Makalenin ötesinde: Yudi Zhang, müşteri yolculuğunu analiz etmenin daha incelikli bir yolunu buldu

Amazon'da alışveriş yapan müşteriler, seçtikleri ürün için satın alma işlemine başlamadan önce genellikle çok çeşitli seçenekler arasında gezinir. Bir müşterinin sipariş kararı ne zaman ve nasıl gerçekleşir? Yudi Zhang, alışveriş deneyiminin satın alma işlemlerine nasıl dönüştüğüyle ilgileniyor.

Zhang ve meslektaşları, 2024 Uluslararası Öğrenme Temsilleri Konferansı'nda Bilimde AI4Diferansiyel Denklemler Çalıştayı'na kabul edilen bildirilerinde, müşteri yolculuğunun en önemli bölümlerini tahmin etme sorununa yönelik yeni bir yaklaşım ortaya koydular. Bildiri, Zhang'in 2023 sonbaharında katıldığı Amazon Web Services'da (AWS) Uygulamalı Bilim İnsanı olarak görev aldığı dönemde yazıldı.

Iowa Eyalet Üniversitesi'nde istatistik alanında doktora yapan Zhang, Temmuz 2024'te Amazon Ads'e Uygulamalı Bilim İnsanı olarak katıldı. Zhang, bu röportajda bildiriden ve araştırma ilgi alanlarından bahsediyor.

İnsanların burada üzerine çalıştıkları konular gerçekten ilginç. Müşteri deneyimlerini doğrudan şekillendiren gelişmiş öneri sistemleri ve kişiselleştirme üzerinde çalışabileceğim zengin veriler sunuyor. Bu tür sistemler birçok büyük şirkette mevcut, bu nedenle Ads profesyonel olarak gelişmek açısından harika bir yer. Amazon, konferansları ve araştırmaları destekleyerek bilim insanlarına yatırım yapıyor. Böylece reklamcılık alanında üstün bir teknolojiye sahip olabiliyoruz. Ayrıca reklam bölümünde son zamanlarda çok ciddi büyüme kaydettik.

Öncelikli odak noktam öneri sistemleri ve kişiselleştirme. İnsanlara ilgilendikleri ürünleri gösterebilecek modeller ve algoritmalar oluşturmakla ilgileniyorum. Öneri sistemleri genellikle iki bölümden oluşuyor. Öncelikle, müşteriye göstermek için mümkün olduğunca çok sayıda ilgili ürünü aldığımız kaynakları buluyoruz. Ardından sıralama kısmı geliyor. Burada, daha fazla kişinin kendileriyle en ilgili reklamlara tıklamasını sağlamak için bir dizi ürünü belirli bir sıraya koymamız gerekiyor. Ben kaynak kısmında çalışıyorum.

Odak noktamız çoklu temas noktası ilişkilendirme. Müşteri yolculuklarını anlamaya ve hangi etkileşimlerin nihai dönüşüme, yani bir tıklama veya satın alma işlemine en çok katkıda bulunduğunu belirlemeye çalışıyoruz. Dijital perakende satış alanında, müşteriler genellikle bir satın alma işlemi yapmadan önce birden fazla temas noktasıyla etkileşime girer: Bazı reklamları görüntülerler, bazı ürün sayfalarına göz atarlar, yorumları okurlar. Tüm bu farklı eylemler ve etkileşimler temas noktaları olarak kabul edilir.

Modeller, geleneksel olarak son dokunuşla ilişkilendirmeyi veya ilk dokunuşla ilişkilendirmeyi yakalar, yani son dönüşüm eylemi açısından en büyük önem ilk veya son adımdadır. Ancak müşteri yolculuğu çok karmaşıktır. Çoğu zaman, orta temas noktalarından bazıları müşterilerin kararlarını yönlendirmede daha önemli olabilir. Bu nedenle bildiri, bu etkileşimlerin tüm müşteri yolculuğu boyunca nasıl birlikte çalışacağını anlamak açısından daha kapsamlı bir modelleme çözümü sunuyor.

Bence bildirinin en heyecan verici kısmı, ilişkilendirmeyi modellemek için dikkat mekanizmasını kullanmamızdı. Basit bir çoklu ilişkilendirme modeli, her etkileşimi izole olarak ele alır veya her birine eşit ağırlık verir. Ancak bizim geliştirdiğimiz dikkat mekanizması, temas noktalarının sıralamasına bakar ve müşteri yolculuğundaki her birinin önemini dinamik olarak değerlendirir. Günümüzde birçok yapay zeka tabanlı araç, büyük verilerden hangi noktanın daha önemli olduğunu belirleyebilen bir katman olan bu dikkat mekanizmasına dayanarak eğitilmektedir. Ayrıca ilişkilendirme görevimiz için oldukça iyi çalışıyor.

