MAB adalah akronim dari Multi-Armed Bandit, yang merupakan salah satu pemodelan masalah. Maksudnya apa? Misal: Anda punya 10 produk, dan Anda tidak tahu mana yang akan laku di pasaran. Nah, inilah contoh dari bandit problem. Jadi, saya ulangi kembali, Multi-Armed Bandit adalah sebuah pemodelan masalah. Pemodelan masalah adalah cara untuk membuat masalah jadi lebih bisa dipahami dan dipecahkan.
Kenapa namanya Multi-Armed Bandit? Karena pemodelan ini lahir dari kasino. Ya, kasino tempat orang berjudi. Kalau Anda tidak pernah ke kasino, bayangkan aja Anda pergi ke fun world. Mirip ada mesin game yang seperti ini:
Dinamakan multi-armed bandit, karena setiap pejudi yang masuk ke kasino, kalau dihadapkan dengan mesin ini, tidak pernah tahu mesin yang mana yang harus dipilih kalau mau untung besar. Dia harus memilih untuk menggerakkan salah satu arm (lengan) dengan acak, untuk mengetahui hal tersebut. Jadi.. awalnya ini adalah masalah yang muncul dari para gamblers, dimana uang mereka semua habis diambil oleh para bandit/orang jahat yang tangannya ada banyak (multi-armed bandit), yaitu mesin kasino-nya.. 😀
Apa Hubungannya MAB dengan Facebook Ads?
Secara sederhana, seluruh permasalahan dalam dunia advertising berbayar (paid advertising) dapat dimodelkan dengan MAB. Misal:
- Ads mana sih yang akan disukai oleh publik, dari 50 ads yang kita pilih?
- Bid berapa sih yang paling cocok, diantara 20 bid yang kita tetapkan?
- Interest mana sih yang terbaik, dari 100 interest yang kita pilih?
- Dan lain-lain
Ini semua adalah multi-armed bandit problem. Yang menjadi kekhasan dari MAB problem adalah adanya fase eksplorasi dan eksploitasi dalam memecahkannya. Masa-masa saat Anda belum ketemu “statistical significance”/jawaban dari pertanyaan Anda, adalah fase eksplorasi (pencarian). Sedangkan masa-masa saat Anda sudah bisa menemukan “arah yang jelas” adalah fase eksploitasi, memaksimalkan keuntungan.
Nah, yang selayaknya memikirkan bagaimana memecahkan MAB problems adalah para engineer Facebook, karena mereka memang dibayar untuk memecahkan masalah dengan lebih efektif dan efisien. Para scientist di seluruh dunia berlomba menciptakan bandit algorithm, algoritma untuk memecahkan multi armed bandit problem.
Contoh bandit algorithm yang dikembangkan oleh para scientist:
- Epsilon-greedy algorithm
- Sofmax,
- UCB Algorithm,
Pusing? Sama. Saya juga. 😀 Gak usah dipikirin, biar engineer FB yang mikir.
Bagaimana Memanfaatkan Informasi Ini?
Dalam hal memanfaatkan MAB, tugas kita cuma 1: memakai FB ads dengan benar. Itu saja. Yang benar: memanfaatkan kemampuan FB dalam menentukan mana ads yang baik dari 5 ads, menentukan interest mana yang ok dari 10 interests, dan sebagainya. Tugas kita bukan membuat MAB solution. Bukan! Nanti kepala Anda botak!
Yang harus utamanya Anda perhatikan adalah, Anda harus mengetahui secara jelas, apa tujuan Anda memasang iklan.
Objective apa yang Anda akan gunakan, hasil apa yang ingin Anda capai. Simply said, Anda harus bisa memetakan masalah Anda dengan jelas: Langkah apa yang harus Anda lakukan (arm yang akan Anda gerakkan, mesin yang Anda pilih) untuk mendapatkan hasil maksimal (berarti harus tahu hasilnya apa yang mau diharapkan, kan?)
Tahun lalu saya pernah menulis artikel ini: https://www.scaleup.club/cara-split-testing-yang-menurut-saya-paling-killer/ dimana ini adalah salah satu strategi dalam memanfaatkan algoritma yang sudah dikembangkan Facebook untuk memecahkan multi-armed bandit problem yang kita hadapi (mengetahui iklan mana yang baik/buruk).
Anda bisa memainkan banyak variasi lainnya, tentunya dengan kaidah penelitian yang benar. Misal, menetapkan bid sebagai faktor konstan, menentukan 1 interest utama yang fix, lalu diuji dengan berbagai macam produk terhadap interest tersebut, dan sebagainya.
Intinya di dalam MAB problem ini adalah, kita perlu melakukan split testing dengan konsep split testing yang jelas dan sesuai dengan kaidah MECE (mutually exclusive, collectively exhaustive) seperti yang pernah saya terangkan beberapa waktu lalu di dalam berbagai webinar dan diskusi.
Demikianlah penjelasan sederhana mengenai MAB. Mudah-mudahan, penjelasan saya mudah dipahami. []
