Makine öğrenimi, New York Times’ın ödeme duvarını güçlendirmesine nasıl yardımcı oluyor?

İşlerine yapay zeka (AI) ve makine öğrenimi (ML) uygulayan her kuruluş, zorlu sorunların üstesinden gelmek için bu güçlü teknolojileri kullanmak istiyor. İçin New York Timesen büyük zorluklardan biri, 2027 yılına kadar en son 15 milyon dijital abone hedefine ulaşmak ve aynı zamanda daha fazla insanın çevrimiçi makaleleri okumasını sağlamak arasında bir denge kurmak.

Bu günlerde, multimedya devi, ödeme duvarını daha akıllı hale getirmekle ilgili olan Dinamik Ölçer adı verilen nedensel bir makine öğrenme modeli kullanarak bu karmaşık neden-sonuç ilişkisini araştırıyor. Şirketin veri bilimcisi Chris Wiggins’e göre New York Timesson üç veya dört yıldır şirket, kullanıcı yolculuğunu genel olarak bilimsel olarak ve ödeme duvarının işleyişini anlamak için çalıştı.

2011’de, Times dijital aboneliklere odaklanmaya başladığında, “ölçülü” erişim, abone olmayanların abonelik gerektiren bir ödeme duvarına çarpmadan önce her ay aynı sabit sayıda makaleyi okuyabilmeleri için tasarlandı. Bu, şirketin abone kazanmasını sağlarken, okuyucuların bir abonelik taahhüt etmeden önce bir dizi teklifi keşfetmesine izin verdi.

Daha iyi karar verme için makine öğrenimi

Ancak şimdi, Dinamik Ölçer kişiselleştirilmiş sayaç sınırları belirleyebilir – yani, modeli veriye dayalı kullanıcı içgörüleriyle güçlendirerek – nedensel makine öğrenimi modeli, her kullanıcının alması gereken doğru sayıda ücretsiz makaleyi belirleyerek kuralcı olabilir. yeterince ilgilendi New York Times daha fazlasını okumaya devam etmek için abone olmak için.

Veri bilimcisi Rohit Supekar tarafından yazılan bir blog gönderisine göre New York Times’ Algoritmik hedefleme ekibi, sitenin abonelik hunisinin en üstünde kayıtlı olmayan kullanıcılardır. Belirli bir sayaç sınırında, erişimi engelleyen ve hesap oluşturmalarını isteyen bir kayıt duvarı gösterilir. Bu, daha fazla ücretsiz içeriğe erişmelerini sağlar ve bir kayıt kimliği, şirketin faaliyetlerini daha iyi anlamasını sağlar. Kayıtlı kullanıcılar başka bir sayaç limitine ulaştığında, onlara bir abonelik teklifi ile bir ödeme duvarı sunulur. Dinamik Sayaç modeli, tüm bu kayıtlı kullanıcı verilerinden öğrenir ve belirli temel performans göstergelerini (KPI’ler) optimize etmek için uygun ölçüm sınırını belirler.

Fikir, dedi Wiggins, okuyucularla uzun vadeli bir ilişki kurmak. “İnsanların haftalar veya aylar boyunca meşgul olduğu çok daha yavaş bir problem” dedi. “Sonra bir noktada onlardan abone olmalarını ve iyi bir iş yapıp yapmadığınızı görmelerini istiyorsunuz.”

Nedensel AI, ne olacağını anlamaya yardımcı olur

Nedensel makine öğrenimi modelini oluşturmadaki en zor zorluk, dünyadaki 130 milyondan fazla kayıtlı kullanıcı için kullanıcı etkinliğini anlamak için sağlam veri hattını kurmaktı. New York Times‘ sitesi, dedi Supekar.

Dinamik Ölçer’i güçlendiren temel teknik ilerleme, ne olacağını tahmin edebilecek modeller oluşturmak istediğiniz bir makine öğrenimi yöntemi olan nedensel yapay zeka ile ilgilidir.

“Gerçekten neden ve sonucu anlamaya çalışıyoruz” diye açıkladı.

Belirli bir kullanıcıya farklı sayıda ücretsiz makale verilseydi, abone olma veya belirli sayıda makale okuma olasılığı ne olurdu? Bu karmaşık bir soru, diye açıkladı, çünkü gerçekte bu sonuçlardan sadece birini gözlemleyebiliyorlar.