Bildirinin bir kısmı bu, diğer kısmı ise sinirsel sıradan diferansiyel denklemlerle (ODE) ilgili. Diğer model türleri, her adımın nispeten düzenli aralıklarla gerçekleştiği bir müşteri yolculuğunu modellemek için zaman aralıkları kullanabilir. Ancak gerçek hayatta, müşteri yolculuğundaki zaman aralıkları büyük ölçüde değişebilir. Bugün bir şeye bakarken 10 saniye sonra başka bir şeye bakabilirsiniz ya da 10 gün sonra bambaşka bir şeye. ODE bu düzensiz zaman aralıklarını yakalayabilir.

Modeli, ücretli arama ve doğal arama gibi farklı AWS pazarlama kanallarıyla müşteri etkileşimleri üzerinde test ettik ve dönüşümler için hangi kanalın daha önemli olduğunu belirlemeye çalıştık. Geleneksel ilişkilendirme yöntemlerinden çok daha iyi performans gösterdi.

Araştırma AWS için pazarlama kanallarına odaklanmış olsa da, yöntem reklamcılığa da uygulanabilir. Etki üç alanda kendini gösteriyor. İlk olarak, müşteri etkileşimlerinin sırasını ve zamanlamasını anlamak, hangi reklamların birlikte en iyi şekilde ve hangi sırayla çalıştığını belirlememize yardımcı oluyor. Bu bilgi, bilinirlik odaklı reklamlar aracılığıyla etkileşimi başlatan ve ardından potansiyel müşterileri dönüşüm sağlayan reklamlara yönlendiren stratejileri destekleyebilir. İkincisi, her temas noktasının etkinliğini bilmek, reklamverenlerin kampanyalarını daha hassas bir şekilde kişiselleştirmelerini sağlar. Örneğin, belirli reklam biçimleri ve içerikleriyle daha önce yüksek etkileşim kurmuş olan müşterilere reklam sunarak müşteri yolculuğundaki her temas noktasının ilgi düzeyini ve etkisini artırabiliriz. Üçüncüsü, farklı temas noktalarının müşteri davranışlarını nasıl etkilediğine dair veri toplarken, kampanyaların yayınlanmaya başlamadan önce olası etkisini tahmin eden tahmine dayalı modeller oluşturabiliriz.

Amazon Ads, yenilikçi fikirleri keşfetme esnekliği sunması açısından çok büyük bir etkiye sahip. Ayrıca bölümümüz şirketin genel büyümesine büyük katkıda bulunuyor, bu da heyecan verici. Sağlam makine öğrenimi modelleri oluşturmak açısından çok değerli olan çok sayıda yüksek kaliteli veri setine erişimim var. Bu, ileri tekniklerle denemeler yapmama izin veriyor, bu yüzden burada çok iyi bir deneyime sahibim.

Ads'deki bilim insanları yakın işbirliği yapıyor ve fikirleri paylaşmaya ve yeniliği hızlandırmaya yönelik bir ağımız var. Örneğin, bir öneri sistemi projesinde, makine öğreniminde güçlü yönlere sahip bilim insanları, çok yönlü bir çözüm oluşturmak için doğal dil işleme veya nedensel çıkarım uzmanlarıyla birlikte çalışabiliyor. Doğruluk ve verimliliği sağlamak için modeller meslektaşlarımız tarafından düzenli olarak inceleniyor, sonuçlar doğrulanıyor ve alternatifler araştırılıyor. Ayrıca, modelleri Amazon'un altyapısına entegre ederek gerçek zamanlı performans ve ölçeklenebilirlik için optimize etmek amacıyla yazılım mühendisleriyle birlikte çalışıyoruz. Modelleri iş hedefleriyle uyumlu hâle getirmek için ürün yöneticileriyle iş ortaklığı kuruyoruz. Bu, kullanıcı deneyimini ve etkileşimini doğrudan etkiliyor.

Amazon'da birçok yetenekli insan var ve onlarla işbirliği yaparken çok şey öğrenebilirsiniz.

Modellerimizin yorumlanabilirliğini geliştirmek istiyorum. Reklamverenlerin yalnızca performans istatistiklerini görmelerini değil, aynı zamanda analizlerin ardındaki mantığı da anlamalarını sağlamak için şeffaflığa odaklanmak istiyorum. Reklamverenlere daha fazla yorum sağlayabilirsek, müşterilere de daha değerli veya ilgili bir deneyim sunabiliriz.