📊 statistics

Hierarchical Causal Uplift Modeling in Overlapping Customer Journeys

تقترح هذه الورقة نموذج رفع سببي هرمي يستخدم إطار عمل مونت كارلو وحدود التفاعل الضربية لتفكيك مسارات التسويق المتداخلة، مما يسمح للمنصات الرقمية بتقدير التأثير الإضافي الحقيقي لكل مسار فردي وتآزراتها بدقة.

المؤلفون الأصليون: Jorge Pellegrini

نُشر 2026-04-28

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Jorge Pellegrini

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

مشكلة "كثرة الطهاة" في التسويق الرقمي

تخيل أنك تحاول معرفة أي نوع من التوابل يجعل حساءك مذاقه أفضل. جربت إضافة رشة ملح، فكان طعم الحساء رائعاً. ثم جربت إضافة لمسة من الفلفل، وكان طعمه رائعاً أيضاً.

ولكن ماذا يحدث عندما تضيف كليهما في نفس الوقت؟ هل يجعل الملح طعم الفلفل أقوى؟ أم أن الفلفل يطغى على الملح؟ وإذا تذوقت الحساء ووجدته لذيذاً، فكم من هذه اللذة جاءت من الملح، وكم منها من الفلفل، وكم منها كان مجرد "سحر" عملهما معاً؟

في عالم حجز السفر عبر الإنترنت (مثل Despegar)، تستخدم الشركات "رحلات تسويقية" (Marketing Journeys)—وهي رسائل مؤتمتة مثل رسائل البريد الإلكتروني، أو إشعارات التطبيق، أو الإعلانات—لتحفيزك على إتمام عملية الحجز.

المشكلة:
العميل لا يتلقى رسالة واحدة فقط. قد يتلقى تنبيهاً بـ "البحث" (يذكره بفندق بحث عنه)، وتنبيه "التدفق" (يذكره بأنه ترك شيئاً في سلة التسوق)، وتنبيه "العرض" (يعطيه خصماً).

ولأن هذه الرسائل غالباً ما تصل إلى العميل في نفس الوقت، فإن اختبار A/B التقليدي (المعيار الذهبي في العلم) يصاب بـ "الارتباك". إذا رأيت عميلاً يشتري رحلة طيران، فلا يمكنك معرفة ما إذا كان قد اشتراها بسبب الخصم، أو بسبب تذكير سلة التسوق، أو أنه كان سيشتريها على أي حال والرسائل لم تفعل سوى إزعاجه. الرسائل متداخلة، والحسابات أصبحت معقدة.

الحل: "النموذج السببي الهرمي" (Hierarchical Causal Model)

قام خورخي بيليغريني من Despegar بتطوير طريقة لـ "فصل" هذه المكونات المتداخلة. فبدلاً من مجرد النظر إلى الطعم النهائي للحساء، يعمل نموذجه بشكل عكسي لمعرفة القوة الحقيقية لكل مكون على حدة.

إليك كيف تعمل "مطبخه الرياضي":

1. تأثير المضاعف (الخلطة السرية)

بدلاً من معاملة كل رسالة كإضافة منفصلة، يعاملها النموذج كـ مضاعفات.

إذا كان تنبيه "البحث" يمنح فرصة الشراء زيادة بمقدار $1.5\times$ ...
وتنبيه "العرض" يمنح زيادة بمقدار $2.0\times$ ...
يسأل النموذج: "عندما يجتمعان، هل تكون النتيجة $3.0\times$ ( $1.5 \times 2.0$ )، أم أن هناك تآزراً (دفعة إضافية) يجعلها $3.5\times$ ؟"

2. طريقة مونت كارلو (محاكي "ماذا لو")

بسبب كون بيانات العالم الحقيقي "مشوشة" (أحياناً يشتري الناس أشياء لأسباب عشوائية)، لم يكتفِ الباحث بإجراء الحسابات مرة واحدة فقط، بل استخدم محاكاة مونت كارلو.

فكر في هذا الأمر كأنه محاكي طيران. بدلاً من قيادة طائرة واحدة مرة واحدة، قام بتشغيل 5,000 رحلة محاكاة مختلفة، مع تغيير الرياح، ووزن الطائرة، ومهارة الطيار قليلاً في كل مرة. ومن خلال رؤية أين انتهت جميع الرحلات الـ 5,000، استطاع العثور على المسار "الحقيقي" عبر سحب عدم اليقين.

