AdaSeq-MTA: Attribution-Aware Adaptive Neural Computation for Multi-Touch Attribution
AdaSeq-MTA ist ein adaptives neuronales Framework, das die Rechenlatenz für Multi-Touch-Attribution durch die dynamische Auswahl von Touchpoints und die Anpassung des Attributionsaufwands signifikant reduziert, während es durch einen lehrergesteuerten, arbeitslastbeschränkten Optimierungsansatz die Vorhersagegenauigkeit aufrechterhält und den Drift bei der Kreditallokation minimiert.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Auf dem digitalen Marktplatz ist der Weg eines Kunden zum Kauf selten eine gerade Linie. Bevor er auf „Kaufen“ klickt, sieht eine Person vielleicht einen Social-Media-Beitrag, ignoriert eine Suchanzeige, klickt auf eine E-Mail und kehrt dann Tage später über eine andere Website zurück. Marketer nennen diese einzelnen Interaktionen „Touchpoints“. Die Herausforderung besteht darin, herauszufinden, welche dieser Momente tatsächlich relevant waren. War es die E-Mail, die den Deal besiegelte, oder war es der erste Social-Media-Beitrag, der das Interesse weckte? Dieses Rätsel ist als Multi-Touch-Attribution bekannt. Seit Jahrzehnten verlassen sich Unternehmen auf einfache Regeln, um dieses Problem zu lösen, wie etwa die gesamte Wertschätzung der letzten angeklickten Anzeige zuzusprechen. Diese Abkürzungen lassen jedoch oft die komplexe Geschichte darüber aus, wie ein Kunde tatsächlich entschied zu kaufen.
Um ein wahreres Bild zu erhalten, haben Forscher auf künstliche Intelligenz zurückgegriffen. Diese Systeme können die gesamte Historie der Reise eines Kunden analysieren und lernen, wie verschiedene Anzeigen über die Zeit miteinander interagieren, um einen Verkauf vorherzusagen. Aber es gibt einen Haken: Diese intelligenten Systeme sind unglaublich hungrig nach Rechenleistung. Wenn eine Reise aus Dutzenden von Interaktionen besteht, muss der Computer jede einzelne verarbeiten, um eine Vorhersage zu treffen und anschließend die Wertschätzung zu berechnen. Dies kostet Zeit und Energie, was es schwierig macht, dies bei Millionen von Reisen in Echtzeit durchzuführen. Die Kernfrage lautet: Können wir den Prozess beschleunigen, indem wir einige der weniger wichtigen Momente ignorieren, ohne die Genauigkeit des Endergebnisses zu verlieren?
Ein Team von Forschern hat eine neue Methode namens AdaSeq-MTA entwickelt, um diese Frage zu beantworten. Ihr Ansatz betrachtet die Kundenreise nicht als eine starre Liste, die von Anfang bis Ende gelesen werden muss, sondern als eine Geschichte, in der einige Kapitel entscheidender sind als andere. Anstatt den Computer zu zwingen, jedes einzelne Wort einer langen Geschichte zu lesen, lernt ihr System zu identifizieren, welche Teile der Reise essenziell für das Verständnis des Ausgangs sind. Es agiert wie ein geschickter Lektor, der ein Manuskript überfliegen kann, wobei er nur die wichtigsten Szenen behält, um den Handlungsstrang zu erzählen, während er dennoch genau weiß, wie die Geschichte endet.
Die Forscher entwickelten ein Framework, das in zwei Phasen arbeitet. Zuerlich betrachtet es die Historie des Kunden und entscheidet, ob es die gesamte Reise verarbeitet oder eine kleinere, repräsentative Gruppe von Interaktionen auswählt. Diese Entscheidung erfolgt nicht zufällig; sie basiert auf den spezifischen Merkmalen der Reise, wie etwa der Anzahl der verschiedenen Arten von gesehenen Anzeigen, wie oft der Kunde zurückkehrte und wie viel Zeit zwischen den Besuchen verging. Wenn das System entscheidet, eine kleinere Gruppe auszuwählen, wählt es sorgfältig aus, welche Interaktionen es behält und welche es beiseitelegt, um sicherzustellen, dass die einflussreichsten Momente bewahrt werden.
