Scalable Amortized Variational Inference for Non-Poisson Buy-'Til-You-Die Models
यह शोध पत्र गैर-पॉइसन (non-Poisson) 'बाय-टिल-यू-डाई' (Buy-'Til-You-Die) मॉडलों के लिए एक स्केलेबल, एमोर्टाइज्ड वेरिएशनल इन्फरेंस फ्रेमवर्क पेश करता है जो वेइबुल रिन्यूअल प्रोसेस (Weibull renewal processes) को मानता है, जिससे लाखों ग्राहकों का कुशल विश्लेषण संभव होता है और अत्याधुनिक तरीकों के तुलनीय भविष्य कहनेवाला प्रदर्शन (predictive performance) प्राप्त होता है, लेकिन बहुत कम समय में।
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
आधुनिक वाणिज्य की विशाल, शांत गूँज में, एक मौलिक प्रश्न यह संचालित करता है कि व्यवसाय अपने ग्राहकों को कैसे समझते हैं: वे कब वापस आएंगे, और वे कब छोड़ कर चले जाएंगे? दशकों से, सांख्यिकीविदों ने इसका उत्तर देने के लिए एक विशिष्ट गणितीय ढांचे पर भरोसा किया है, जिसमें ग्राहक व्यवहार को यादृच्छिक घटनाओं (random events) की एक श्रृंखला के रूप में माना गया है। इस दृष्टिकोण में, एक खरीदारी एक सिक्के के उछाल की तरह है जो किसी भी क्षण हो सकती है, जिसका पिछली खरीदारी से कोई संबंध नहीं होता और अगली खरीदारी के लिए कोई पैटर्न नहीं होता। यह दृष्टिकोण, जिसे "बाय 'टिल यू डाई" (Buy 'Til You Die) मॉडल के रूप में जाना जाता है, दूरसंचार से लेकर बैंकिंग तक के उद्योगों में ग्राहकों के जीवनकाल की भविष्यवाणी करने के लिए मानक उपकरण रहा है। यह मानता है कि हालांकि कुछ ग्राहकों के खरीदने की संभावना दूसरों की तुलना में अधिक होती है, लेकिन उनकी खरीदारी का समय एक सरल, यादृच्छिक लय का अनुसरण करता है। हालाँकि, वास्तविक मानवीय व्यवहार शायद ही कभी इतना सरल होता है। लोग अक्सर खरीदारी के दौरों (bursts) में खरीदारी करते हैं, छुट्टियों या सेल के दौरान अपने खर्चों को केंद्रित करते हैं, या वे एक स्थिर, घड़ी की सुई जैसी नियमितता के साथ खरीदारी करते हैं जिसे एक यादृच्छिक मॉडल नहीं पकड़ सकता। जब लाखों ग्राहक शामिल होते हैं, और उनकी आदतें बहुत भिन्न होती हैं, तो यादृच्छिकता का पुराना अनुमान टूटने लगता है, जिससे कंपनियों के पास उनके सबसे मूल्यवान संबंधों की एक धुंधली तस्वीर रह जाती है।
शिकागो विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इन पैटर्नों को स्पष्ट रूप से देखने का एक नया तरीका विकसित किया है, जिसके लिए कंप्यूटर को अपनी गणना पूरी करने के लिए दिनों तक प्रतीक्षा करने की आवश्यकता नहीं है। उन्होंने "वेई 'टिल यू डाई" (Wei' 'Til You Die) नामक एक मॉडल पेश किया, जो यादृच्छिक समय के अनुमान को एक अधिक लचीली प्रणाली से बदल देता है जो कठोर शेड्यूल और गतिविधि के अराजक दौरों, दोनों का पता लगा सकती है। शोधकर्ताओं ने इस नए दृष्टिकोण का परीक्षण 50 लाख ऑनलाइन रिटेल ग्राहकों के लेनदेन इतिहास वाले एक विशाल डेटासेट पर किया। केवल आठ मिनट में, उनकी विधि ने ग्राहक व्यवहार का एक विस्तृत मानचित्र तैयार किया, जिसे वर्तमान सर्वोत्तम तकनीक को कंप्यूट करने में अनुमानित तीन से