論文の概要: Heterogeneous Causal Learning for Effectiveness Optimization in User Marketing

• arxiv url: http://arxiv.org/abs/2004.09702v1
• Date: Tue, 21 Apr 2020 01:34:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 06:04:43.150656
• Title: Heterogeneous Causal Learning for Effectiveness Optimization in User Marketing
• Title（参考訳）: ユーザマーケティングにおける効率最適化のための不均一因果学習
• Authors: Will Y. Zou, Shuyang Du, James Lee, Jan Pedersen
• Abstract要約: 本稿では,ユーザマーケティングのための処理効果最適化手法を提案する。 このアルゴリズムは過去の実験から学習し、ユーザ選択に対するコスト効率の最適化に新しい最適化手法を利用する。 提案手法は,先行技術およびベースライン法において,最良性能の手法と比較して24.6%性能が向上した。
• 参考スコア（独自算出の注目度）: 2.752817022620644
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: User marketing is a key focus of consumer-based internet companies. Learning algorithms are effective to optimize marketing campaigns which increase user engagement, and facilitates cross-marketing to related products. By attracting users with rewards, marketing methods are effective to boost user activity in the desired products. Rewards incur significant cost that can be off-set by increase in future revenue. Most methodologies rely on churn predictions to prevent losing users to make marketing decisions, which cannot capture up-lift across counterfactual outcomes with business metrics. Other predictive models are capable of estimating heterogeneous treatment effects, but fail to capture the balance of cost versus benefit. We propose a treatment effect optimization methodology for user marketing. This algorithm learns from past experiments and utilizes novel optimization methods to optimize cost efficiency with respect to user selection. The method optimizes decisions using deep learning optimization models to treat and reward users, which is effective in producing cost-effective, impactful marketing campaigns. Our methodology demonstrates superior algorithmic flexibility with integration with deep learning methods and dealing with business constraints. The effectiveness of our model surpasses the quasi-oracle estimation (R-learner) model and causal forests. We also established evaluation metrics that reflect the cost-efficiency and real-world business value. Our proposed constrained and direct optimization algorithms outperform by 24.6% compared with the best performing method in prior art and baseline methods. The methodology is useful in many product scenarios such as optimal treatment allocation and it has been deployed in production world-wide.
• Abstract（参考訳）: ユーザーマーケティングは、消費者ベースのインターネット企業の重要な焦点である。 学習アルゴリズムは、ユーザのエンゲージメントを高めるマーケティングキャンペーンの最適化に有効であり、関連する製品へのクロスマーケティングを促進する。 ユーザーを報酬で惹きつけることにより、マーケティング手法は、望ましい製品におけるユーザーアクティビティを高めるのに効果的である。 Rewardsは、将来の収益の増加によってオフセットできる相当なコストを発生させる。 ほとんどの方法論は、ユーザを失うことを防ぎ、マーケティング上の決定をするのを防ぐために、混乱した予測に依存しています。 他の予測モデルは不均一な処理効果を推定できるが、コスト対利益のバランスを捉えられない。 ユーザマーケティングのための治療効果最適化手法を提案する。 このアルゴリズムは過去の実験から学習し、ユーザ選択に対するコスト効率の最適化に新しい最適化手法を利用する。 この方法は、ユーザーを治療し報奨するためにディープラーニング最適化モデルを使用して意思決定を最適化する。 本手法は,深層学習手法の統合とビジネス制約への対応により,優れたアルゴリズムの柔軟性を示す。 本モデルの有効性は準オーラル推定(R-learner)モデルと因果林を超越している。 コスト効率と実世界のビジネス価値を反映した評価指標も確立しました。 提案手法は,先行技術およびベースライン法において,最良性能の手法と比較して24.6%向上した。 この手法は最適な処理割り当てなどの多くの製品シナリオで有用であり、世界中で運用されている。