Sobald das System seine Teilmenge der Interaktionen ausgewählt hat, führt es seine Vorhersage und die Berechnung der Wertschätzung durch. Entscheidend war den Forschern, dass das System nicht nur den Verkauf korrekt vorhersagt; sie wollten auch, dass es die Wertschätzung der Anzeigen so zuweist, wie es eine vollständige, langsame und erschöpfende Analyse getan hätte. Sie trainierten das System mit einem „Lehrer“-Modell, das die gesamte Reise gesehen hatte. Dieser Lehrer lieferte eine Referenz dafür, wie die Wertschätzung verteilt werden sollte. Das neue, schnellere System wurde dann angewiesen, diese Verteilung nachzuahmen, obwohl es mit weniger Informationen arbeitete. Dies stellte sicher, dass die Abkürzung die Marketing-Erkenntnisse nicht verzerrte. Wenn beispielsweise die vollständige Analyse darauf hindeutete, dass eine bestimmte E-Mail für 20 % der Wertschätzung verantwortlich war, wurde das schnellere System darauf trainiert, denselben Wert von 20 % zu erreichen, selbst wenn es mehrere andere Anzeigen übersprungen hatte.
Die Ergebnisse dieses Ansatzes wurden anhand eines großen Datensatzes realer Werbeinteraktionen gemessen, der Millionen von Kundenreisen enthielt. Die Forscher fanden heraus, dass ihre Methode die Zeit zur Verarbeitung einer einzelnen Reise von 18,4 Millisekunden auf 13,1 Millisekunden reduzieren konnte. Dies entspricht einer Reduzierung der Rechenzeit um fast 29 %. Während dieses Prozesses behielt das System etwa 66 % der ursprünglichen Interaktionen bei, was bedeutet, dass es effektiv etwa ein Drittel der Datenpunkte ignorierte, ohne sie verarbeiten zu müssen. Trotz dieser Kompression blieb die Fähigkeit des Systems, vorherzusagen, ob ein Verkauf stattfinden würde, nahezu identisch mit der vollständigen, langsamen Version.
Vielleicht noch wichtiger ist, dass die Forscher prüften, ob die Abkürzungen die Marketing-Schlussfolgerungen veränderten. Sie maßen, wie stark sich die den verschiedenen Werbekanälen zugewiesene Wertschätzung beim Einsatz der schnellen Methode im Vergleich zur langsamen Methode verschob. Sie fanden heraus, dass ihre Methode diese Verschiebung sehr gering hielt, was deutlich besser war als bei anderen Methoden, die lediglich versuchten, die Vorhersage zu beschleunigen, ohne sich um die Verteilung der Wertschätzung zu kümmern. Das bedeutet, dass ein Marketing-Team mit diesem System eine schnellere Antwort erhält, die ihnen dennoch dieselbe Geschichte darüber erzählt, welche Kanäle funktionieren. Das System enthielt auch einen Sicherheitsmechanismus für den letzten Schritt der Berechnung der Wertschätzung, der einen komplexen statistischen Sampling-Prozess beinhaltet. Es konnte automatisch entscheiden, wie viele Stichproben nötig waren, um beim Ergebnis sicher zu sein – indem es frühzeitig stoppte, wenn die Antwort klar war, oder mehr Zeit beanspruchte, wenn die Situation ungewiss war.
Letztendlich zeigt diese Arbeit, dass Effizienz und Genauigkeit in der Welt der Marketing-Analytik keine Feinde sein müssen. Indem sie dem Computer beibrachten, selektiv bei der Verarbeitung zu sein, zeigten die Forscher, dass es möglich ist, den Zeit- und Energieaufwand für die Analyse von Kundenreisen zu senken. Das System rät nicht, welche Anzeigen wichtig sind; es lernt, die Muster zu erkennen, die zählen. Dies ermöglicht es Unternehmen, ihre Antworten schneller zu erhalten, wodurch Ressourcen frei werden, um Entscheidungen zu treffen, während die Daten noch aktuell sind, ohne die Zuverlässigkeit der gewonnenen Erkenntnisse zu opfern. Die Studie bestätigt, dass wir mit dem richtigen adaptiven Ansatz lange, komplexe Historien des Kundenverhaltens schnell verarbeiten können, indem wir die wichtigsten Details im Fokus behalten und den Rest in den Hintergrund treten lassen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.