一個部分是採購，我們會盡可能擷取相關商品向顧客展示。第二個部分是排名，我們會按照特定順序排列各種商品，以便讓更多人點擊與他們最相關的廣告。我正在研究採購部分。
您的論文《用於多通路歸因的神經微分方程》重點是什麼？
重點在於多點接觸歸因，這個研究領域會試圖了解消費者旅程，並找出哪些互動對最終轉化 (在此指點擊或購買) 貢獻最大。在數位零售空間中，顧客在購買前通常會與多個接觸點互動： 他們會觀看一些廣告、瀏覽一些商品頁面和閱讀評論。所有這些不同的動作和互動都被視為接觸點。
傳統模型會捕捉最後接觸歸因或第一次接觸歸因，這表示它們將最終轉化行動的第一步或最後一步視為最重要的部分。但消費者旅程非常複雜。大多數情況下，一些中間接觸點對推動顧客決策更為重要。因此，這篇論文尋求更全方位的模型解決方案，以了解這些互動將如何在整個消費者旅程中共同發揮作用。
這項研究有什麼令人振奮的部分？
我認為這篇論文最令人振奮的部分是它使用注意力機制來建立歸因模型。簡單的多歸因模型只是將每個互動視為獨立，或給予每個互動相等的權重。但這種注意力機制會檢視整個接觸點的順序，並動態評估每個接觸點在消費者旅程內的重要性。如今，許多 AI 型工具都是根據這種注意力機制進行訓練，這層機制可以從大數據中找出哪一點比較重要。這對我們的歸因任務也相當有效。
這是論文的一部分，另一部分則是神經微分方程 (ODE)。其他類型的模型可能會使用時間序列來建立消費者旅程模型，其中每個步驟都以相對規律的間隔進行。但在現實生活中，消費者旅程的時間間隔可能差異很大。您今天可能在看到一件事的 10 秒後看到另一件事，但也有可能會在 10 天後才看到。ODE 能夠捕捉這些不規則的時間間隔。
我們在顧客與不同 AWS 行銷通路 (例如付費搜尋和自然搜尋) 的互動上測試了該模型，並嘗試找出哪個通路對轉化率更重要。其表現遠優於傳統的歸因方法。
這項研究對廣告有什麼影響？
雖然研究重點在 AWS 的行銷通路，但這個方法也可以應用在廣告上。該影響跨越了三個領域。第一，了解顧客互動的順序和時間，有助於我們確定哪些廣告的組合和順序最佳。我們可以藉由這方面的知識來制定策略，透過以認知度為重點的廣告激發參與度，然後引導潛在顧客瀏覽廣告以便推動轉化率。第二，了解每個接觸點的有效性，可讓廣告主更精確地個人化他們的廣告活動。舉例來說，我們可以向之前積極與特定廣告格式和內容表現互動的顧客投放廣告，從而提高消費者旅程中每個接觸點的相關性和影響力。第三，當我們收集不同接觸點如何影響顧客行為的資料時，可以建立預測模型，在推出廣告活動之前預估其可能產生的影響。
在亞馬遜廣告工作的哪些方面讓您感到滿意？
亞馬遜廣告的影響力非常大，可以靈活地探索一些創新想法，而我們部門對公司的整體成長貢獻良多，這令人振奮。我可以存取許多高品質的資料集，這對建立強大的機器學習模型很有價值。這讓我可以用進階技術進行實驗，所以這是一次非常好的經驗。
廣告部門的科學家會跟我們密切合作，而這裡也提供了可以分享想法和加速創新的網路。舉例來說，在推薦系統專案中，具備機器學習優勢的科學家可能會與自然語言處理或因果推論的專家合作，共同創造出完善的解決方案。我們會定期對模型進行同儕審查、驗證結果並探索替代方案，以確保準確性和效率。我們還實際與軟體工程師合作，將模型整合到亞馬遜的基礎設施中，以便最佳化即時效能和可擴展性；我們也與商品經理合作，讓模型與業務目標結合，直接對使用者體驗和參與度產生影響。
亞馬遜有許多優秀的人才，在與他們合作的過程中，可以學到很多。
您如何在自己的角色中重新構想廣告？
我想要增強模型的可解釋性，並著重在透明度，讓廣告主不僅能看到績效指標，還能了解洞察背後的原理。如果我們能為廣告主提供更多的解釋，那我們也能為顧客提供更有價值或更相關的體驗。