Experimentation Accelerator: Interpretable Insights and Creative Recommendations for A/B Testing with Content-Aware ranking

Created by

Haebom

저자

Zhengmian Hu, Lei Shi, Ritwik Sinha, Justin Grover, David Arbour

💡 개요

본 논문은 온라인 실험의 두 가지 주요 병목 현상인 희소한 트래픽으로 인한 테스트 우선순위 결정의 어려움과 수동적이고 내용 비인지적인 사후 통찰력 추출 문제를 해결하기 위한 통합 프레임워크를 제안합니다. 제안된 방법론은 치료법 임베딩과 과거 결과를 활용하여 가치와 콘텐츠 다양성을 균형 있게 고려하는 CTR 순위 모델을 학습시키고, 이를 통해 어떤 변형을 테스트할지 우선순위를 정하고, 승리 요인을 설명하며, 잠재력 높은 신규 변형에 대한 타겟 기회를 발굴합니다.

🔑 시사점 및 한계

•

콘텐츠 인식 기반의 A/B 테스트 효율성 증대: 콘텐츠 임베딩을 활용하여 실험 변형의 우선순위를 효과적으로 정하고, 승리 요인을 설명하며, 새로운 고잠재력 변형을 발굴함으로써 A/B 테스트의 효율성을 크게 향상시킬 수 있습니다.

•

실행 가능한 창의적 아이디어 제공: 기계 학습 모델을 통해 도출된 통찰력을 기반으로 LLM이 구체적인 크리에이티브 제안을 생성하여 실험 주기 단축 및 정보 제공 강화에 기여합니다.

•

해석 가능성 및 통합: 치료법 임베딩을 의미론적 마케팅 속성으로 투영하고 명확한 계수를 제공함으로써 모델의 해석 가능성을 높이며, 실제 Adobe 제품에 통합되어 고객에게 AI 기반 실험 가속화 기능을 제공합니다.

PDF 보기

Made with Slashpage