الاكتشافات الكبرى

عندما طبقوا ذلك على ثلاثة ملايين مستخدم، وجدوا أموراً مذهلة:

اكتشاف "القوة الخفية": كانت الرحلات الفردية في الواقع أقوى بكثير مما تبدو عليه في الاختبارات القياسية. قد تبدو إحدى الرحلات وكأنها توفر دفعة صغيرة فقط، ولكن بمجرد حساب "الازدحام" الناتج عن الرسائل الأخرى، تظهر قوتها الحقيقية بمرتين إلى 4 مرات أعلى! الأمر يشبه إدراك أن مغنياً هادئاً هو في الواقع صاحب صوت قوي بمجرد خفض صوت الطبول الصاخبة في الخلفية.
اكتشاف "التآزر": الرسائل تعمل بشكل أفضل معاً! هناك "مكافأة" صغيرة تظهر عند تداخل الرسائل. وتحديداً، عندما يكون شخص ما بالفعل في مرحلة متقدمة من عملية الشراء (رحلة "التدفق") ويحصل على خصم (رحلة "العرض")، فإنهما يعملان معاً مثل دويتو مثالي.
اكتشاف "تناقص العوائد": إذا قمت بإغراق شخص ما بكل أنواع الرسائل في وقت واحد، فإن الفائدة الإضافية تبدأ في الاستقرار. الأمر يشبه إضافة المزيد والمزيد من الملح إلى الحساء—في النهاية، أنت لا تجعله أفضل، بل تجعله مالحاً فحسب.

لماذا يهم هذا؟

بالنسبة لشركة مثل Despegar، هذا يعني أنهم ليسوا مضطرين للتوقف عن إرسال الرسائل من أجل "الاختبار" (مما يعني خسارة المال). بدلاً من ذلك، يمكنهم استخدام هذه الرياضيات لفهم أي الرسائل هي "المحركات الحقيقية" وأيها مجرد ضجيج، مما يسمح لهم بخلق تجربة أكثر سلاسة وفعالية للمسافر.

ملخص تقني: نمذجة الرفع السببي الهرمي في رحلات العملاء المتداخلة

1. بيان المشكلة

في مجال التجارة الإلكترونية الرقمية واسعة النطاق (وتحديداً في قطاع السفر)، تعتمد أتمتة التسويق على "رحلات" متعددة (وهي عبارة عن سلاسل من الاتصالات المخصصة مثل البريد الإلكتروني، والإشعارات، إلخ) التي يتم تفعيلها بناءً على سلوك المستخدم. وتنشأ مشكلة جوهرية تتمثل في أن هذه الرحلات ليست معزولة؛ إذ غالباً ما يمر المستخدمون بـ "تعرضات متداخلة" (تفعيل متزامن أو متتابع لرحلات مختلفة).

تقيس اختبارات A/B القياسية الرفع الهامشي (Marginal Lift) لرحلة واحدة عبر مقارنة مجموعة المعالجة بمجموعة التحكم. ومع ذلك، وبسبب التداخل، تكون هذه الرفوع المرصودة منحازة، حيث تفشل في مراعاة:

التفاعلات: أوجه التآزر (الآثار التعزيزية) أو التآكل (الآثار المثبطة) بين الرحلات.
التقليل من التقدير: الرفع المرصود لرحلة واحدة يعكس تأثيرها ضمن بيئة صاخبة متعددة الرحلات، بدلاً من تأثيرها الحقيقي المتزايد.
القيود التشغيلية: إن إجراء اختبارات حجز (Holdout tests) معزولة ومتزامنة لكل رحلة هو أمر غير مبرر تجارياً بسبب الخسائر الهائلة في الإيرادات وتدهور تجربة العميل الناتج عن حجب الاتصالات.

2. المنهجية

يقترح المؤلف نموذج رفع سببي هرمي (Hierarchical Causal Lift Model) مصمماً لتفكيك الرفوع الهامشية المرصودة إلى "آثار فردية نقية" وآثار "تفاعلية".

أ. الإطار الرياضي:
يفترض النموذج أن كل رحلة $j$ تساهم بمعامل ضربي $f_j = (1 + \ell_j)$ في احتمالية التحويل. ولتغطية التداخلات، يُدخل النموذج معاملات تفاعل $\kappa$ للتركيبات الثنائية والأعلى رتبة.

الأثر الإجمالي $F(c)$ : لأي تركيبة من الرحلات $c$ ، يكون الأثر هو حاصل ضرب عوامل الفرد ومعاملات التفاعل:
$F(c) = \left( \prod_{j \in c} f_j \right) \times \prod \kappa_{\text{interactions}}$
الآثار المتوقعة: يحسب النموذج معدلات التحويل المتوقعة على مستوى السكان عندما تكون الرحلات "مفعلة" مقابل "معطلة"، باستخدام النسب التجريبية لشرائح المستخدمين ( $p_c$ ) المعرضة لتركيبات محددة.

