論文の概要: Categorizing Online Shopping Behavior from Cosmetics to Electronics: An Analytical Framework

• arxiv url: http://arxiv.org/abs/2010.02503v1
• Date: Tue, 6 Oct 2020 06:16:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 07:58:14.976168
• Title: Categorizing Online Shopping Behavior from Cosmetics to Electronics: An Analytical Framework
• Title（参考訳）: コスメティクスからエレクトロニクスへのオンラインショッピング行動の分類:分析フレームワーク
• Authors: Sohini Roychowdhury, Wenxi Li, Ebrahim Alareqi, Akhilesh Pandita, Ao Liu, Joakim Soderberg
• Abstract要約: 提案フレームワークは、自動購入予測と記述的な消費者インサイトを得るために、他の大規模なEコマースデータセットに拡張可能である。 提案システムは97～99%の分類精度を達成し,ユーザ・ジャーニーレベルの購買予測を行う。
• 参考スコア（独自算出の注目度）: 3.6726589459214445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A success factor for modern companies in the age of Digital Marketing is to understand how customers think and behave based on their online shopping patterns. While the conventional method of gathering consumer insights through questionnaires and surveys still form the bases of descriptive analytics for market intelligence units, we propose a machine learning framework to automate this process. In this paper we present a modular consumer data analysis platform that processes session level interaction records between users and products to predict session level, user journey level and customer behavior specific patterns leading towards purchase events. We explore the computational framework and provide test results on two Big data sets-cosmetics and consumer electronics of size 2GB and 15GB, respectively. The proposed system achieves 97-99% classification accuracy and recall for user-journey level purchase predictions and categorizes buying behavior into 5 clusters with increasing purchase ratios for both data sets. Thus, the proposed framework is extendable to other large e-commerce data sets to obtain automated purchase predictions and descriptive consumer insights.
• Abstract（参考訳）: デジタルマーケティングの時代における現代企業の成功要因は、顧客がオンラインショッピングパターンに基づいてどう考え、どのように振る舞うかを理解することである。 アンケートやアンケートを通じて消費者の洞察を収集する従来の手法は、市場インテリジェンスユニットの記述分析の基礎をいまだに形成しているが、このプロセスを自動化するための機械学習フレームワークを提案する。 本稿では,ユーザと製品間のセッションレベルのインタラクションレコードを処理し,セッションレベル,ユーザジャーニーレベル,購入イベントに至る顧客の行動特有のパターンを予測するモジュール型コンシューマデータ分析プラットフォームを提案する。 計算フレームワークを探究し,2つのビッグデータセット-cosmeticsと,サイズ2gbと15gbのコンシューマエレクトロニクスについて,それぞれテスト結果を提供する。 提案手法は, 97～99%の分類精度を達成し, ユーザ・ジャーナルレベルの購入予測をリコールし, 購入行動を5クラスタに分類し, 両データセットの購入比率を増加させる。 したがって、提案されたフレームワークは、他の大きなeコマースデータセットに拡張可能で、自動購入予測と説明的な消費者洞察を得ることができる。

