Sequential Multimodal Evidence Optimization for Product Media Ranking in E-Commerce

आधुनिक ऑनलाइन स्टोरों की डिजिटल अलमारियों पर, खरीदारी का रास्ता शायद ही कभी केवल एक नज़र का होता है। इसके बजाय, यह छवियों, वीडियो और इंटरैक्टिव त्रि-आयामी (थ्री-डायमेंशनल) मॉडलों के एक कैरोसेल के माध्यम से एक यात्रा है, जिसे ग्राहक को एक-एक करके स्वाइप करना पड़ता है। चूंकि खरीदार उत्पाद को छू या पकड़ नहीं सकते, इसलिए वे यह समझने के लिए कि वे क्या खरीद रहे हैं, विजुअल संकेतों के इस क्रम पर निर्भर करते हैं। वे टुकड़ों में सबूत इकट्ठा करते हैं, जब तक कि वे खरीदने के लिए पर्याप्त आश्वस्त महसूस न करें या उन्हें लगे कि इसमें बहुत अधिक प्रयास लग रहा है और वे छोड़ कर चले जाते हैं। इन वस्तुओं को बेचने वाले प्लेटफार्मों के लिए चुनौती यह है कि इन संकेतों के प्रकट होने का क्रम अत्यंत महत्वपूर्ण है। यदि सबसे ठोस जानकारी सूची के नीचे दबी हुई है, तो ग्राहक उसे देखने से पहले ही हार मान सकता है। यह केवल ध्यान खींचने के बारे में नहीं है; यह एक व्यक्ति को उस कहानी के माध्यम से मार्गदर्शन करने के बारे में है जो एक निर्णय की ओर ले जाती है।

अमेज़न के शोधकर्ताओं ने, जिनका नेतृत्व प्रसेनजीत डे, फ्रैंक मैकइंटायर और अर्नब सिन्हा कर रहे हैं, इस पहेली को सुलझाने का एक नया तरीका विकसित किया है। वे अपने दृष्टिकोण को 'सीक्वेंशियल मल्टीमॉडल एविडेंस ऑप्टिमाइजेशन' (SMEO) कहते हैं। प्रत्येक छवि या वीडियो को क्लिक के लिए प्रतिस्पर्धा करने वाली एक अलग वस्तु के रूप में देखने के बजाय, वे किसी एक उत्पाद के लिए मीडिया के पूरे संग्रह को एक पूर्ण कहानी बताने के लिए मिलकर काम करने वाली एक सहयोगी टीम के रूप में देखते हैं। उनका लक्ष्य वह विशिष्ट क्रम खोजना था जो ग्राहक को न्यूनतम प्रयास के साथ "हाँ" के निर्णय तक पहुँचने में मदद करे। लाखों वास्तविक शॉपिंग सत्रों का विश्लेषण करके, उन्होंने पाया कि मौजूदा सिस्टम अक्सर विफल हो जाते हैं क्योंकि वे अंतिम परिणाम (कि वास्तव में बिक्री हुई या नहीं) के बजाय अल्पकालिक प्रतिक्रियाओं, जैसे कि उपयोगकर्ता स्क्रीन पर कितनी देर तक रुका, पर ध्यान केंद्रित करते हैं।

शोधकर्ताओं ने पाया कि वर्तमान तरीके अक्सर यह सोचने की गलती करते हैं कि एक चमकती हुई छवि जिसे बहुत अधिक क्लिक मिलते हैं, उसे पहले दिखाना सबसे महत्वपूर्ण है। हालांकि, एक क्लिक का मतलब हमेशा खरीदारी नहीं होता है। एक ग्राहक जिज्ञासा के कारण एक चमकीली तस्वीर पर क्लिक कर सकता है लेकिन फिर भी बिना खरीदे जा सकता है क्योंकि उसने कभी तकनीकी विवरण या वीडियो प्रदर्शन नहीं देखा होगा जो उसे मनाने के लिए पर्याप्त होता। नया सिस्टम, SMEO, इस बात से सीखता है कि ग्राहकों ने वास्तव में क्या किया। यह देखता है कि ग्राहक ने किसी वस्तु को खरीदने या देखना छोड़ने से पहले मीडिया के किस क्रम को देखा। फिर यह पता लगाता है कि उस विशिष्ट संदर्भ में कौन से सबूत सबसे अधिक प्रभावशाली थे। उदाहरण के लिए, यह सीख सकता है कि कॉफी मेकर के लिए, मशीन को चलते हुए दिखाने वाला एक वीडियो, बॉक्स की एक स्थिर फोटो की तुलना में कहीं अधिक महत्वपूर्ण है, और इस वीडियो को क्रम में जल्दी दिखाया जाना चाहिए ताकि ग्राहक को जाने से रोका जा सके।

इसे प्राप्त करने के लिए, टीम ने एक दो-चरणीय प्रक्रिया बनाई। सबसे पहले, उन्होंने एक मॉडल को प्रशिक्षित किया जो बिक्री के आधार पर मीडिया के अनुक्रम (सीक्वेंस) के मूल्य को समझ सके। इस मॉडल ने अतीत में वस्तुओं के स्थान के पूर्वाग्रह को अनदेखा करना सीखा, और इसके बजाय वास्तविक सामग्री और इस बात पर ध्यान केंद्रित किया कि इसने ग्राहक को निर्णय लेने में कैसे मदद की। दूसरा, उन्होंने इस समझ का उपयोग कंप्यूटर प्रोग्राम को यह सिखाने के लिए किया कि किसी भी नए उत्पाद के लिए मीडिया को कैसे व्यवस्थित किया जाए। यह प्रोग्राम एक संपादक की तरह कार्य करता है, जो छवियों और वीडियो के लिए सबसे अच्छा क्रम चुनता है। यह सबसे महत्वपूर्ण निर्णय लेने वाली जानकारी को यथासंभव जल्दी दिखाने को प्राथमिकता देता है, यह सुनिश्चित करता है कि ग्राहक के थकने या स्वाइप करने से पहले वह सबसे महत्वपूर्ण प्रमाण देख ले।

