Synthetic Customer 360 Benchmark for Customer Data Quality, Identity Resolution, and Survivorship in Omnichannel Retail
यह शोध पत्र ओम्नीचैनल रिटेल में आइडेंटिटी रेजोल्यूशन और सर्वाइवरशिप नियमों के प्रदर्शन का कठोरता से मूल्यांकन करने और सांख्यिकीय रूप से मान्य करने के लिए ऑडिट योग्य ग्राउंड ट्रुथ के साथ एक सिंथेटिक कस्टमर 360 बेंचमार्क प्रस्तुत करता है, जो पुनरुत्पादनीय स्थिति पृथक्करण (reproducible condition separation) को प्रदर्शित करता है, जबकि यह स्पष्ट करता है कि ये निष्कर्ष वास्तविक दुनिया की परिचालन श्रेष्ठता को स्थापित नहीं करते हैं।
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
कल्पना कीजिए कि आप एक विशाल, उलझे हुए पहेली को सुलझाने की कोशिश कर रहे हैं जहाँ हर टुकड़ा किसी व्यक्ति के जीवन का एक छोटा सा सुराग है। कुछ सुराग एक वीआईपी कार्ड पर सुंदर लिखावट में लिखे होते हैं, जबकि कुछ एक भीड़भाड़ वाले कॉफी शॉप में रखे नैपकिन पर बेतरतीब ढंग से लिखे होते हैं। ऑनलाइन और ऑफलाइन शॉपिंग की दुनिया में, कंपनियाँ ऐसे लाखों सुराग एकत्र करती हैं—ईमेल, फोन नंबर, पते और नाम—जो वेबसाइटों, मोबाइल ऐप्स और भौतिक स्टोर जैसी विभिन्न जगहों से आते हैं। बड़ी चुनौती आइडेंटिटी रेजोल्यूशन (Identity Resolution) है: यह पता लगाना कि फोन ऐप पर शर्ट खरीदने वाला "जॉन" वही "जॉन" है जिसने स्टोर से एक पैकेज उठाया था। एक बार जब आप जान जाते हैं कि वे एक ही व्यक्ति हैं, तो आप सर्वाइवरशिप (Survivorship) का सामना करते हैं: यदि फोन ऐप कहता है कि उसका पता "123 मेपल" है लेकिन स्टोर कहता है "124 मेपल", तो आप किस पर भरोसा करेंगे जो कि "गोल्डन रिकॉर्ड" (एक सच्चा संस्करण) होगा? समस्या यह है कि कंपनियाँ अपने सिस्टम का परीक्षण करने के लिए अपना वास्तविक ग्राहक डेटा आसानी से साझा नहीं कर सकतीं क्योंकि वह निजी और संवेदनशील है। इसलिए, वैज्ञानिकों को इस पहेली का एक नकली, लेकिन पूरी तरह से सटीक संस्करण बनाने के तरीके की आवश्यकता है ताकि वे देख सकें कि उनके नियम काम करते हैं या नहीं।
यह शोध पत्र एक चतुर नए उपकरण का परिचय देता जिसे सिंथेटिक कस्टमर 360 बेंचमार्क (Synthetic Customer 360 Benchmark) कहा जाता है। इसे एक स्वतंत्र शोधकर्ता प्रदीप एरोनकर द्वारा निर्मित ग्राहक डेटा के लिए एक "प्रशिक्षण सिम्युलेटर" के रूप में समझें। वास्तविक लोगों की निजी जानकारी का उपयोग करने के बजाय, लेखक ने खरीदारों की एक नकली दुनिया बनाने के लिए एक कंप्यूटर प्रोग्राम लिखा। यह प्रोग्राम हजारों नकली लोग बनाता है, उन्हें चार अलग-अलग "दुनियाओं" (जैसे एक ऑनलाइन स्टोर, एक लॉयल्टी ऐप, एक भौतिक दुकान और एक सर्विस सेंटर) में नकली खाते देता है, और फिर जानबूझकर डेटा को विशिष्ट, नियंत्रित तरीकों से बिगाड़ देता है। यह "दोष" पेश करता है जैसे कि गायब नाम, टाइपो, या विरोधाभासी पते, और यहाँ तक कि "अस्पष्टता" भी पैदा करता है जहाँ दो अलग-अलग लोग गलती से एक ही फोन नंबर साझा कर सकते हैं। इस उपकरण का जादू यह है कि इसके निर्माता को सटीक सत्य पता है: वास्तव में कौन कौन है, और प्रत्येक नकली व्यक्ति के लिए सही उत्तर क्या होना चाहिए।
