AdaSeq-MTA: Attribution-Aware Adaptive Neural Computation for Multi-Touch Attribution
AdaSeq-MTA एक अनुकूलन योग्य न्यूरल फ्रेमवर्क है जो एक शिक्षक-निर्देशित, कार्यभार-प्रतिबंधित अनुकूलन दृष्टिकोण के माध्यम से भविष्य कहनेवाला सटीकता बनाए रखते हुए और क्रेडिट आवंटन ड्रिफ्ट को कम करते हुए, स्पर्श बिंदुओं (touchpoints) का गतिशील रूप से चयन करके और एट्रिब्यूशन प्रयास को समायोजित करके मल्टी-टच एट्रिब्यूशन के लिए कम्प्यूटेशनल विलंबता को महत्वपूर्ण रूप से कम 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
डिजिटल बाज़ार में, खरीदारी की ओर ग्राहक का रास्ता शायद ही कभी एक सीधी रेखा होता है। "खरीदें" पर क्लिक करने से पहले, एक व्यक्ति सोशल मीडिया पोस्ट देख सकता है, एक सर्च विज्ञापन को अनदेखा कर सकता है, एक ईमेल पर क्लिक कर सकता है, और फिर कुछ दिनों बाद किसी दूसरी वेबसाइट पर वापस आ सकता है। मार्केटर्स इन व्यक्तिगत अंतःक्रियाओं (इंटरेक्शन) को "टचपॉइंट्स" कहते हैं। चुनौती यह पता लगाने में है कि इनमें से कौन से क्षण वास्तव में मायने रखते थे। क्या ईमेल ने सौदा पक्का किया, या वह पहला सोशल मीडिया पोस्ट था जिसने रुचि जगाई थी? इस पहेली को मल्टी-टच एट्रिब्यूशन के रूप में जाना जाता है। दशकों से, व्यवसाय इसे हल करने के लिए सरल नियमों पर निर्भर रहे हैं, जैसे कि अंतिम क्लिक किए गए विज्ञापन को पूरा श्रेय देना। हालाँकि, ये शॉर्टकट अक्सर उस जटिल कहानी को चूक जाते हैं कि कैसे एक ग्राहक ने वास्तव में खरीदने का निर्णय लिया।
एक अधिक सटीक चित्र प्राप्त करने के लिए, शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस की ओर रुख किया है। ये प्रणालियाँ ग्राहक की पूरी यात्रा का विश्लेषण कर सकती हैं, यह सीखकर कि बिक्री की भविष्यवाणी करने के लिए विभिन्न विज्ञापन समय के साथ कैसे परस्पर क्रिया करते हैं। लेकिन इसमें एक पेच है: ये बुद्धिमान प्रणालियाँ कंप्यूटिंग पावर के लिए बहुत भूखी होती हैं। जब एक यात्रा में दर्जनों अंतःक्रियाएँ शामिल होती हैं, तो कंप्यूटर को भविष्यवाणी करने और फिर प्रत्येक के लिए श्रेय की गणना करने के लिए हर एक को प्रोसेस करना पड़ता है। इसमें समय और ऊर्जा लगती है, जिससे लाखों यात्राओं पर रियल-टाइम में इसे चलाना कठिन हो जाता है। मूल प्रश्न यह है: क्या हम अंतिम उत्तर की सटीकता खोए बिना कुछ कम महत्वपूर्ण क्षणों को अनदेखा करके इस प्रक्रिया को तेज़ कर सकते हैं?
शोधकर्ताओं की एक टीम ने इस प्रश्न का उत्तर देने के लिए AdaSeq-MTA नामक एक नया तरीका विकसित किया है। उनका दृष्टिकोण ग्राहक की यात्रा को एक कठोर सूची के रूप में नहीं, बल्कि एक ऐसी कहानी के रूप में देखता है जहाँ कुछ अध्याय अधिक महत्वपूर्ण होते हैं। कंप्यूटर को एक लंबी कहानी के हर एक शब्द को पढ़ने के लिए मजबूर करने के बजाय, उनकी प्रणाली यह पहचानना सीखती है कि परिणाम को समझने के लिए यात्रा के कौन से हिस्से आवश्यक हैं। यह एक कुशल संपादक की तरह कार्य करता है जो एक पांडुलिपि को सरसरी तौर पर पढ़ सकता है, कथानक बताने के लिए केवल सबसे महत्वपूर्ण दृश्यों को रखता है, जबकि यह भी जानता है कि कहानी का अंत कैसे होता है।
शोधकर्ताओं ने एक ढांचा बनाया है जो दो चरणों में काम करता है। सबसे पहले, यह ग्राहक के इतिहास को देखता है और यह निर्णय लेता है कि पूरी यात्रा को प्रोसेस करना है या अंतःक्रियाओं के एक छोटे, प्रतिनिधि समूह का चयन करना है। यह निर्णय यादृच्छिक (रैंडम) नहीं है; यह यात्रा की विशिष्ट विशेषताओं पर आधारित है, जैसे कि कितने अलग-अलग प्रकार के विज्ञापन देखे गए, ग्राहक कितनी बार वापस आया, और दौरों के बीच कितना समय बीता। यदि सिस्टम एक छोटे समूह को चुनने का निर्णय लेता है, तो यह सावधानीपूर्वक चुनता है कि किन अंतःक्रियाओं को रखना है और किन्हें अलग रखना है, यह सुनिश्चित करते हुए कि सबसे प्रभावशाली क्षण सुरक्षित रहें।
