Estimation, Prediction, and Assortment Optimization for Markov Chain Choice Models with Panel Data
यह शोध पत्र पैनल डेटा वाले मार्कोव चेन चॉइस मॉडल्स के लिए एक नवीन ढांचे (framework) को प्रस्तुत करता है जो पैरामीटर अनुमान के लिए बेहतर ईएम (EM) एल्गोरिदम विकसित करने के लिए आंशिक-क्रम वरीयता सूचना (partial-ordering preference information) का लाभ उठाता है, साथ ही व्यक्तिगत पसंद भविष्यवाणी और असॉर्टमेंट अनुकूलन की कम्प्यूटेशनल जटिलता को भी स्थापित 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 आप एक जासूस हैं जो यह पता लगाने की कोशिश कर रहे हैं कि लोगों का समूह वास्तव में क्या खाना पसंद करता है। पुराने दिनों में, जासूस एक रेस्टोरेंट के रसीदों के विशाल ढेर को देखते थे। वे मान लेते थे कि हर एक ऑर्डर एक ताज़ा, स्वतंत्र अनुमान है, जैसे कि सिक्का उछालना। यदि किसी ने सुशी (sushi) मंगवाई, फिर पिज्जा, और फिर एक बर्गर, तो पुराना गणित उन तीन विकल्पों को तीन अलग-अलग, असंबद्ध घटनाओं के रूप में मानता था।
लेकिन यहाँ एक मोड़ है: लोग सिक्के नहीं होते। यदि कोई ग्राहक एक स्पाइसी टूना रोल (spicy tuna roll) मंगवाता है, और फिर बाद में फिर से एक स्पाइसी टूना रोल मंगवाता है, तो यह एक सुराग है! यह सुझाव देता है कि उन्हें वास्तव में स्पाइसी टूना पसंद है। यह शोध पत्र इन "रसीदों" (जिसे लेखक पैनल डेटा/panel data कहते हैं) को देखने का एक नया तरीका पेश करता है, जिसमें प्रत्येक विशिष्ट ग्राहक के लिए इन्हें एक जुड़े हुए किस्से (connected story) के रूप में देखा जाता है, न कि कागज के एक यादृच्छिक ढेर के रूप में।
नया जासूसी उपकरण: मार्कोव चेन (The Markov Chain)
लेखक एक विशिष्ट गणितीय उपकरण का प्रस्ताव करते हैं जिसे मार्कोव चेन (MC) चॉइस मॉडल कहा जाता है। इस मॉडल को एक "वरीयता मानचित्र" (preference map) के रूप में सोचें। केवल यह कहने के बजाय कि "मुझे सुशी पसंद है," मॉडल एक यात्रा का मानचित्र बनाता है। यह पूछता है: "यदि मैं वर्तमान में सुशी के बारे में सोच रहा हूँ, तो मेरी अगली सोच क्या होने की संभावना है? क्या मैं साशिमी (sashimi) की ओर बढ़ूँगा, या मैं हार मानकर एक सोडा ऑर्डर कर दूँगा?"
इस शोध पत्र की बड़ी खोज यह है कि जब आपके पास किसी ग्राहक का इतिहास (उनका पैनल डेटा) होता है, तो इस "यात्रा" के मानचित्र को सटीक रूप से बनाना बहुत आसान हो जाता है। लेखकों ने सिमुलेशन (कंप्यूटर प्रयोग) चलाए और अपने तरीके का परीक्षण 5,000 लोगों की सुशी प्राथमिकताओं के एक वास्तविक दुनिया के डेटासेट पर किया। उन्होंने पाया कि ग्राहकों के इतिहास का उपयोग करके मानचित्र को अपडेट करने से, उनके नए एल्गोरिदम (Cus और Hyb) पुराने तरीकों की तुलना में यह अनुमान लगाने में बहुत बेहतर थे कि लोग आगे क्या खरीदेंगे।
पुराने तरीकों ने क्या गलत किया
यह शोध पत्र स्पष्ट रूप से इस विचार का खंडन करता है कि आप केवल एक अकेले ग्राहक के पिछले ऑर्डर्स के बीच के संबंध को अनदेखा कर सकते हैं।
- "स्वतंत्रता" का मिथक: लेखक दिखाते हैं कि यदि आप प्रत्येक ऑर्डर को एक पूरी तरह से नई, यादृच्छिक घटना मानते हैं (पारंपरिक तरीका), तो आप प्राथमिकताओं के "आंशिक क्रम" (partial ordering) को खो देते हैं। यह किसी व्यक्ति की पसंदीदा फिल्म का अनुमान लगाने के लिए उनके द्वारा देखी गई फिल्मों की एक यादृच्छिक सूची को देखने जैसा है, बिना यह समझे कि उन्होंने सभी सीक्वल (sequels) क्रम में देखे थे।