यह शोध पत्र केवल सिम्युलेटर नहीं बनाता; बल्कि यह इसे परीक्षण के अधीन रखता है। लेखक ने कार्यक्रम को 335 बार चलाया ताकि यह देखा जा सके कि क्या अलग-अलग कंप्यूटर नियम विभिन्न कठिनाई स्तरों के तहत पहेली को हल कर सकते हैं। उन्होंने दो मुख्य विचारों का परीक्षण किया। सबसे पहले, उन्होंने पूछा: "क्या हमारा सिस्टम आसान पहेलियों (जहाँ सुराग स्पष्ट हैं) और कठिन पजारियों (जहाँ सुराग अस्त-व्यस्त या गायब हैं) के बीच अंतर कर सकता है?" उत्तर स्पष्ट रूप से हाँ था। जब डेटा को अधिक त्रुटियों और भ्रम के साथ "कठिन" बनाया गया, तो लोगों को सही ढंग से मिलाने की कंप्यूटर की क्षमता काफी कम हो गई, जिससे यह साबित हुआ कि सिस्टम वास्तव में कठिनाई के अंतर को महसूस कर सकता है। दूसरा, उन्होंने पूछा: "यदि हमारे पास विरोधाभासी जानकारी है, तो 'विजेता' मान चुनने के लिए अलग-अलग नियम अलग-अलग परिणाम देंगे?" एक बार फिर, उत्तर हाँ था। जब नकली डेटा में अधिक संघर्ष थे, तो अलग-अलग नियमों के बीच बहुत अधिक असहमति हुई।
अध्ययन में पाया गया कि जबकि कंप्यूटर नियम आसान डेटा पर अच्छी तरह से काम करते थे, वे अव्यवस्थित डेटा के मामले में संघर्ष करते हैं, और अलग-अलग "सर्वाइवरशिप" नियम (जैसे नवीनतम जानकारी बनाम सबसे सत्यापित जानकारी पर भरोसा करना) जब डेटा अव्यवस्थित होता है तो अक्सर अलग-अलग "गोल्डन रिकॉर्ड" उत्पन्न करते हैं। हालाँकि, लेखक बहुत सावधानी से कहते हैं कि यह अभी तक वास्तविक दुनिया की कंपनियों के लिए कोई जादुई समाधान नहीं है। क्योंकि डेटा पूरी तरह से सिंथेटिक (कंप्यूटर द्वारा बनाया गया) है, यह यह साबित नहीं करता है कि ये नियम वास्तविक ग्राहकों वाले वास्तविक स्टोर के लिए पूरी तरह से काम करेंगे। शोध पत्र स्पष्ट रूप से कहता है कि यह दावा नहीं करता कि इसने सभी के लिए "सर्वश्रेष्ठ" नियम खोज लिया है, न ही यह सिद्ध करता है कि ये तरीके विशाल वास्तविक दुनिया की आबादी तक स्केल (scale up) हो सकते हैं। इसके बजाय, यह शोधकर्ताओं और इंजीनियरों के लिए एक पारदर्शी, ऑडिट योग्य तरीका प्रदान करता है ताकि वे अपने स्वयं के विचारों का परीक्षण एक ज्ञात सत्य के विरुद्ध कर सकें, यह सुनिश्चित करते हुए कि जब वे वास्तविक सिस्टम बनाएं, तो वे एक ऐसे समान स्तर पर परीक्षण कर रहे हों जहाँ उत्तर पहले से ही ज्ञात 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।