ب. التقدير عبر التحسين (Optimization):
يقدر النموذج متجه المعلمات $\theta$ (الرفوع الفردية ومعاملات التفاعل) عن طريق تقليل دالة هدف المربعات الصغرى غير الخطية المنظمة:

البواقي (Residuals): الفرق بين الرفوع المتوقعة من النموذج والرفوع التجريبية المرصودة.
التنظيم (Regularization): يتم تطبيق حد عقوبة ( $\lambda_{inter}$ ) على معاملات التفاعل لمنع الإفراط في التخصيص (Overfitting)، مما يدفع $\kappa$ نحو الرقم 1 (الحياد) ما لم تشير البيانات بقوة إلى خلاف ذلك.
المرتكزات الناعمة (Soft Anchors): يدمج النموذج "الرفوع النقية" (الآثار المرصودة على المستخدمين المعرضين لرحلة واحدة فقط) كـ "توزيعات غاوسية سابقة" (Gaussian priors) بدلاً من كونها قيوداً صارمة، مما يسمح للنموذج بالبقاء مرناً مع الاستقرار بواسطة بيانات المجموعات الفرعية الانتقائية.

ج. تقدير عدم اليقين (إطار مونت كارلو):
لمعالجة الضجيج في البيانات، يستخدم المؤلف محاكاة مونت كارلو:

أخذ العينات: يقوم بأخذ عينات من توزيع ديريكليه (Dirichlet distribution) لنمذجة عدم اليقين في نسب شرائح المستخدمين، ويقوم بتعديل الرفوع المرصودة بناءً على أخطائها المعيارية التجريبية (المستمدة عبر طريقة دلتا - Delta Method).
التكرار: يتم تشغيل عملية التحسين 5,000 مرة عبر هذه العينات.
المخرجات: ينتج عن ذلك توزيع خلفي (Posterior distribution) لجميع المعلمات، مما يوفر ليس فقط تقديرات نقطية، بل أيضاً فترات ثقة ومقاييس للمتانة.

3. المساهمات الرئيسية

تفكيك الرفع (Decomposition of Lift): طريقة مبتكرة لفصل التأثير المتزايد "النقي" لرحلة تسويقية عن التأثير "الهامشي" المرصود في بيئة مزدحمة.
نمذجة التفاعل الضربي: تجاوز النماذج الجمعية لالتقاط كيفية تضخيم أو إضعاف التواصل المتعدد لبعضه البعض.
ۙ نهج تقدير هجين: الجمع بين طريقة المربعات الصغرى غير الخطية الحتمية ومحاكاة مونت كارلو للتعامل مع عدم اليقين المتأصل في شرائح المستخدمين المتداخلة.
الحوكمة القابلة للتوسع: توفير طريقة لتقدير الزيادة الحقيقية دون الحاجة إلى مجموعات حجز عالمية ضخمة تستنزف الإيرادات.

4. النتائج

عند تطبيقه على مجموعة بيانات تضم ثلاثة ملايين مستخدم في Despegar، أسفر النموذج عن عدة نتائج حاسمة:

تحديد التآزر: كانت جميع معاملات التفاعل إيجابية، مما يشير إلى وجود تآزر طفيف ولكن ثابت. وكان أقوى تآزر بين رحلتي "التدفق" (Flow) و**"العرض" (Offer)**، مما يشير إلى أن العروض فعالة للغاية عندما يكون المستخدمون في مرحلة متقدمة من مسار الشراء.
تصحيح التقليل من التقدير: كشف النموذج أن الرفوع المرصودة تقلل بشكل كبير من التأثير الحقيقي. على سبيل المثال، كان الرفع النقي لرحلة "العرض" حوالي 4 أضعاف رفعها المرصود، وكان الرفع النقي لرحلة "البحث" حوالي 4.6 ضعف قيمتها المرصودة.
المواءمة العالمية: تطابق الرفع العالمي الذي تنبأ به النموذج (الأثر المشترك لجميع الرحلات) بشكل وثيق مع الرفع العالمي المقاس تجريبياً (محققاً دقة تقارب 85%)، مما يثبت قدرة النموذج على إعادة بناء الأداء على مستوى النظام.

5. الأهمية

يوفر هذا البحث حلاً رياضياً صارماً لمشكلة شائعة في التسويق الرقمي عالي التردد. ومن خلال السماح للشركات بفهم القيمة المتزايدة الحقيقية لرحلات الأتمتة الفردية، فإنه يتيح تخصيصاً أفضل للميزانية، وتنسيقاً أكثر فعالية للرحلات، وفهماً أكثر دقة لكيفية تفاعل قنوات التسويق المختلفة لزيادة معدلات التحويل.