“Birine 100 ücretsiz makale verirsek, 50 makale verilseydi ne olacağını tahmin etmeliyiz” dedi. “Bu tür sorular nedensel yapay zeka alanına giriyor.”

Superkar’ın blog yazısı, belirli insan gruplarına farklı sayıda ücretsiz makale verildiği ve modelin bu verilere dayanarak öğrenebileceği bir rastgele kontrol denemesi yaparak nedensel makine öğrenme modelinin nasıl çalıştığının açık olduğunu açıkladı. Kayıtlı kullanıcılar için sayaç limiti arttıkça, ortalama sayfa görüntüleme sayısıyla ölçülen etkileşim de büyüyor. Ancak, daha az kullanıcı ödeme duvarıyla karşılaştığı için abonelik dönüşümlerinde de bir azalmaya yol açar. Dinamik Ölçer, dönüşüm etkileşimi arasındaki bir dengeyi hem optimize etmeli hem de dengelemelidir.

Supekar, “100 ücretsiz makale alan belirli bir kullanıcı için, 50 makaleye sahip olsaydı ne olacağını belirleyebiliriz çünkü bunları 50 makale verilen diğer kayıtlı kullanıcılarla karşılaştırabiliriz” dedi. Bu, nedensel AI’nın neden popüler hale geldiğinin bir örneğidir, çünkü “Bizim durumumuzda çok fazla gelir etkisi olan çok sayıda iş kararı var, burada olan ve olacak olan arasındaki ilişkiyi anlamak istiyoruz, ” açıkladı. “Nedensel AI’nın gerçekten buharı aldığı yer burası.”

Makine öğrenimi, anlayış ve etik gerektirir

Wiggins, otomatik karar verme için işlerine yapay zekayı getiren pek çok kuruluşla birlikte, gerçekten ne olacağını anlamak istediklerini ekledi.

“Bu, bir kez bir sınıflandırma problemi yaptığınız ve belki de bunu bir model olarak incelediğiniz, ancak aslında ML’yi sizin için kararlar vermesi için üretime sokmadığınız, içgörü hizmetinde makine öğreniminden farklıdır” dedi. Bunun yerine, AI’nın gerçekten karar vermesini isteyen bir işletme için, neler olup bittiğine dair bir anlayışa sahip olmak istiyorlar. “Kara kutu modeli olmasını istemiyorsun,” dedi.

Supekar, ekibinin Dinamik Sayaç modeli söz konusu olduğunda algoritmik etik konusunda bilinçli olduğunu da sözlerine ekledi. “Özel birinci taraf verilerimiz yalnızca insanların Times içeriğiyle olan etkileşimi hakkındadır ve herhangi bir demografik veya psikografik özellik içermiyoruz” dedi.

New York Times ödeme duvarının geleceği

geleceğine gelince New York Times‘ ödeme duvarı, Supekar, medya işinde ödeme duvarlarını tanıtmanın olumsuz yönleri hakkında bilimi keşfetmekten heyecan duyduğunu söyledi.

“Ödeme duvarlarını gösterirseniz çok sayıda abone aldığımızı biliyoruz, ancak bir ödeme duvarının bazı okuyucuların alışkanlıklarını nasıl etkilediğini ve gelecekte, hatta aylar veya yıllar sonra bile geri dönmek isteyebileceklerini bilmekle de ilgileniyoruz. “dedi. “Potansiyel olarak abone olabilmeleri için sağlıklı bir kitleyi korumak istiyoruz, aynı zamanda okuyucuyu artırmaya yönelik ürün misyonumuza da hizmet ediyoruz.”

Wiggins, abonelik iş modelinin bu tür doğal zorluklara sahip olduğunu ekledi.

“İş modeliniz tıklamalarla ilgiliyse, bu zorluklarla karşılaşmazsınız” dedi. “Tasarım seçimlerimizin, birinin abone olmaya üç ay mı yoksa üç yıl sonra mı devam edeceğini şimdi nasıl etkileyeceğini düşünüyoruz. Bu karmaşık bir bilimdir.”