💻 informatique

AdaSeq-MTA: Attribution-Aware Adaptive Neural Computation for Multi-Touch Attribution

AdaSeq-MTA est un cadre neuronal adaptatif qui réduit considérablement la latence de calcul pour l'attribution multi-touch en sélectionnant dynamiquement les points de contact et en ajustant l'effort d'attribution tout en maintenant la précision prédictive et en minimisant la dérive de l'allocation de crédit grâce à une approche d'optimisation contrainte par la charge de travail et guidée par un enseignant.

Auteurs originaux : Jinghui Wang, Haiyu Liu, Liyu Huang

Publié 2026-11-09

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jinghui Wang, Haiyu Liu, Liyu Huang

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans le marché numérique, le parcours d'un client vers l'achat est rarement une ligne droite. Avant de cliquer sur « acheter », une personne peut voir une publication sur les réseaux sociaux, ignorer une publicité de recherche, cliquer sur un e-mail, puis revenir quelques jours plus tard sur un site web différent. Les spécialistes du marketing appellent ces interactions individuelles des « points de contact ». Le défi consiste à déterminer lesquels de ces moments ont réellement compté. Est-ce l'e-mail qui a scellé la transaction, ou était-ce la première publication sur les réseaux sociaux qui a suscité l'intérêt ? Ce casse-tête est connu sous le nom d'attribution multi-touch. Pendant des décennies, les entreprises se sont appuyées sur des règles simples pour le résoudre, comme attribuer tout le crédit à la dernière publicité cliquée. Cependant, ces raccourcis passent souvent à côté de l'histoire complexe de la manière dont un client a réellement décidé d'acheter.

Pour obtenir une image plus fidèle, les chercheurs se sont tournés vers l'intelligence artificielle. Ces systèmes peuvent analyser l'intégralité de l'historique du parcours d'un client, apprenant comment différentes publicités interagissent au fil du temps pour prédire une vente. Mais il y a un piège : ces systèmes intelligents sont incroyablement gourmands en puissance de calcul. Lorsqu'un parcours implique des dizaines d'interactions, l'ordinateur doit traiter chacune d'entre elles pour faire une prédiction et ensuite calculer le crédit pour chacune. Cela prend du temps et de l'énergie, ce qui rend difficile l'exécution sur des millions de parcours en temps réel. La question fondamentale devient : pouvons-nous accélérer le processus en ignorant certains des moments les moins importants sans perdre la précision de la réponse finale ?

Une équipe de chercheurs a développé une nouvelle méthode appelée AdaSeq-MTA pour répondre à cette question. Leur approche traite le parcours du client non pas comme une liste rigide qui doit être lue du début à la fin, mais comme une histoire où certains chapitres sont plus critiques que d'autres. Au lieu de forcer l'ordinateur à lire chaque mot d'une longue histoire, leur système apprend à identifier quelles parties du parcours sont essentielles pour comprendre l'issue. Il agit comme un éditeur qualifié qui peut parcourir un manuscrit, ne conservant que les scènes les plus vitales pour raconter l'intrigue, tout en sachant exactement comment l'histoire se termine.

Les chercheurs ont construit un cadre de travail qui fonctionne en deux étapes. Premièrement, il examine l'historique du client et décide s'il doit traiter l'intégralité du parcours ou sélectionner un groupe plus restreint et représentatif d'interactions. Cette décision n'est pas aléatoire ; elle est basée sur les caractéristiques spécifiques du parcours, telles que le nombre de types différents de publicités vues, la fréquence à laquelle le client est revenu et le temps écoulé entre les visites. Si le système décide de sélectionner un groupe plus restreint, il choisit soigneusement quelles interactions conserver et lesquelles écarter, garantissant que les moments les plus influents sont préservés.

