When and What Will Customers Buy Next? A Dual-Task Deep Learning Framework for Repurchase Prediction in E-Commerce
यह अध्ययन LSTM पर आधारित एक डुअल-टास्क डीप लर्निंग फ्रेमवर्क प्रस्तावित करता है जो बड़े पैमाने के ई-कॉमर्स डेटा पर मौजूदा मॉडलों की तुलना में बेहतर प्रदर्शन प्रदर्शित करते हुए ग्राहक पुन: खरीद समय और अगले-उत्पाद चयन का एक साथ पूर्वानुमान लगाता है और स्वचालित मार्केटिंग अनुकूलन के लिए एक व्यावहारिक एआई एजेंट प्रणाली प्रदान करता है।
मूल पेपर CC BY 4.0 (https://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
खरीदारी का क्रिस्टल बॉल (The Crystal Ball of Shopping)
कल्पना कीजिए कि आप एक विशाल, अनंत डिजिटल मॉल में घूम रहे हैं जहाँ हर सेकंड लाखों लोग चीजें खरीद रहे हैं। डेटा साइंस की दुनिया में, यह ई-कॉमर्स का क्षेत्र है, एक ऐसी जगह जहाँ व्यवसाय लगातार दो कठिन सवालों के जवाब खोजने की कोशिश कर रहे हैं: "क्या यह ग्राहक वापस आएगा?" और "यदि वह आता है, तो वह क्या खरीदेगा?" लंबे समय से, वैज्ञानिक और व्यवसायी पुराने जमाने के गणित का उपयोग करके इसका पूर्वानुमान लगाने की कोशिश कर रहे हैं, जैसे कोई जासूस किसी फाइल की समीक्षा करता है। वे जानते थे कि यदि किसी ने हाल ही में बहुत कुछ खरीदा है, तो वह जल्द ही फिर से खरीदारी कर सकता है। लेकिन एक समस्या थी: इनमें से अधिकांश तरीके एक व्यक्ति की फोटो देखकर उसके भविष्य का अनुमान लगाने जैसे थे, जो इस तथ्य को अनदेखा कर देते थे कि लोग चलते-फिरते हैं, बदलते हैं और समय के साथ एक क्रम में कार्य करते हैं।
इस नए अध्ययन को समझने के लिए, आपको डीप लर्निंग (Deep Learning) नामक एक विशेष प्रकार के कंप्यूटर मस्तिष्क के बारे में जानना होगा, विशेष रूप से LSTM (Long Short-Term Memory)। एक सामान्य कंप्यूटर प्रोग्राम को एक ऐसे छात्र के रूप में सोचें जो आज की क्लास शुरू होने तक कल के सबक को भूल जाता है। एक LSTM एक 'सुपर-स्टूडेंट' की तरह है जिसके पास पिछले कुछ दिनों के पाठों की सटीक स्मृति होती है, जिससे यह केवल अलग-थलग तथ्यों के बजाय एक कहानी में पैटर्न देख पाता है। यह अध्ययन उस 'सुपर-मेमोरी' का उपयोग करके ग्राहक के खरीदारी के इतिहास को एक फिल्म की तरह देखता है, और अगले दृश्य की भविष्यवाणी करने की कोशिश करता है: वह ठीक कब वापस आएगा और वह शेल्फ से कौन सी वस्तु उठाएगा।
दो सिरों वाला भविष्यवक्ता (The Two-Headed Oracle)
शोधकर्ताओं, गिया बाउ हुयन्ह (Gia Bao Huynh) और थी थुई हान नगुयेन (Thi Thuy Hanh Nguyen) ने एक "दो सिरों वाले" कंप्यूटर मॉडल का निर्माण किया ताकि उस समस्या को हल किया जा सके जिसे अधिकांश अन्य मॉडल अनदेखा कर देते हैं। आमतौर पर, AI केवल एक चीज़ का अनुमान लगाने की कोशिश करता है: "क्या वे खरीदेंगे?" या "वे क्या खरीदेंगे?" यह नया मॉडल अलग है क्योंकि यह एक ही समय में दोनों सवालों के जवाब देने की कोशिश करता है, जैसे कि एक भविष्यवक्ता जो आपको न केवल यह बताता है कि क्या होगा, बल्कि यह भी कि यह कब होगा। उन्होंने अपने मॉडल को एक वास्तविक ऑनलाइन स्टोर के 5,40,000 से अधिक लेनदेन के विशाल डेटासेट से प्रशिक्षित किया, जिसमें हजारों विभिन्न उत्पाद शामिल थे।
मॉडल ने सीखा कि ग्राहक समय के माध्यम से कैसे आगे बढ़ते हैं। इसने देखा कि ग्राहक ने पिछली पाँच चीजें क्या खरीदीं, उन्होंने कितना खर्च किया, और खरीदारी के बीच कितना समय इंतजार किया। फिर, इसने एक साथ दो भविष्यवाणियाँ कीं। पहला, इसने अगली खरीदारी तक के दिनों का अनुमान लगाया। दूसरा, इसने अगली वस्तु के विशिष्ट उत्पाद कोड का अनुमान लगाया। लक्ष्य यह देखना था कि क्या कंप्यूटर को एक साथ दोनों काम सिखाने से वह उन मॉडलों से अधिक स्मार्ट हो जाएगा जो इन्हें अलग-अलग करते हैं।
