Modelling Customer Trajectories with Reinforcement Learning for Practical Retail Insights
यह शोध पत्र रिटेल स्थानों में ग्राहक प्रक्षेपवक्र (ट्रैजेक्टरीज) के मॉडलिंग के लिए एक मैक्सिमम एंट्रॉपी सुदृढीकरण शिक्षण (रिनफोर्समेंट लर्निंग) ढांचे का प्रस्ताव करता है, जो यह प्रदर्शित करता है कि यह महंगी वास्तविक दुनिया के डेटा संग्रह की आवश्यकता के बिना स्टोर लेआउट अनुकूलन और लाभ अधिकतमकरण के लिए अधिक सटीक, व्यवहारिक रूप से आधारित अंतर्दृष्टि प्रदान करके TSP और PNN जैसे पारंपरिक ह्यूरिस्टिक्स से बेहतर प्रदर्शन करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आपकी एक छोटी सी सुविधा स्टोर (convenience store) है। आपका लक्ष्य सरल है: जितना हो सके उतना पैसा कमाना। आप जानते हैं कि लोग अक्सर ऐसी चीजें खरीद लेते हैं जिन्हें खरीदने की उन्होंने योजना नहीं बनाई थी—जैसे कि एक चॉकलेट बार या एक सोडा—सिर्फ इसलिए क्योंकि उन्होंने चलते समय उसे देख लिया। इसे "आवेगपूर्ण खरीदारी" (impulse purchase) कहा जाता है।
इन चीजों को खरीदने के लिए, आपको यह जानने की जरूरत है कि लोग वास्तव में कहाँ चलते हैं। यदि आप चॉकलेट बार को सीधे उनके रास्ते में रखते हैं, तो वे उसे उठा लेंगे। यदि आप उसे किसी ऐसे कोने में छिपा देते हैं जहाँ वे कभी नहीं जाते, तो वे उसे नहीं खरीदेंगे।
समस्या: "अनुमान लगाने वाला खेल" बनाम "महंगा जासूस"
ग्राहकों के चलने के रास्ते का पता लगाने के लिए, आपके पास दो बुरे विकल्प हैं:
- जासूस (वास्तविक डेटा): आप ग्राहकों का पीछा करने के लिए कैमरों और मानचित्रों के साथ लोगों को काम पर रखते हैं। यह सटीक जानकारी देता है, लेकिन यह बेहद महंगा और दखल देने वाला है। अधिकांश छोटे स्टोर यह खर्च नहीं उठा सकते।
- अनुमान (Heuristics): आप रास्तों का अनुमान लगाने के लिए सरल गणितीय नियमों का उपयोग करते हैं।
- "सबसे छोटा रास्ता" नियम (TSP): यह मानता है कि ग्राहक रोबोट हैं जो हमेशा अपनी वस्तुओं के लिए सबसे छोटा रास्ता चुनते हैं।
- "निकटतम पड़ोसी" नियम (PNN): यह मानता है कि ग्राहक थोड़े अनिश्चित होते हैं लेकिन फिर भी ज्यादातर अपने पास की वस्तु को ही चुनते हैं।
यह पाया गया कि ये "अनुमान लगाने वाले" नियम 28% बार गलत होते हैं। असली लोग अव्यवस्थित होते हैं। वे इधर-उधर भटकते हैं, वे चक्कर लगाते हैं, और वे हमेशा सबसे छोटा रास्ता नहीं अपनाते। क्योंकि अनुमान गलत होते हैं, स्टोर मालिक उत्पादों को गलत जगहों पर रख देते हैं, जिससे बिक्री का नुकसान होता है।
समाधान: एक "वीडियो गेम" छात्र
लेखकों ने ग्राहकों के रास्तों की भविष्यवाणी करने के लिए एक नया तरीका बनाया जिसे रीइन्फोर्समेंट लर्निंग (RL) कहा जाता है। इसे एक वीडियो गेम चरित्र (एक "एजेंट") को वास्तविक मानव खरीदार की तरह कार्य करने के लिए प्रशिक्षित करने जैसा समझें।
केवल "सबसे छोटा रास्ता लेने" के बारे में बताने के बजाय, उन्होंने इसे एक अधिक मानवीय सबक सिखाया:
- सामान प्राप्त करें: आपको जो चाहिए उसे खरीदने के लिए अंक मिलते हैं।