चार दिन लगते। गति एकमात्र सफलता नहीं थी; नए मॉडल ने यह भी खुलासा किया कि ग्राहकों की समय संबंधी आदतें पहले की तुलना में कहीं अधिक विविध हैं। इसने सफलतापूर्वक उन लोगों के समूहों की पहचान की जो सख्त नियमितता के साथ खरीदारी करते हैं, अन्य जो गहन, अनियमित समूहों में खरीदारी करते हैं, और कई जो इनके बीच में कहीं आते हैं, और यह सब भविष्य की बिक्री की भविष्यवाणी करने में किसी भी सटीकता को खोए बिना किया गया।
यह समझने के लिए कि यह क्यों महत्वपूर्ण है, एक को यह देखना चाहिए कि ये मॉडल कैसे काम करते हैं। पारंपरिक तरीके खरीदारी के बीच के समय को पूरी तरह से एक यादृच्छिक घटना मानते हैं, जो छत पर गिरने वाली बारिश की बूंदों के समान है जो अप्रत्याशित अंतराल पर गिरती हैं। यह कुछ स्थितियों में अच्छा काम करता है लेकिन तब विफल हो जाता है जब ग्राहकों की आदतें या तो बहुत व्यवस्थित होती हैं या बहुत अराजक। हालाँकि, नया मॉडल इन आदतों के लिए एक "आकार" (shape) की अनुमति देता है। यह पहचान सकता है कि एक ग्राहक घड़ी की तरह हर तीस दिनों में खरीदारी कर सकता है, या दूसरा व्यक्ति एक सप्ताह में पांच बार खरीदारी कर सकता है और फिर महीनों के लिए गायब हो सकता है। समय को यह आकार देने की अनुमति देकर, मॉडल शोर से संकेत (signal) को अलग कर सकता है जिसे पुराने यादृच्छिक मॉडल नहीं कर सके। शोधकर्ताओं ने अपने तरीके को 40 लाख राजनीतिक दानदाताओं के दूसरे, सार्वजनिक डेटासेट पर लागू करके इसे प्रदर्शित किया, जो 2020 के अमेरिकी चुनाव चक्र के दौरान था। यहाँ, मॉडल ने दान के विशिष्ट पैटर्न को उजागर किया: कुछ दाताओं ने सदस्यता की तरह स्थिर लय के साथ दान दिया, जबकि अन्य ने विशिष्ट राजनीतिक घटनाओं, जैसे कि बहस या धन उगाहने की समय सीमा के आसपास दान को केंद्रित किया। मॉडल इन अंतरों को स्पष्ट रूप से देख सका, यह दिखाते हुए कि दान का समय अक्सर दान की राशि जितनी ही उसके पीछे के प्रेरणा को प्रकट करता है।
इस नए दृष्टिकोण की शक्ति डेटा से सीखने की इसकी क्षमता में निहित है बिना जटिल गणनाओं में उलझे। शोधकर्ताओं ने एक ऐसी तकनीक का उपयोग किया जो कंप्यूटर को ग्राहक डेटा की व्याख्या करने के लिए एक सामान्य नियम सीखने की अनुमति देती है, न कि प्रत्येक व्यक्ति के लिए एक अद्वितीय, कठिन पहेली को हल करने की। यह वैसा ही है जैसे एक कुशल मैकेनिक इंजन के हर बोल्ट को खोलने के बजाय कुछ प्रमुख आवाजों को सुनकर कार के इंजन का निदान कर सकता है। सिंथेटिक डेटा पर एक न्यूरल नेटवर्क को प्रशिक्षित करके, सिस्टम ने तुरंत नियमितता और यादृच्छिकता के अंतर्निहित पैटर्न को पहचानना सीख लिया। वास्तविक डेटा पर लागू होने पर, यह मिनटों में लाखों रिकॉर्ड को प्रोसेस कर सका, जो उन मॉडलों के लिए पहले असंभव था जो इतने जटिल समय संबंधी आदतों को ध्यान में रखने का प्रयास करते थे। शोधकर्ताओं ने पाया कि यह गति सटीकता की कीमत पर नहीं आई। वास्तव में, नए मॉडल ने पुराने, धीमे तरीकों की तरह ही, और कुछ मामलों में, उनसे भी अधिक सटीकता के साथ भविष्य की खरीदारी की भविष्यवाणी की।
