AdaSeq-MTA: Attribution-Aware Adaptive Neural Computation for Multi-Touch Attribution
AdaSeq-MTA is een adaptief neuraal framework dat de computationele latentie voor multi-touch attributie aanzienlijk vermindert door dynamisch touchpoints te selecteren en de attributie-inspanning aan te passen, terwijl de voorspellende nauwkeurigheid behouden blijft en creditallocatie-drift wordt geminimaliseerd via een door een docent geleide, door werklast beperkte optimalisatieaanpak.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de digitale marktplaats is het pad van een klant naar een aankoop zelden een rechte lijn. Voordat iemand op "koop nu" klikt, kan diegene een bericht op sociale media zien, een zoekadvertentie negeren, op een e-mail klikken en vervolgens dagen later terugkeren naar een andere website. Marketeers noemen deze individuele interacties "touchpoints". De uitdaging ligt in het uitzoeken welke van deze momenten er werkelijk toe deden. Was het de e-mail die de koop bezegelde, of was het de eerste post op sociale media die de interesse opwekte? Dit puzzelstuk staat bekend als multi-touch attributie. Decennialang hebben bedrijven vertrouwd op eenvoudige regels om dit op te lossen, zoals alle eer geven aan de laatste advertentie waarop is geklikt. Deze afkortingen missen echter vaak het complexe verhaal van hoe een klant daadwerkelijk besloot te kopen.
Om een getrouwer beeld te krijgen, hebben onderzoekers zich tot kunstmatige intelligentie gewend. Deze systemen kunnen de volledige geschiedenis van een klantreis analyseren en leren hoe verschillende advertenties in de loop van de tijd met elkaar interageren om een verkoop te voorspellen. Maar er is een addertje onder het gras: deze intelligente systemen zijn ongelooflijk hongerig naar rekenkracht. Wanneer een reis tientallen interacties omvat, moet de computer elke interactie verwerken om een voorspelling te doen en vervolgens de eer toe te kennen aan elk onderdeel. Dit kost tijd en energie, wat het moeilijk maakt om dit in realtime op miljoenen reizen uit te voeren. De kernvraag wordt: kunnen we het proces versnellen door sommige minder belangrijke momenten te negeren zonder de nauwkeurigheid van het uiteindelijke antwoord te verliezen?
Een team van onderzoekers heeft een nieuwe methode ontwikkend genaamd AdaSeq-MTA om deze vraag te beantwoorden. Hun aanpak behandelt de klantreis niet als een rigide lijst die van begin tot eind gelezen moet worden, maar als een verhaal waarin sommige hoofdstukken crucialer zijn dan andere. In plaats van de computer te dwingen elk enkel woord van een lang verhaal te lezen, leert hun systeem te identificeren welke delen van de reis essentieel zijn om de uitkomst te begrijpen. Het werkt als een bekwame redacteur die een manuscript kan scannen en alleen de meest vitale scènes behoudt om het plot te vertellen, terwijl hij nog steeds precies weet hoe het verhaal afloopt.
De onderzoekers bouwden een framework dat in twee fasen werkt. Eerst kijkt het naar de geschiedenis van de klant en beslist of het de volledige reis moet verwerken of een kleinere, representatieve groep interacties moet selecteren. Deze beslissing is niet willekeurig; het is gebaseerd op de specifieke kenmerken van de reis, zoals hoeveel verschillende soorten advertenties er zijn gezien, hoe vaak de klant is teruggekomen en hoeveel tijd er tussen de bezoeken verstreek. Als het systeem besluit een kleinere groep te selecteren, kiest het zorgvuldig welke interacties het behoudt en welke het terzijde legt, om er zeker van te zijn dat de meest invloedrijke momenten worden bewaard.
Zodra het systeem een deelverzameling van interacties heeft geselecteerd, voert het zijn voorspelling en de berekening van de eer uit. Cruciaal is dat de onderzoekers niet alleen wilden dat het systeem de verkoop correct voorspelde; ze wilden ook dat het de eer aan de advertenties toeschreef op een manier die overeenkwam met wat een volledige, trage en uitputtende analyse zou hebben gedaan. Ze trainden het systeem met een "leraar"-model dat de volledige reis had gezien. Deze leraar bood een referentie voor hoe de eer verdeeld moest worden. Het nieuwe, snellere systeem werd vervolgens aangestuurd om deze verdeling na te bootsen, ook al werkte het met minder informatie. Dit zorgde ervoor dat de afkorting de marketinginzichten niet vertekende. Als de volledige analyse bijvoorbeeld suggereerde dat een specifieke e-mail verantwoordelijk was voor 20% van de eer, werd het snellere systeem getraind om tot diezelfde 20% te komen, zelfs als het enkele andere advertenties had overgeslagen.
De resultaten van deze aanpak werden gemeten op een grote dataset van echte advertentie-interacties die miljoenen klantreizen bevat. De onderzoekers ontdekten dat hun methode de tijd om een enkele reis te verwerken kon verminderen van 18,4 milliseconden naar 13,1 milliseconden. Dit komt neer op een reductie van bijna 29% in de tijd die de computer nodig heeft om na te denken. Tijdens dit proces behield het systeem ongeveer 66% van de oorspronkelijke interacties, wat betekent dat het effectief ongeveer een derde van de datapunten negeerde zonder ze te hoeven verwerken. Ondanks deze compressie bleef het vermogen van het systeem om te voorspellen of een verkoop zou plaatsvinden bijna identiek aan de volledige, trage versie.
Misschien nog belangrijker is dat de onderzoekers controleerden of de afkortingen de marketingconclusies veranderden. Ze maten hoeveel de eer die aan verschillende advertentiekanaals werd toegewezen verschoof bij het gebruik van de snelle methode vergeleken met de trage methode. Ze vonden dat hun methode deze verschuiving zeer klein hield, aanzienlijk beter dan andere methoden die alleen probeerden de voorspelling te versnellen zonder rekening te houden met de verdeling van de eer. Dit betekent dat een marketingteam dat dit systeem gebruikt, een sneller antwoord krijgt dat nog steeds hetzelfde verhaal vertelt over welke kanalen werken. Het systeem bevatte ook een veiligheidsmechanisme voor de laatste stap van het berekenen van de eer, wat een complexe statistische steekproefmethode omvat. Het kon automatisch beslissen hoeveel steekproeven nodig waren om zeker te zijn van het resultaat, waarbij het vroegtijdig stopte als het antwoord duidelijk was, of meer tijd nam als de situatie onzeker was.
Uiteindelijk laat dit werk zien dat efficiëntie en nauwkeurigheid geen vijanden hoeven te zijn in de wereld van marketinganalyse. Door een computer te leren selectief te zijn over wat hij verwerkt, hebben de onderzoekers aangetoond dat het mogelijk is om de tijd en energie die nodig is om klantreizen te analyseren te verminderen. Het systeem raadt niet welke advertenties belangrijk zijn; het leert patronen te herkennen die er toe doen. Dit stelt bedrijven in staat om hun antwoorden sneller te krijgen, waardoor middelen vrijkomen om beslissingen te nemen terwijl de data nog vers is, zonder dat de betrouwbaarheid van de verkregen inzichten verloren gaat. De studie bevestigt dat we met de juiste adaptieve aanpak de lange, complexe geschiedenissen van klantgedrag snel kunnen verwerken, waarbij we de belangrijkste details in focus houden terwijl de rest naar de achtergrond verdwijnt.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.