Une fois que le système a sélectionné son sous-ensemble d'interactions, il effectue sa prédiction et son calcul de crédit. Crucialement, les chercheurs ne voulaient pas seulement que le système prédise correctement la vente ; ils voulaient également qu'il attribue le crédit aux publicités de manière à correspondre à ce qu'aurait fait une analyse complète, lente et exhaustive. Ils ont entraîné le système à l'aide d'un modèle « enseignant » qui avait vu l'intégralité du parcours. Cet enseignant fournissait une référence sur la manière dont le crédit devait être distribué. Le nouveau système, plus rapide, a été guidé pour imiter cette distribution, même s'il travaillait avec moins d'informations. Cela garantissait que le raccourci ne déformait pas les enseignements marketing. Par exemple, si l'analyse complète suggérait qu'un e-mail spécifique était responsable de 20 % du crédit, le système plus rapide était entraîné pour arriver à ce même chiffre de 20 %, même s'il avait sauté plusieurs autres publicités.

Les résultats de cette approche ont été mesurés sur un vaste ensemble de données d'interactions publicitaires réelles contenant des millions de parcours clients. Les chercheurs ont constaté que leur méthode pouvait réduire le temps nécessaire pour traiter un seul parcours de 18,4 millisecondes à 13,1 millisecondes. Cela représente une réduction de près de 29 % du temps de réflexion de l'ordinateur. Au cours de ce processus, le système a conservé environ 66 % des interactions originales, ce qui signifie qu'il a efficacement ignoré environ un tiers des points de données sans avoir besoin de les traiter. Malgré cette compression, la capacité du système à prédire si une vente aurait lieu est restée presque identique à celle de la version complète et lente.

Peut-être plus important encore, les chercheurs ont vérifié si les raccourcis modifiaient les conclusions marketing. Ils ont mesuré à quel point le crédit attribué aux différents canaux publicitaires changeait en utilisant la méthode rapide par rapport à la méthode lente. Ils ont constaté que leur méthode maintenait ce changement très faible, étant nettement meilleure que les autres méthodes qui tentaient uniquement d'accélérer la prédiction sans se soucier de la distribution du crédit. Cela signifie qu'une équipe marketing utilisant ce système obtiendrait une réponse plus rapide qui raconte toujours la même histoire sur les canaux qui fonctionnent. Le système comprenait également un mécanisme de sécurité pour l'étape finale du calcul du crédit, qui implique un processus d'échantillonnage statistique complexe. Il pouvait décider automatiquement du nombre d'échantillons nécessaires pour être confiant dans le résultat, s'arrêtant prématurément si la réponse était claire, ou prenant plus de temps si la situation était incertaine.

En fin de compte, ce travail démontre que l'efficacité et la précision n'ont pas à être ennemies dans le monde de l'analyse marketing. En apprenant à un ordinateur à être sélectif dans ce qu'il traite, les chercheurs ont montré qu'il est possible de réduire le temps et l'énergie requis pour analyser les parcours clients. Le système ne devine pas quelles publicités sont importantes ; il apprend à reconnaître les modèles qui comptent. Cela permet aux entreprises d'obtenir leurs réponses plus rapidement, libérant ainsi des ressources pour prendre des décisions pendant que les données sont encore fraîches, sans sacrifier la fiabilité des enseignements qu'elles reçoivent. L'étude confirme qu'avec la bonne approche adaptative, nous pouvons traiter rapidement des historiques longs et complexes de comportement client, en gardant les détails les plus importants au premier plan tout en laissant le reste s'effacer en arrière-plan.

Résumé Technique : AdaSeq-MTA

Énoncé du Problème

L'attribution multi-touch (MTA) vise à allouer le crédit de conversion à travers la séquence de points de contact publicitaires rencontrés par un utilisateur avant la conversion. Bien que les modèles de séquences neuronaux capturent efficacement les dépendances comportementales dans les longs parcours clients, le traitement d'histoires complètes et l'évaluation répétée des contributions des points de contact (par exemple, pour l'estimation de la valeur de Shapley) est extrêmement coûteux en termes de calcul.

