AdaSeq-MTA: Attribution-Aware Adaptive Neural Computation for Multi-Touch Attribution
AdaSeq-MTA è un framework neurale adattivo che riduce significativamente la latenza computazionale per l'attribuzione multi-touch selezionando dinamicamente i touchpoint e regolando lo sforzo di attribuzione, mantenendo al contempo l'accuratezza predittiva e minimizzando la deriva dell'allocazione del credito attraverso un approccio di ottimizzazione guidato da un insegnante e vincolato dal carico di lavoro.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel mercato digitale, il percorso di un cliente verso un acquisto è raramente una linea retta. Prima di cliccare su "acquista", una persona potrebbe vedere un post sui social media, ignorare un annuncio di ricerca, cliccare su un'e-mail e poi tornare giorni dopo su un sito web differente. I marketer chiamano queste singole interazioni "touchpoint". La sfida consiste nel capire quali di questi momenti abbiano effettivamente contato. È stata l'e-mail a suggellare l'affare, o è stato il primo post sui social media a scatenare l'interesse? Questo enigma è noto come attribuzione multi-touch. Per decenni, le aziende si sono affidate a regole semplici per risolverlo, come attribuire tutto il merito all'ultimo annuncio cliccato. Tuttavia, queste scorciatoie spesso perdono la complessa storia di come un cliente abbia effettivamente deciso di acquistare.
Per ottenere un quadro più fedele, i ricercatori si sono rivolti all'intelligenza artificiale. Questi sistemi possono analizzare l'intera cronologia del percorso di un cliente, imparando come diversi annunci interagiscono nel tempo per prevedere una vendita. Ma c'è un problema: questi sistemi intelligenti sono incredibilmente affamati di potenza di calcolo. Quando un percorso coinvolge decine di interazioni, il computer deve elaborare ognuna di esse per fare una previsione e poi calcolare il merito per ciascuna. Questo richiede tempo ed energia, rendendo difficile l'esecuzione su milioni di percorsi in tempo reale. La domanda fondamentale diventa: possiamo velocizzare il processo ignorando alcuni dei momenti meno importanti senza perdere l'accuratezza della risposta finale?
Un team di ricercatori ha sviluppato un nuovo metodo chiamato AdaSeq-MTA per rispondere a questa domanda. Il loro approccio tratta il percorso del cliente non come una lista rigida che deve essere letta dall'inizio alla fine, ma come una storia in cui alcuni capitoli sono più critici di altri. Invece di costringere il computer a leggere ogni singola parola di una lunga storia, il loro sistema impara a identificare quali parti del percorso sono essenziali per comprendere l'esito. Agisce come un esperto editor che può scorrere un manoscritto, mantenendo solo le scene più vitali per raccontare la trama, pur sapendo esattamente come finisce la storia.
I ricercatori hanno costruito un framework che lavora in due fasi. Per prima cosa, esamina la cronologia del cliente e decide se elaborare l'intero percorso o selezionare un gruppo più piccolo e rappresentativo di interazioni. Questa decisione non è casuale; si basa sulle caratteristiche specifiche del percorso, come quanti diversi tipi di annunci sono stati visti, quanto spesso il cliente è tornato e quanto tempo è passato tra le visite. Se il sistema decide di selezionare un gruppo più piccolo, sceglie con cura quali interazioni mantenere e quali mettere da parte, assicurando che i momenti più influenti siano preservati.
Una volta che il sistema ha selezionato il suo sottoinsieme di interazioni, esegue la sua previsione e il calcolo del merito. Fondamentalmente, i ricercatori non volevano solo che il sistema prevedesse correttamente la vendita; volevano anche che assegnasse il merito agli annunci in modo che corrispondesse a ciò che avrebbe fatto un'analisi completa, lenta ed esaustiva. Hanno addestrato il sistema utilizzando un modello "insegnante" che aveva visto l'intero percorso. Questo insegnante forniva un riferimento su come il merito dovesse essere distribuito. Il nuovo sistema, più veloce, è stato quindi guidato a imitare questa distribuzione, anche se stava lavorando con meno pezzi di informazione. Ciò ha garantito che la scorciatoia non distorcesse gli insight di marketing. Ad esempio, se l'analisi completa suggeriva che una specifica e-mail era responsabile del 20% del merito, il sistema veloce era addestrato ad arrivare alla stessa cifra del 20%, anche se aveva saltato diversi altri annunci.
I risultati di questo approccio sono stati misurati su un ampio dataset di interazioni pubblicitarie reali contenente milioni di percorsi di clienti. I ricercatori hanno scoperto che il loro metodo poteva ridurre il tempo necessario per elaborare un singolo percorso da 18,4 millisecondi a 13,1 millisecondi. Ciò rappresenta una riduzione di quasi il 29% del tempo richiesto al computer per pensare. Durante questo processo, il sistema ha mantenuto circa il 66% delle interazioni originali, il che significa che ha efficacementmente ignorato circa un terzo dei punti dati senza doverli elaborare. Nonostante questa compressione, la capacità del sistema di prevedere se sarebbe avvenuta una vendita è rimasta quasi identica alla versione completa e lenta.
Forse più importante, i ricercatori hanno verificato se le scorciatoie cambiassero le conclusioni di marketing. Hanno misurato quanto fosse cambiato il merito assegnato ai diversi canali pubblicitari utilizzando il metodo veloce rispetto a quello lento. Hanno scoperto che il loro metodo manteneva questo spostamento molto piccolo, significativamente meglio di altri metodi che cercavano solo di velocizzare la previsione senza curarsi della distribuzione del merito. Ciò significa che un team di marketing utilizzando questo sistema otterrebbe una risposta più veloce che racconta comunque la stessa storia su quali canali stiano funzionando. Il sistema includeva anche un meccanismo di sicurezza per la fase finale del calcolo del merito, che comporta un complesso processo di campionamento statistico. Poteva decidere automaticamente quanti campioni fossero necessari per essere fiduciosi nel risultato, fermandosi in anticipo se la risposta era chiara, o dedicando più tempo se la situazione era incerta.
In definitiva, questo lavoro dimostra che efficienza e accuratezza non devono essere nemiche nel mondo dell'analisi del marketing. Insegnando a un computer a essere selettivo su ciò che elabora, i ricercatori hanno dimostrato che è possibile ridurre il tempo e l'energia necessari per analizzare i percorsi dei clienti. Il sistema non indovina quali annunci siano importanti; impara a riconoscere i pattern che contano. Ciò consente alle aziende di ottenere le proprie risposte più velocemente, liberando risorse per prendere decisioni mentre i dati sono ancora freschi, senza sacrificare l'affidabilità degli insight ricevuti. Lo studio conferma che, con il giusto approccio adattivo, possiamo elaborare cronologie lunghe e complesse del comportamento dei clienti rapidamente, mantenendo il focus sui dettagli più importanti e lasciando che il resto sfumi sullo sfondo.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.