- थोड़ा अप्रत्याशित बनें: आपको अलग-अलग रास्तों को खोजने के लिए भी अंक मिलते हैं, न कि हर बार केवल एक ही उबाऊ रास्ता अपनाने के लिए।
इसे "मैक्सिमम एंट्रॉपी" लर्निंग कहा जाता है। यह कंप्यूटर को यह समझने के लिए मजबूर करता है कि इंसान रोबोट नहीं हैं; हम "सीमित तर्कसंगतता" (bounded rationality) रखते हैं। हम गलतियाँ करते हैं, हम विचलित हो जाते हैं, और हम एक ही चीज़ खरीदते समय भी अलग-अलग रास्ते अपनाते हैं।
उन्होंने क्या किया
उन्होंने वास्तविक डेटा का उपयोग किया (जहाँ उन्होंने 3,000 से अधिक वास्तविक खरीदारों को ट्रैक किया) और उस डेटा का उपयोग अपने "वीडियो गेम छात्र" को प्रशिक्षित करने के लिए किया। फिर, उन्होंने छात्र को 10,000 खरीदारी यात्राओं का अनुकरण (simulate) करने के लिए कहा।
परिणाम: छात्र जीत गया
जब उन्होंने "वीडियो गेम छात्र" के रास्तों की तुलना वास्तविक मानव रास्तों से की:
- "सबसे छोटा रास्ता" नियम बुरी तरह विफल रहा। इसने स्टोर के पूरे हिस्सों को छोड़ दिया क्योंकि यह केवल सबसे तेज़ मार्ग की तलाश कर रहा था।
- "निकटतम पड़ोसी" नियम बेहतर था लेकिन फिर भी वास्तविक लोगों के "भटकने वाले" व्यवहार को पकड़ने में विफल रहा।
- RL छात्र सबसे सटीक मेल था। उसने यह समझ लिया कि कभी-कभी लोग स्टोर के निचले हिस्से से होकर गुजरते हैं, भले ही ऊपर का रास्ता छोटा हो, क्योंकि वे इसी तरह से खरीदारी करना पसंद करते हैं।
यह आपके बटुए के लिए क्यों मायने रखता है
इस पेपर में इस बात का परीक्षण किया गया कि क्या आप अधिक पैसा कमाने के लिए किसी विशिष्ट उत्पाद (जैसे सॉफ्ट ड्रिंक) को एक नए शेल्फ पर स्थानांतरित कर सकते हैं।
- यदि आपने "सबसे छोटा रास्ता" या "निकटतम पड़ोसी" के अनुमानों का उपयोग किया होता, तो वे आपको उत्पाद को एक ऐसे शेल्फ पर ले जाने के लिए कहते जो वास्तव में खाली था और जहाँ बहुत कम लोग जाते थे। यह जगह की बर्बादी होती।
- RL छात्र ने सही ढंग से उन व्यस्त, उच्च-ट्रैफ़िक वाले शेल्फों की पहचान की जिनसे वास्तविक मनुष्य वास्तव में गुजरते हैं।
जब हमने उत्पाद को उस स्थान पर स्थानांतरित किया जिसका सुझाव RL छात्र ने दिया था, तो स्टोर ने लगभग उतना ही अतिरिक्त लाभ कमाया जितना कि यदि हमने महंगे "जासूस" डेटा का उपयोग किया होता। साधारण अनुमान लगाने वाले नियम सही जगह नहीं ढूंढ पाए।
निष्कर्ष
यह पेपर दिखाता है कि अपने स्टोर को अनुकूलित करने के लिए आपको कैमरों के साथ हर ग्राहक को ट्रैक करने के लिए बहुत सारा पैसा खर्च करने की आवश्यकता नहीं है। इसके बजाय, आप एक स्मार्ट कंप्यूटर मॉडल का उपयोग कर सकते हैं जो एक मानव खरीदार की तरह "सोचना" सीखता है। यह "बहुत सरल होने" (अनुमान लगाने वाले नियम) और "व्यावहारिक रूप से बहुत महंगे होने" (वास्तविक डेटा) के बीच के अंतर को पाटता है, जिससे स्टोर मालिकों को अधिकतम लाभ के लिए अपने शेल्फ व्यवस्थित करने का एक सस्ता और सटीक तरीका मिलता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।