في عالم التجارة الإلكترونية، يعد تخصيص الحوافز الشخصية أمرًا حيويًا لزيادة المبيعات، حيث تعتبر نمذجة الزيادة (Uplift Modeling) الطريقة القياسية لتقدير تأثيرات العلاج الفردية (ITE). ولكن، تعاني النماذج التقليدية من صعوبات في البيئات المعقدة متعددة البائعين، حيث يتم انتهاك افتراض القيم الثابتة للعلاج (SUTVA).

تحدث مشكلتان رئيسيتان تتمثلان في تقويض البائع (Seller-level Cannibalization)، حيث يتم تحويل الإنفاق بين المتاجر دون زيادة في النمو على المنصة، وتقويض الحوافز (Incentive-level Cannibalization)، حيث تُدخل التحويلات العضوية أو المكافآت البديلة ضوضاء كبيرة في تقدير الزيادة.

لمعالجة هذه القضايا، تم تقديم CanniUplift كإطار موحد يهدف إلى تخفيف آثار هذا التقويض المزدوج. يتضمن ذلك تصميم "محاذاة شاملة على مستوى المنصة" (Platform-level Global Alignment – PGA) لالتقاط استبدال المتاجر من خلال قيود الاتساق العام الناتج عن قيمة البضائع المباعة (GMV).

كما تم تقديم "إزالة الضوضاء المعتمدة على الاسترداد" (Redemption-based Decomposition Denoising – RDD) لاستخدام سلوك الاسترداد في تحليل النتائج. من خلال إطار عمل شامل، يتم تقليل الضوضاء الناتجة عن الإسناد.

علاوة على ذلك، تم تصميم آلية "اهتمام العلاج" (Treat-Attention) لنمذجة التفاعلات المعقدة بين سلوكيات المستخدمين في التاريخ والخيارات العلاجية الحالية.

أظهرت التجارب الواسعة على مجموعة بيانات صناعية كبيرة أن CanniUplift يتفوق بشكل كبير على النماذج التقليدية. النسخ التجريبية أكدت أن دمج PGA و RDD يؤدي إلى تحسينات مستمرة في مقاييس الأداء.

تم نشر النظام بنجاح عبر الإنترنت، حيث حقق زيادة نسبتها 4.08% في GMV التدريجي عبر المنصة مقارنة بالمعيار الإنتاجي، مما أدى إلى تحسين عائد الاستثمار (ROI) في اختبارات A/B، مما يثبت فعاليته في تعزيز النمو العالمي للمنصة.

ما رأيكم في هذا التقدم الرائع؟ شاركونا في التعليقات!