Les stratégies d'efficacité existantes, telles que la récupération de séquences ou la troncature à longueur fixe, réduisent le coût de calcul mais altèrent souvent de manière significative les allocations de crédit. Crucialement, des prédictions de conversion similaires ne garantissent pas des allocations de crédit cohérentes ; la suppression de points de contact peut modifier la contribution marginale des points restants, entraînant une « dérive de crédit » où les conclusions sur les canaux diffèrent de la référence du parcours complet. Le défi central consiste à concevoir un cadre de calcul adaptatif qui réduit la latence d'inférence et le coût d'attribution tout en maintenant la cohérence de la prédiction de conversion et de la distribution du crédit entre les points de contact et les canaux.

Méthodologie : AdaSeq-MTA

Les auteurs proposent AdaSeq-MTA, un cadre neuronal adaptatif qui optimise conjointement la prédiction de conversion, la cohérence du crédit et le coût de calcul. Le système fonctionne via un pipeline d'entraînement à trois étapes et une architecture d'inférence spécifique.

1. Architecture et Routage Adaptatif

Le cadre utilise un modèle enseignant de parcours complet figé comme référence. Le modèle étudiant apprend à prendre deux décisions adaptatives pour chaque parcours :

Sélection de Chemin (Path Selection) : Un routeur détermine s'il faut traiter l'intégralité du parcours ou sélectionner un sous-ensemble de points de contact.
Allocation de Budget : Si une sélection est choisie, une tête de budget détermine le nombre de points de contact ( $K$ ) à conserver.

La décision de routage repose sur un Routeur Sensible à l'Évidence (EER) qui analyse un vecteur de caractéristiques $g_i$ contenant :

La longueur du parcours (transformée logarithmiquement).
L'entropie des canaux ( $H_c$ ) et les taux de répétition ( $R_{dup}$ ).
Les statistiques temporelles (moyenne et écart-type des intervalles de temps).
L'incertitude prédictive (entropie provenant d'un modèle statique basé uniquement sur le contexte).

Le mécanisme de sélection utilise un module de Sélection de Long Parcours Préservant l'Ordre (LSCM). Il effectue un scoring grossier pour identifier les points de contact candidats et un mécanisme d'attention causale à grain fin pour affiner les représentations. Crucialement, les points de contact sélectionnés sont restaurés dans leur ordre chronologique d'origine, et les caractéristiques relatives (ex: intervalles de temps) sont recalculées sur la base de la séquence conservée pour garantir un apport valide à l'encodeur.

2. Cohérence du Crédit et Distillation

Pour prévenir la dérive de crédit, le modèle étudiant est entraîné pour aligner ses sorties d'attribution avec l'enseignant figé. Le processus d'attribution utilise les valeurs de Shapley (ou des approximations de type Leave-One-Out dans les premières étapes) pour estimer les contributions marginales.

L'objectif d'alignement ( $L_{attr}$ ) comprend quatre composantes :

Alignement de Distribution : Minimise la divergence de Jensen-Shannon (JS) entre les distributions de crédit normalisées de l'étudiant et de l'enseignant, tant au niveau des points de contact qu'au niveau des canaux.
Terme de Marge Signée : Utilise une perte de Huber pour aligner les contributions signées brutes ( $r_{it}$ ), garantissant que le modèle capture les effets de suppression ou de saturation, et pas seulement les allocations positives.
Terme de Masse Positive : Pénalise les différences dans la magnitude totale des crédits positifs ( $q_i = \sum \max(0, r_{it})$ ) pour éviter que la normalisation ne masque des changements significatifs dans le volume total de crédit.
Contrainte de Charge de Travail : Un multiplicateur de Lagrange impose un budget de calcul global ( $B$ ), équilibrant la réduction du coût d'inférence et les pertes de prédiction et de cohérence du crédit.