एक बार जब सिस्टम अंतःक्रियाओं के अपने उपसमूह (सबसेट) का चयन कर लेता है, तो यह अपनी भविष्यवाणी और श्रेय की गणना चलाता है। महत्वपूर्ण रूप से, शोधकर्ता केवल यह नहीं चाहते थे कि सिस्टम बिक्री की सही भविष्यवाणी करे; वे यह भी चाहते थे कि सिस्टम विज्ञापनों को इस तरह से श्रेय दे जो एक पूर्ण, धीमी और विस्तृत विश्लेषण के समान हो। उन्होंने इस सिस्टम को एक "टीचर" मॉडल का उपयोग करके प्रशिक्षित किया था जिसने पूरी यात्रा देखी थी। इस टीचर ने एक संदर्भ प्रदान किया कि श्रेय कैसे वितरित किया जाना चाहिए। नए, तेज़ सिस्टम को इस वितरण की नकल करने के लिए निर्देशित किया गया था, भले ही वह सूचना के कम टुकड़ों के साथ काम कर रहा हो। इसने यह सुनिश्चित किया कि शॉर्टकट मार्केटिंग अंतर्दृष्टि को विकृत न करे। उदाहरण के लिए, यदि पूर्ण विश्लेषण ने सुझाव दिया कि एक विशिष्ट ईमेल के लिए 20% श्रेय था, तो तेज़ सिस्टम को उसी 20% आंकड़े तक पहुँचने के लिए प्रशिक्षित किया गया था, भले ही उसने कई अन्य विज्ञापनों को छोड़ दिया हो।
इस दृष्टिकोण के परिणामों को वास्तविक दुनिया के विज्ञापन अंतःक्रियाओं के एक बड़े डेटासेट पर मापा गया जिसमें लाखों ग्राहक यात्राएँ शामिल थीं। शोधकर्ताओं ने पाया कि उनकी विधि एक एकल यात्रा को प्रोसेस करने में लगने वाले समय को 18.4 मिलीसेकंड से घटाकर 13.1 मिलीसेकंड कर सकती है। यह कंप्यूटर के सोचने के समय में लगभग 29% की कमी को दर्शाता है। इस प्रक्रिया के दौरान, सिस्टम ने मूल अंतःक्रियाओं का लगभग 66% हिस्सा बनाए रखा, जिसका अर्थ है कि इसने प्रभावी रूप से डेटा पॉइंट्स के लगभग एक-तिहाई हिस्से को अनदेखा कर दिया बिना उन्हें प्रोसेस किए। इस संपीड़न (कंप्रेशन) के बावजूद, बिक्री होने की भविष्यवाणी करने की सिस्टम की क्षमता पूर्ण, धीमी संस्करण के लगभग समान रही।
शायद अधिक महत्वपूर्ण बात यह है कि शोधकर्ताओं ने यह भी जांचा कि क्या इन शॉर्टकट्स ने मार्केटिंग निष्कर्षों को बदल दिया। उन्होंने यह मापा कि तेज़ विधि का उपयोग करने पर विभिन्न विज्ञापन चैनलों को दिए गए श्रेय में कितना बदलाव आया। उन्होंने पाया कि उनकी विधि ने इस बदलाव को बहुत कम रखा, जो अन्य तरीकों की तुलना में काफी बेहतर है जो केवल श्रेय वितरण की परवाह किए बिना भविष्यवाणी को तेज़ करने की कोशिश करते हैं। इसका अर्थ है कि मार्केटिंग टीम इस सिस्टम का उपयोग करके एक तेज़ उत्तर प्राप्त करेगी जो अभी भी उन्हें वही कहानी बताएगी कि कौन से चैनल काम कर रहे हैं। सिस्टम में अंतिम चरण के लिए एक सुरक्षा तंत्र भी शामिल था जिसमें श्रेय की गणना करने के लिए एक जटिल सांख्यिकीय नमूनाकरण (सैंपलिंग) प्रक्रिया शामिल है। यह स्वचालित रूप से यह तय कर सकता था कि परिणाम में आश्वस्त होने के लिए कितने नमूनों की आवश्यकता है, या यदि स्थिति अनिश्चित थी तो अधिक समय ले सकता था।
अंत में, यह कार्य प्रदर्शित करता है कि मार्केटिंग एनालिटिक्स की दुनिया में दक्षता और सटीकता एक-दूसरे के दुश्मन नहीं हो सकते। कंप्यूटर को यह सिखाकर कि वह क्या प्रोसेस करे, शोधकर्ताओं ने दिखाया कि ग्राहक यात्राओं का विश्लेषण करने के लिए लगने वाले समय और ऊर्जा को कम करना संभव है। सिस्टम यह अनुमान नहीं लगाता कि कौन से विज्ञापन महत्वपूर्ण हैं; यह उन पैटर्न्स को पहचानना सीखता है जो मायने रखते हैं। यह व्यवसायों को अपने उत्तर तेज़ी से प्राप्त करने की अनुमति देता है, जिससे डेटा के ताज़ा रहने के दौरान निर्णय लेने के लिए संसाधन मुक्त होते हैं, बिना प्राप्त अंतर्दृष्टि की विश्वसनीयता से समझौता किए। अध्ययन पुष्टि करता है कि सही एडेप्टिव दृष्टिकोण के साथ, हम ग्राहक व्यवहार के लंबे, जटिल इतिहास को तेज़ी से प्रोसेस कर सकते हैं, सबसे महत्वपूर्ण विवरणों को फोकस में रखते हुए बाकी सब को पृष्ठभूमि में धुंधला होने दे सकते 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।