- MNL का जाल: एक बहुत ही लोकप्रिय, सरल मॉडल है जिसे मल्टीनोमियल लोगिट (MNL) कहा जाता है। पेपर यह सिद्ध करता है कि इस विशिष्ट मॉडल के लिए, ग्राहक के इतिहास को देखना आपको सामान्य जनसंख्या की प्राथमिकताओं को समझने में उतना बेहतर नहीं बनाता जितना कि केवल रसीदों के कुल ढेर को देखना। हालाँकि, उनके द्वारा उपयोग किए जा रहे मार्कोव चेन मॉडल के लिए, इतिहास एक बहुत बड़ा अंतर पैदा करता है। यह कुछ प्रकार की पहेलियों के लिए ऐसा कहने जैसा है: "कुछ पहेलियों के लिए, सुरागों को क्रम में देखना मदद करता है; दूसरों के लिए, यह मदद नहीं करता।"
"हाइब्रिड" जासूस
लेखकों ने एक "हाइब्रिड" जासूसी उपकरण भी बनाया है जिसे Hyb कहा जाता है। वास्तविक दुनिया में, कभी-कभी ग्राहक का इतिहास अस्त-व्यस्त होता है। शायद उन्होंने एक बर्गर मंगवाया, फिर एक सलाद, फिर एक बर्गर फिर से, इस तरह से जो एक पूर्ण तार्किक रेखा (एक "चक्र" या cycle) नहीं बनाता है।
- Cus एल्गोरिदम सख्त है: यह केवल तभी काम करता है जब ग्राहक का इतिहास प्राथमिकताओं की एक पूर्ण, तार्किक रेखा बनाता है।
- Hyb एल्गोरिदम लचीला है: यह इतिहास के अस्त-व्यस्त, गैर-रेखीय हिस्सों को लेता है और उन्हें "स्वतंत्र" डेटा बिंदुओं के रूप में मानता है, जबकि साफ, तार्किक हिस्सों को एक जुड़ी हुई कहानी के रूप में रखता है। यह मॉडल को उलझे हुए हिस्सों से भ्रमित हुए बिना, पूरे डेटा का उपयोग करने की अनुमति देता है।
यह कितना सफल रहा?
लेखकों ने केवल अनुमान नहीं लगाया; उन्होंने इसे मापा।
- सेटअप: उन्होंने सिंथेटिक डेटा (नकली ग्राहकों) का उपयोग करके 2,000 अलग-अलग परीक्षण परिदृश्य बनाए और 5,000 व्यक्तियों वाले सुशी डेटासेट पर भी परीक्षण किया।
- परिणाम: अपने सिमुलेशन में, नए तरीकों (Cus और Hyb) ने लगातार पुराने तरीकों को पीछे छोड़ दिया।
- जब डेटा छोटा था (केवल 100 ग्राहक), तो नए तरीके लोगों की खरीदारी का अनुमान लगाने में काफी बेहतर थे।
- जैसे-जैसे ग्राहकों की संख्या बढ़कर 2,000 हुई, नए तरीके पुराने तरीकों से बेहतर प्रदर्शन करना जारी रखते रहे, विशेष रूप से विशिष्ट ग्राहकों के चयन की भविष्यवाणी करने में।
- राजस्व (revenue) के मामले में, नए तरीकों ने खुदरा विक्रेताओं को यह निर्णय लेने में मदद की कि कौन सी वस्तुएं प्रदर्शित की जाएं। उदाहरण के लिए, सुशी परीक्षणों में, नए मॉडलों ने कई मामलों में संभावित अधिकतम राजस्व का लगभग 100% प्राप्त किया, जबकि पुराने मॉडल पीछे रह गए।
मुख्य निष्कर्ष
यह शोध पत्र सुझाव देता है कि यदि आप समझना चाहते हैं कि लोग चीजें कैसे चुनते हैं, तो आपको केवल "क्या" (उत्पाद) को नहीं देखना चाहिए; आपको "कहानी" (इतिहास) को देखना चाहिए। ग्राहक के पिछले विकल्पों को यादृच्छिक घटनाओं के बजाय एक जुड़ी हुई यात्रा के रूप में मानकर, आप उनकी प्राथमिकताओं का एक बहुत ही सटीक मानचित्र बना सकते हैं। लेखकों ने पाया कि यह दृष्टिकोण मार्कोव चेन मॉडल का उपयोग करने पर सबसे अच्छा काम करता है, जो रसीदों के एक अस्त-व्यस्त ढेर को ग्राहकों की भविष्य की पसंद के लिए एक स्पष्ट, व्यक्तिगत मार्गदर्शिका में बदल देता 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।