関連論文リスト

• A Hybrid Statistical-Machine Learning Approach for Analysing Online Customer Behavior: An Empirical Study [2.126171264016785]
  我々は、中国最大のオンライン小売店であるJDにおいて、特定の商品カテゴリーに対する454,897人のオンライン顧客行動を分析するハイブリッド解釈モデルを開発した。 以上の結果から,顧客の製品選択が約束される納期に無関心であることが分かるが,この要因は顧客の注文量に大きな影響を及ぼす。 特定のディスカウントアプローチがより効果的である製品クラスを特定し、異なるディスカウントツールの使用を改善するためのレコメンデーションを提供する。
  論文  参考訳（メタデータ） (2022-12-01T19:37:29Z)
• Proactive Detractor Detection Framework Based on Message-Wise Sentiment Analysis Over Customer Support Interactions [60.87845704495664]
  本稿では、チャットベースのカスタマーサポートのインタラクションにのみ依存して、個々のユーザの推薦決定を予測するフレームワークを提案する。 ケーススタディでは、ラテンアメリカの大手電子商取引会社の金融分野における16.4kのユーザ数と48.7kの顧客サポートに関する会話を分析した。 以上の結果から,CS会話のメッセージワイドな感情進化のみに基づいて,ユーザが製品やサービスを推薦する可能性を予測することが可能であることが示唆された。
  論文  参考訳（メタデータ） (2022-11-08T00:43:36Z)
• Characterization of Frequent Online Shoppers using Statistical Learning with Sparsity [54.26540039514418]
  本研究は,小売分析と統計学習のアイデアを疎結合に組み合わせ,買い物客のオンラインギフトストアへの買い物嗜好を学習する方法を報告する。
  論文  参考訳（メタデータ） (2021-11-11T05:36:39Z)
• Aggregated Customer Engagement Model [0.571097144710995]
  Eコマースウェブサイトは、機械学習によるランキングモデルを使用して、顧客に対してショッピング結果を提供する。 新規または過小評価された製品は、十分な顧客エンゲージメント信号を持っておらず、人気製品に並ぶと不利になる。 本稿では,1日以内にすべての顧客エンゲージメントを集約し,同じクエリを入力トレーニングデータとして使用する新しいデータキュレーション手法を提案する。
  論文  参考訳（メタデータ） (2021-08-17T20:58:10Z)
• PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
  PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。 我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。 概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
  論文  参考訳（メタデータ） (2021-05-04T15:23:59Z)
• Supporting Financial Inclusion with Graph Machine Learning and Super-App Alternative Data [63.942632088208505]
  スーパーアプリは、ユーザーとコマースの相互作用についての考え方を変えました。 本稿では,スーパーアプリ内のユーザ間のインタラクションの違いが,借り手行動を予測する新たな情報源となるかを検討する。
  論文  参考訳（メタデータ） (2021-02-19T15:13:06Z)
• Predicting Customer Lifetime Values -- ecommerce use case [0.0]
  この研究は、まず'buy-till-you-die'統計モデルを使用して顧客の振る舞いを予測し、その後、同じデータセット上でニューラルネットワークを使用して結果を比較する、顧客の将来の購入を予測する2つのアプローチを比較する。
  論文  参考訳（メタデータ） (2021-02-10T23:17:16Z)
• OPAM: Online Purchasing-behavior Analysis using Machine learning [0.8121462458089141]
  本稿では,教師なし・教師なし・半教師付き学習手法を用いた顧客の購買行動分析システムを提案する。 提案システムは,顧客カテゴリやクラスタを特定するために,セッションおよびユーザジャーニーレベルの購買行動を分析する。
  論文  参考訳（メタデータ） (2021-02-02T17:29:52Z)
• Topology-based Clusterwise Regression for User Segmentation and Demand Forecasting [63.78344280962136]
  本研究は,パブリックおよび新規な商用データ集合を用いて,アナリストがユーザベースをクラスタリングし,詳細なレベルで需要を計画できることを示す。 本研究は,TDAに基づく時系列クラスタリングと行列因数分解法によるクラスタ回帰を実践者にとって実行可能なツールとして導入することを目的とする。
  論文  参考訳（メタデータ） (2020-09-08T12:10:10Z)
• Face to Purchase: Predicting Consumer Choices with Structured Facial and Behavioral Traits Embedding [53.02059906193556]
  消費者の顔の特徴と履歴に基づいて消費者の購入を予測することを提案する。 階層型埋め込みネットワークに基づく半教師付きモデルを設計し、消費者の高レベルな特徴を抽出する。 実世界のデータセットを用いた実験結果から,消費者の購買行動を予測するために,顔情報の導入による肯定的な効果が示された。
  論文  参考訳（メタデータ） (2020-07-14T06:06:41Z)

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。