इस प्रणाली का बड़े पैमाने पर परीक्षण करने के परिणाम महत्वपूर्ण थे। जब शोधकर्ताओं ने अपने नए तरीके की तुलना ऑनलाइन स्टोरों द्वारा उपयोग किए जाने वाले मानक नियमों से की, तो उन्होंने पाया कि नए सिस्टम ने सफल खरीदारी की अनुमानित दर में 5.5 प्रतिशत की वृद्धि की। इससे भी महत्वपूर्ण बात यह है कि इसने ग्राहकों को उस निर्णय तक पहुँचने में 15 प्रतिशत तेजी से मदद की, जिसका अर्थ है कि उन्हें जो वे खोज रहे थे उसे खोजने के लिए कम छवियों को स्वाइप करने की आवश्यकता पड़ी। अध्ययन ने यह भी खुलासा किया कि सिस्टम ने बिना बताए पैटर्न पहचानना सीख लिया। उदाहरण के लिए, इसने पाया कि फर्नीचर के लिए, त्रि-आयामी मॉडल अन्य प्रकार के उत्पादों की तुलना में बहुत अधिक मूल्यवान थे, जबकि कपड़ों के लिए, कपड़े की गति दिखाने वाले वीडियो सबसे अधिक प्रभावशाली थे। इसने सिस्टम को विभिन्न उत्पाद श्रेणियों की विशिष्ट आवश्यकताओं के अनुसार साक्ष्य की प्रस्तुति को स्वचालित रूप से अनुकूलित करने की अनुमति दी।

इस कार्य का एक शक्तिशाली पहलू यह है कि यह एक ऐसी समस्या को हल करता है जिसे मापना कठिन था: एक विशिष्ट छवि या वीडियो को बिक्री के लिए कितना श्रेय दिया जाना चाहिए? अतीत में, यह बताना कठिन था कि खरीदारी किसी पहली फोटो के कारण हुई या पांचवें वीडियो के कारण। नया सिस्टम यह समझने का एक तरीका प्रदान करता है कि प्रत्येक मीडिया का योगदान क्या था, भले ही सीधे लेबल न हों कि "इस छवि ने बिक्री कराई।" यह यह देखकर करता है कि यदि किसी मीडिया को हटा दिया जाता या स्थानांतरित कर दिया जाता तो क्या होता, जिससे सिस्टम यह देख पाता कि ग्राहक की यात्रा कैसे बदल जाती। यह अंतर्दृष्टि स्टोर मालिकों को यह समझने में मदद करती है कि कौन सी संपत्तियां वास्तव में मूल्यवान हैं और कौन सी अनावश्यक हैं, जिससे वे अपने उत्पाद पृष्ठों को अधिक प्रभावी ढंग से सुधार सकें।

शोधकर्ताओं ने इलेक्ट्रॉनिक्स से लेकर सौंदर्य उत्पादों तक विभिन्न श्रेणियों के लाखों वास्तविक शॉपिंग सत्रों के डेटा का उपयोग करके अपने विचारों का कड़ाई से परीक्षण किया। उन्होंने लोकप्रियता पर आधारित सरल नियमों और अन्य उन्नत रैंकिंग सिस्टम सहित कई अन्य दृष्टिकोणों के मुकाबले अपने तरीके की तुलना की। उनके तरीके ने लगातार इन विकल्पों को पछाड़ दिया, जिससे यह सिद्ध हुआ कि मीडिया को एक प्रतिस्पर्धी सूची के रूप में मानने के बजाय एक क्रमिक कहानी के रूप में मानना अधिक प्रभावी है। यह सिस्टम ऑफलाइन काम करने के लिए डिज़ाइन किया गया है, जिसका अर्थ है कि छवियों का क्रम पहले से तैयार करके संग्रहीत किया जाता है, ताकि जब कोई ग्राहक वेबसाइट पर आए तो यह वेबसाइट को धीमा न करे। यह इसे बड़े पैमाने पर उपयोग के लिए व्यावहारिक बनाता है, जहाँ हर दिन लाखों उत्पादों को व्यवस्थित करने की आवश्यकता होती है।

अंततः, यह कार्य केवल ग्राहक की नज़र खींचने से हटकर उनके समय और इरादे का सम्मान करने की ओर स्थानांतरित होता है। साक्ष्य को इस तरह व्यवस्थित करके जो आत्मविश्वास को जल्दी से बढ़ाता है, यह सिस्टम ऑनलाइन खरीदारी के घर्षण (फ्रिक्शन) को कम करता है। यह स्वीकार करता है कि ग्राहक का ध्यान एक सीमित संसाधन है और लक्ष्य उन्हें न्यूनतम चरणों के साथ वह जानकारी खोजने में मदद करना है जिसकी उन्हें आवश्यकता है। निष्कर्ष बताते हैं कि जब डिजिटल स्टोर को ग्राहक की निर्णय लेने की प्रक्रिया को ध्यान में रखकर व्यवस्थित किया जाता है, तो इसका परिणाम खरीदार के लिए बेहतर अनुभव और विक्रेता के लिए एक अधिक कुशल बाजार होता है। अध्ययन पुष्टि करता है कि सूचना का क्रम केवल एक कॉस्मेटिक विवरण नहीं है, बल्कि डिजिटल दुनिया में लोगों के चुनाव करने के तरीके का एक मौलिक हिस्सा है।