AdaSeq-MTA: Attribution-Aware Adaptive Neural Computation for Multi-Touch Attribution
يُعد AdaSeq-MTA إطار عمل عصبيًا تكيفيًا يقلل بشكل كبير من زمن الاستجابة الحسابي لنسب الإسناد متعدد اللمسات من خلال الاختيار الديناميكي لنقاط التلامس وتعديل جهد الإسناد مع الحفاظ على الدقة التنبؤية وتقليل انحراف تخصيص الائتمان عبر نهج تحسين موجه من قِبل المعلم ومقيد بحجم العمل.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
في السوق الرقمية، نادراً ما يكون مسار العميل نحو الشراء خطاً مستقيماً. فقبل النقر على زر "شراء"، قد يشاهد الشخص منشوراً على وسائل التواصل الاجتماعي، ثم يتجاهل إعلاناً في محرك البحث، ثم ينقر على رابط في بريد إلكتروني، ثم يعود بعد أيام إلى موقع إلكتروني مختلف. يطلق المسوقون على هذه التفاعلات الفردية اسم "نقاط التماس" (touchpoints). ويكمن التحدي في معرفة أي من هذه اللحظات كان مؤثراً حقاً؛ هل كان البريد الإلكتروني هو الذي حسم الصفقة، أم أن أول منشور على وسائل التواصل الاجتماعي هو الذي أثار الاهتمام؟ تُعرف هذه الأحجية باسم "إسناد اللمسات المتعددة" (multi-touch attribution). ولعقود من الزمن، اعتمدت الشركات على قواعد بسيطة لحل هذه المعضلة، مثل إعطاء كل الفضل لآخر إعلان تم النقر عليه. ومع ذلك، فإن هذه الاختصارات غالباً ما تغفل القصة المعقدة لكيفية اتخاذ العميل لقرار الشراء فعلياً.
وللحصول على صورة أكثر دقة، لجأ الباحثون إلى الذكاء الاصطناعي. يمكن لهذه الأنظمة تحليل التاريخ الكامل لرحلة العميل، وتعلُّم كيفية تفاعل الإعلانات المختلفة بمرور الوقت للتنبؤ بعملية البيع. ولكن هناك عقبة: فهذه الأنظمة الذكية متعطشة للغاية لقدرة الحوسبة. فعندما تتضمن الرحلة عشرات التفاعلات، يجب على الكمبيوتر معالجة كل واحدة منها لإجراء تنبؤ ثم حساب نصيب كل منها من الفضل. وهذا يستغرق وقتاً وطاقة، مما يجعل من الصعب تشغيلها على ملايين الرحلات في الوقت الفعلي. ويصبح السؤال الجوهري: هل يمكننا تسريع العملية من خلال تجاهل بعض اللحظات الأقل أهمية دون فقدان دقة الإجابة النهائية؟
لقد طور فريق من الباحثين طريقة جديدة تسمى "AdaSeq-MTA" للإجابة على هذا السؤال. يتعامل نهجهم مع رحلة العميل ليس كقائمة جامدة يجب قراءتها من البداية إلى النهاية، بل كقصة تكون فيها بعض الفصول أكثر أهمية من غيرها. وبدلاً من إجبار الكمبيوتر على قراءة كل كلمة في قصة طويلة، يتعلم نظامهم تحديد الأجزاء الضرورية لفهم النتيجة. إنه يعمل مثل محرر ماهر يمكنه تصفح المخطوطة، محتفظاً فقط بالمشاهد الأكثر حيوية لسرد الحبكة، مع بقائه مدركاً تماماً لكيفية انتهاء القصة.
بنى الباحثون إطار عمل يعمل في مرحلتين. أولاً، ينظر النظام إلى تاريخ العميل ويقرر ما إذا كان سيعالج الرحلة بأكملها أو سيختار مجموعة أصغر وممثلة للتفاعلات. هذا القرار ليس عشوائياً؛ بل يعتمد على الخصائص المحددة للرحلة، مثل عدد أنواع الإعلانات المختلفة التي تمت مشاهدتها، وعدد مرات عودة العميل، والوقت الذي مضى بين الزيارات. وإذا قرر النظام اختيار مجموعة أصغر، فإنه يختار بعناية التفاعلات التي سيحتفظ بها والتي سيتنحى جانباً، مما يضمن الحفاظ على اللحظات الأكثر تأثيراً.