परिणाम: जादू और वास्तविकता का मिश्रण
जब शोधकर्ताओं ने अपने "दो सिरों वाले" मॉडल का परीक्षण किया, तो परिणाम अविश्वसनीय सटीकता और मानवीय खरीदारी व्यवहार के कुछ बहुत ही विशिष्ट गुणों का एक दिलचस्प मिश्रण थे।
समय का पूर्वानुमान (The Time Prediction):
मॉडल लोगों के वापस आने के समय का अनुमान लगाने में आश्चर्यजनक रूप से अच्छा था। इसने अगली खरीदारी तक के समय का अनुमान औसतन केवल 1.62 दिनों के त्रुटि मार्जिन के साथ लगाया। इसका मतलब है कि यदि मॉडल कहता कि एक ग्राहक 5 दिनों में वापस आएगा, तो वह आमतौर पर दो दिनों से कम के अंतर पर होता। इससे भी अधिक प्रभावशाली बात यह है कि आधे से अधिक ग्राहकों के लिए, मॉडल बिल्कुल सटीक था, जिसमें त्रुटि 0 दिन थी। हालाँकि, शोधकर्ताओं ने डेटा में एक अजीब मोड़ पाया: लगभग 75% समय, ग्राहक एक ही दिन में कई चीजें खरीद रहे थे। इस कारण से, मॉडल कभी-कभी उन दुर्लभ ग्राहकों के साथ संघर्ष करता था जो दोबारा खरीदारी करने के लिए लंबा समय (जैसे 30 दिन या उससे अधिक) प्रतीक्षा करते थे। जबकि मॉडल सामान्य, त्वरित वापसी के लिए बेहतरीन था, इन दुर्लभ, लंबे इंतजारों ने समग्र "सांख्यिकीय स्कोर" (R²) को थोड़ा नकारात्मक बना दिया, इसलिए नहीं कि मॉडल खराब था, बल्कि इसलिए क्योंकि डेटा इतने अधिक 'सेम-डे' (एक ही दिन के) खरीदारों से भरा था कि इसने लंबे इंतजार करने वालों के लिए गणित को बिगाड़ दिया।
उत्पाद का पूर्वानुमान (The Product Prediction):
जब बात यह अनुमान लगाने की आई कि ग्राहक अगली बार क्या खरीदेगा, तो मॉडल के सामने एक बहुत बड़ी चुनौती थी। स्टोर में 3,655 अलग-अलग उत्पाद थे। यदि आप केवल यादृच्छिक (randomly) अनुमान लगाते, तो सही वस्तु चुनने की आपकी संभावना बहुत कम होती—शीर्ष अनुमान के लिए लगभग 0.027%। लेकिन मॉडल ने यादृच्छिक अनुमान नहीं लगाया। यह अपने शीर्ष अनुमान में 2.35% बार सही उत्पाद बताने में सफल रहा। इससे भी रोमांचक बात यह है कि यदि आप मॉडल को अपने शीर्ष 5 अनुमान देने की अनुमति देते हैं, तो वह 9.17% बार सही था। इसे समझने के लिए, यह केवल पासा फेंककर अनुमान लगाने से 67 गुना बेहतर था। इसने साबित कर दिया कि मॉडल ने वास्तविक पैटर्न सीख लिए हैं, जैसे कि यह जानना कि यदि आप एक फोन खरीदते हैं, तो आप जल्द ही एक केस खरीद सकते हैं, बजाय इसके कि वह अंधे होकर अनुमान लगाए।
यह क्यों महत्वपूर्ण है
लेखकों का सुझाव है कि यह "दो सिरों वाला" दृष्टिकोण पुराने तरीकों से बेहतर है क्योंकि यह केवल एक स्नैपशॉट के बजाय ग्राहक के खरीदारी इतिहास की पूरी कहानी से सीखता है। उन्होंने भविष्य के लिए एक शानदार विचार भी प्रस्तावित किया: एक AI एजेंट। एक रोबोटिक सहायक की कल्पना करें जो न केवल यह अनुमान लगाता है कि आपको क्या चाहिए, बल्कि स्वचालित रूप से आपको ठीक उसी क्षण कूपन या रिमाइंडर भेजता है जब आपके खरीदने की संभावना होती है, बिना किसी मानव के बटन दबाए। यह कंपनियों के पैसे बचा सकता है और उन्हें ठीक ज़रूरत के समय उपलब्ध रहकर ग्राहकों को खुश रखने में मदद कर सकता है।
हालाँकि मॉडल पूर्ण नहीं है—विशेष रूप रूप से उन दुर्लभ ग्राहकों के लिए जो महीनों तक प्रतीक्षा करते हैं—यह दिखाता है कि डीप लर्निंग का उपयोग करके समय और उत्पाद दोनों को एक साथ देखने से, व्यवसाय अपने ग्राहकों की आदतों की बहुत स्पष्ट तस्वीर प्राप्त कर सकते हैं। यह लेनदेन की एक अराजक धारा को एक पठनीय कहानी में बदल देता है, जिससे दुकानों को न केवल यह पता चलता है कि कौन वापस आ रहा है, बल्कि यह भी कि वे अगली बार वास्तव में क्या खरीदने वाले 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।