शायद सबसे महत्वपूर्ण खोज वह व्यापक विविधता थी जिसे मॉडल ने उजागर किया। रिटेल डेटासेट में, शोधकर्ताओं ने पाया कि जबकि अधिकांश ग्राहक कुछ हद तक नियमित थे, एक छोटा लेकिन महत्वपूर्ण हिस्सा अत्यधिक "क्लंपी" (clumpy) था, जो तीव्र दौरों में खरीदारी करता था। राजनीतिक डेटासेट में, मॉडल ने पहचान की कि दाता उन लोगों के बीच विभाजित थे जिन्होंने निरंतर दान दिया और वे जिन्होंने विशिष्ट समाचार चक्रों के जवाब में दान दिया। विवरण का यह स्तर व्यवसायों और संगठनों को लोगों के विभिन्न समूहों के साथ अलग-अलग व्यवहार करने की अनुमति देता है, बजाय इसके कि उन सभी को एक ही श्रेणी में डाल दिया जाए। एक रिटेलर के लिए, इसका अर्थ सही समय पर नियमित खरीदार को रिमाइंडर भेजना हो सकता है, जबकि एक छिटपुट खरीदार को वापस लाने के लिए विशेष प्रोत्साहन देना हो सकता है। एक राजनीतिक अभियान के लिए, इसका अर्थ यह समझना हो सकता है कि कुछ दाता दीर्घकालिक प्रतिबद्धता से प्रेरित होते हैं जबकि अन्य तत्काल घटनाओं से प्रेरित होते हैं।
शोधकर्ताओं ने यह भी दिखाया कि उनका तरीका ग्राहकों के बारे में अतिरिक्त जानकारी, जैसे कि उनका स्थान या उनकी पहली खरीदारी पर कितना खर्च किया गया था, को आसानी से शामिल कर सकता है। यह "कोल्ड स्टार्ट" समस्याओं के लिए महत्वपूर्ण है, जहाँ एक कंपनी के पास नए ग्राहक के बारे में बहुत कम डेटा होता है। इन अतिरिक्त विवरणों का उपयोग करके, मॉडल नए ग्राहक के भविष्य के व्यवहार के बारे में बेहतर अनुमान लगा सकता था, इससे पहले कि उन्होंने कई खरीदारी की हों। उदाहरण के लिए, राजनीतिक डेटा में, किसी दाता की पार्टी संबद्धता और उनकी पहली भेंट की राशि को जानने से मॉडल को यह अनुमान लगाने में मदद मिली कि वे कितनी बार दान करेंगे, भले ही उन्होंने केवल एक बार ही दान दिया हो। सीमित डेटा से सीखने की यह क्षमता, लाखों रिकॉर्ड को प्रोसेस करने की गति के साथ मिलकर, यह सुझाव देती है कि संगठन अपने दर्शकों को समझने के एक नए युग की शुरुआत है।
यह कार्य इस बात का प्रतिनिधित्व करता है कि आधुनिक दुनिया के लिए सांख्यिकीय मॉडल कैसे बनाए जाते हैं। वर्षों से, विकल्प तेज लेकिन सरल मॉडलों और जटिल लेकिन बड़े डेटासेट पर उपयोग करने के लिए बहुत धीमे मॉडलों के बीच रहा है। यह नया दृष्टिकोण उस अंतर को पाटता है, एक ऐसा उपकरण प्रदान करता है जो लाखों ग्राहकों को संभालने के लिए पर्याप्त तेज़ और मानवीय आदतों की वास्तविक जटिलता को पकड़ने के लिए पर्याप्त लचीला है। शोधकर्ताओं ने केवल एक तेज़ कैलकुलेटर नहीं बनाया; उन्होंने एक ऐसा लेंस बनाया है जो ग्राहक व्यवहार की छिपी हुई संरचना को स्पष्ट रूप से दिखाता है। यादृच्छिकता के अनुमान को एक ऐसी प्रणाली से बदलकर जो स्वयं समय के आकार को सीख सकती है, उन्होंने व्यक्तिगत पैटर्न को विशाल भीड़ के भीतर देखने का एक तरीका प्रदान किया है, यह सिद्ध करते हुए कि बिग डेटा के युग में भी, मानवीय व्यवहार के विवरण मायने रखते हैं।
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।