بمجرد أن يختار النظام مجموعة فرعية من التفاعلات، يقوم بإجراء التنبؤ وحساب الفضل. ومن الأهمية بمكان أن الباحثين لم يرغبوا فقط في أن يتنبأ النظام بالبيع بشكل صحيح؛ بل أرادوا أيضاً أن ينسب الفضل إلى الإعلانات بطريقة تطابق ما كان سيفعله تحليل كامل وبطيء وشامل. لقد قاموا بتدريب النظام باستخدام نموذج "معلم" (teacher model) كان قد اطلع على الرحلة بأكملها. قدم هذا المعلم مرجعاً لكيفية توزيع الفضل. ومن ثم تم توجيه النظام الأسرع لمحاكاة هذا التوزيع، حتى وإن كان يعمل بقطع أقل من المعلومات. وقد ضمن هذا أن الاختصار لن يشوه الرؤى التسويقية. فعلى سبيل المثال، إذا أشار التحليل الكامل إلى أن بريداً إلكترونياً معيناً كان مسؤولاً عن 20% من الفضل، فقد تم تدريب النظام الأسرع للوصول إلى نفس رقم الـ 20%، حتى لو كان قد تجاوز عدة إعلانات أخرى.
تم قياس نتائج هذا النهج على مجموعة بيانات ضخمة من تفاعلات الإعلانات في العالم الحقيقي تحتوي على ملايين رحلات العملاء. ووجد الباحثون أن طريقتهم يمكن أن تقلل الوقت المستغرق لمعالجة رحلة واحدة من 18.4 ميلي ثانية إلى 13.1 ميلي ثانية. ويمثل هذا انخفاضاً بنسبة تقارب 29% في الوقت المطلوب لتفكير الكمبيوتر. وخلال هذه العملية، احتفظ النظام بنحو 66% من التفاعلات الأصلية، مما يعني أنه تجاهل فعلياً حوالي ثلث نقاط البيانات دون الحاجة إلى معالجتها. ورغم هذا الضغط، ظلت قدرة النظام على التنبؤ بوقوع عملية البيع مطابقة تقريباً للنسخة الكاملة والبطيئة.
ولعل الأهم من ذلك، هو أن الباحثين تحققوا مما إذا كانت هذه الاختصارات قد غيرت الاستنتاجات التسويقية. فقد قاموا بقياس مدى تغير الفضل المنسوب إلى قنوات إعلانية مختلفة عند استخدام الطريقة السريعة مقارنة بالطريقة البطيئة. ووجدوا أن طريقتهم حافظت على هذا التغيير صغيراً جداً، وهو أمر أفضل بكثير من الطرق الأخرى التي حاولت فقط تسريع التنبؤ دون الاهتمام بتوزيع الفضل. وهذا يعني أن الفريق التسويقي الذي يستخدم هذا النظام سيحصل على إجابة أسرع لا تزال تخبرهم بنفس القصة حول القنوات التي تعمل بفعالية. كما تضمن النظام آلية سلامة للخطوة النهائية المتمثلة في حساب الفضل، والتي تتضمن عملية أخذ عينات إحصائية معقدة؛ حيث يمكنه تلقائياً تقرير عدد العينات المطلوبة ليكون واثقاً من النتيجة، فيتوقف مبكراً إذا كانت الإجابة واضحة، أو يستغرق وقتاً أطول إذا كان الموقف غير مؤكد.
في النهاية، يوضح هذا العمل أن الكفاءة والدقة لا يجب أن يكونا عدوين في عالم تحليلات التسويق. فمن خلال تعليم الكمبيوتر أن يكون انتقائياً فيما يعالجه، أظهر الباحثون أنه من الممكن تقليل الوقت والطاقة اللازمين لتحليل رحلات العملاء. النظام لا يخمن أي الإعلانات مهمة، بل يتعلم التعرف على الأنماط المؤثرة. وهذا يسمح للشركات بالحصول على إجاباتها بشكل أسرع، مما يحرر الموارد لاتخاذ القرارات بينما لا تزال البيانات طازجة، دون التضحية بموثوقية الرؤى التي يتلقونها. وتؤكد الدراسة أنه مع النهج التكيفي الصحيح، يمكننا معالجة التواريخ الطويلة والمعقدة لسلوك العملاء بسرعة، مع إبقاء التفاصيل الأكثر أهمية في بؤرة التركيز بينما يبهت الباقي في الخلفية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.