3. Échantillonnage de Shapley Contrôlé par la Confiance

Pour l'estimation finale de l'attribution, l'article introduit une règle d'arrêt contrôlée par la confiance. Au lieu d'utiliser un nombre fixe d'échantillons de Shapley pour tous les parcours, le système échantillonne des permutations jusqu'à ce que les intervalles de confiance de Bernstein empiriques, tant pour les crédits individuels des points de contact que pour les agrégats de canaux, tombent en dessous de seuils de tolérance spécifiés ( $\epsilon_{touch}, \epsilon_{channel}$ ) ou qu'une limite maximale d'échantillons ( $M_{max}$ ) soit atteinte. Cela permet d'allouer plus de calcul aux parcours complexes où la précision est plus difficile à obtenir.

Principales Contributions

L'article expose trois contributions majeures :

Optimisation Conjointe : Un cadre qui traite la compression des points de contact et les effets d'attribution comme faisant partie d'un problème unifié d'allocation de ressources, optimisant simultanément la prédiction, la cohérence du crédit et le coût sous une contrainte de charge de travail.
Cohérence du Crédit Multi-Niveaux : Des objectifs novateurs qui projettent les crédits sélectionnés sur les points de contact originaux et alignent les distributions en utilisant des termes de marge signée et de masse positive, répondant ainsi aux limites de l'alignement de distribution seule.
Calcul Adaptatif : Une méthode qui utilise les caractéristiques du parcours (diversité des canaux, structure temporelle, incertitude) pour sélectionner les chemins de traitement et les budgets de rétention, combinée à une règle d'arrêt de confiance distincte pour l'échantillonnage de l'attribution.

Résultats Expérimentaux

La méthode a été évaluée sur le jeu de données Criteo Attribution Modeling for Bidding (environ 16,5 millions d'impressions).

Efficacité : AdaSeq-MTA a réduit la latence d'inférence de 18,4 ms à 13,1 ms (une réduction de 28,8 %) tout en conservant en moyenne 66 % des points de contact.
Performance de Prédiction : L'AUC-ROC est restée stable, passant de 0,7758 (séquence complète) à 0,7753.
Cohérence du Crédit : Comparé à une politique de routage adaptatif basée uniquement sur la prédiction, AdaSeq-MTA a réduit la dérive de crédit des canaux de 0,029 à 0,019.
Latence d'Attribution : Avec 100 échantillons de Shapley, la méthode a réduit la latence d'attribution de 156,4 ms à 104,2 ms (une réduction de 33,4 %).
Stabilité : Le modèle a démontré une plus grande stabilité à travers les graines d'entraînement (divergence JS des graines plus faible) et une meilleure précision du crédit des points de contact/canaux (MAE plus faible) par rapport aux bases de comparaison comme le routage basé uniquement sur la prédiction et les contrôles inspirés de AD-KD.

Signification et Revendications

L'article affirme qu'AdaSeq-MTA fournit une approche pratique pour l'attribution multi-touch efficace pour les longs parcours clients. Sa signification réside dans la démonstration que la compression computationnelle peut rendre compte à la fois de la qualité de la prédiction et des changements d'attribution.

Les auteurs soulignent que :

Le cadre atteint une dérive de crédit plus faible que le routage adaptatif basé uniquement sur la prédiction, prouvant que des contraintes explicites de cohérence du crédit sont nécessaires lors de la compression des séquences d'entrée.
L'échantillonnage contrôlé par la confiance offre un choix opérationnel qui équilibre la précision de l'attribution et le coût de calcul, surpassant les configurations à échantillonnage fixe dans certains scénarios de compromis.
La méthode traite la distribution des points de contact/canaux du parcours observé complet comme une cible d'enseignant interne, optimisant la distorsion du crédit mappé conjointement avec la charge de travail de routage apprise, plutôt que de prétendre découvrir l'effet causal "réel" de l'exposition publicitaire.

L'étude conclut que, bien que la méthode améliore l'efficacité et la cohérence, la fidélité de l'attribution est définie comme la cohérence de l'allocation de crédit basée sur le modèle par rapport à une référence de parcours complet, et non comme une identification des effets de traitement individuels.