関連論文リスト

• Optima: Optimizing Effectiveness and Efficiency for LLM-Based Multi-Agent System [75.25394449773052]
  大規模言語モデル (LLM) に基づくマルチエージェントシステム (MAS) は協調的問題解決において顕著な可能性を示している。 通信効率の低下、スケーラビリティの低下、効果的なパラメータ更新方法の欠如などです。 本稿では,コミュニケーション効率とタスク効率を両立させ,これらの課題に対処する新しいフレームワークOptimaを提案する。
  論文  参考訳（メタデータ） (2024-10-10T17:00:06Z)
• Metalearners for Ranking Treatment Effects [1.469168639465869]
  政策の漸進的な利益曲線の下で、ランク付けの学習がいかにその領域を最大化できるかを示す。 政策の漸進的な利益曲線の下で、ランク付けの学習がいかにその領域を最大化できるかを示す。
  論文  参考訳（メタデータ） (2024-05-03T15:31:18Z)
• Enhanced Bayesian Optimization via Preferential Modeling of Abstract Properties [49.351577714596544]
  本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。 優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
  論文  参考訳（メタデータ） (2024-02-27T09:23:13Z)
• Marketing Budget Allocation with Offline Constrained Deep Reinforcement Learning [22.993339296954545]
  以前収集したオフラインデータを利用したオンラインマーケティングキャンペーンにおける予算配分問題について検討する。 混合ポリシーを用いた新しいゲーム理論のオフライン値に基づく強化学習手法を提案する。
  論文  参考訳（メタデータ） (2023-09-06T02:35:46Z)
• An End-to-End Framework for Marketing Effectiveness Optimization under Budget Constraint [25.89397524825504]
  予算制約下でのビジネス目標を直接最適化する新しいエンドツーエンドフレームワークを提案する。 我々の中核となる考え方は、マーケティング目標を表現し、勾配推定技術を用いて効率的に最適化する正規化器を構築することである。 提案手法は現在,ショートビデオプラットフォーム上で数億人のユーザに対して,マーケティング予算を配分するためにデプロイされている。
  論文  参考訳（メタデータ） (2023-02-09T07:39:34Z)
• Towards Revenue Maximization with Popular and Profitable Products [69.21810902381009]
  企業マーケティングの共通のゴールは、様々な効果的なマーケティング戦略を活用することで、収益/利益を最大化することである。 商品の収益性に関する信頼性のある情報を見つけることは、ほとんどの製品が一定の時期にピークを迎える傾向があるため困難である。 本稿では、経済行動に基づく収益問題に対処し、ターゲットマーケティングのための0n-shelf Popular and most Profitable Products(OPPPs)を実行するための一般的な利益志向の枠組みを提案する。
  論文  参考訳（メタデータ） (2022-02-26T02:07:25Z)
• Low-Cost Algorithmic Recourse for Users With Uncertain Cost Functions [74.00030431081751]
  本稿では,ユーザ固有のコスト関数の概念を定式化し,ユーザのための行動可能なリコースを識別する新しい手法を提案する。 本手法は,強いベースライン法に比べて最大25.89パーセントのユーザを満足させる。
  論文  参考訳（メタデータ） (2021-11-01T19:49:35Z)
• Bayesian Optimization for Selecting Efficient Machine Learning Models [53.202224677485525]
  本稿では,予測効率とトレーニング効率の両面において,モデルを協調最適化するための統一ベイズ最適化フレームワークを提案する。 レコメンデーションタスクのためのモデル選択の実験は、この方法で選択されたモデルがモデルのトレーニング効率を大幅に改善することを示している。
  論文  参考訳（メタデータ） (2020-08-02T02:56:30Z)
• Dynamic Knapsack Optimization Towards Efficient Multi-Channel Sequential Advertising [52.3825928886714]
  我々は、動的knapsack問題として、シーケンシャルな広告戦略最適化を定式化する。 理論的に保証された二段階最適化フレームワークを提案し、元の最適化空間の解空間を大幅に削減する。 強化学習の探索効率を向上させるため,効果的な行動空間削減手法も考案した。
  論文  参考訳（メタデータ） (2020-06-29T18:50:35Z)
• Interpretable Personalization via Policy Learning with Linear Decision Boundaries [14.817218449140338]
  商品・サービスの効果的なパーソナライズは、企業が収益を改善し競争力を維持するための中核事業となっている。 本稿では政策学習のレンズを通してパーソナライズ問題を考察する。 本稿では、線形決定境界を持つポリシーのクラスを提案し、因果推論のツールを用いた学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-17T05:48:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。