論文の概要: Consumer Behaviour in Retail: Next Logical Purchase using Deep Neural
Network
- arxiv url: http://arxiv.org/abs/2010.06952v1
- Date: Wed, 14 Oct 2020 11:00:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 14:21:33.861586
- Title: Consumer Behaviour in Retail: Next Logical Purchase using Deep Neural
Network
- Title（参考訳）: 小売における消費者行動:ディープニューラルネットワークによる次の論理購入
- Authors: Ankur Verma
- Abstract要約: 消費者購入パターンの正確な予測は、より良い在庫計画と効率的なパーソナライズされたマーケティング戦略を可能にする。
Multi Layer Perceptron、Long Short Term Memory (LSTM)、Temporal Convolutional Networks (TCN)、TCN-LSTMのような神経ネットワークアーキテクチャは、XgboostやRandomForestといったMLモデルに取って代わる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting future consumer behaviour is one of the most challenging problems
for large scale retail firms. Accurate prediction of consumer purchase pattern
enables better inventory planning and efficient personalized marketing
strategies. Optimal inventory planning helps minimise instances of
Out-of-stock/ Excess Inventory and, smart Personalized marketing strategy
ensures smooth and delightful shopping experience. Consumer purchase prediction
problem has generally been addressed by ML researchers in conventional manners,
either through recommender systems or traditional ML approaches. Such modelling
approaches do not generalise well in predicting consumer purchase pattern. In
this paper, we present our study of consumer purchase behaviour, wherein, we
establish a data-driven framework to predict whether a consumer is going to
purchase an item within a certain time frame using e-commerce retail data. To
model this relationship, we create a sequential time-series data for all
relevant consumer-item combinations. We then build generalized non-linear
models by generating features at the intersection of consumer, item, and time.
We demonstrate robust performance by experimenting with different neural
network architectures, ML models, and their combinations. We present the
results of 60 modelling experiments with varying Hyperparameters along with
Stacked Generalization ensemble and F1-Maximization framework. We then present
the benefits that neural network architectures like Multi Layer Perceptron,
Long Short Term Memory (LSTM), Temporal Convolutional Networks (TCN) and
TCN-LSTM bring over ML models like Xgboost and RandomForest.
- Abstract（参考訳）: 将来の消費者行動を予測することは、大規模小売企業にとって最も難しい問題の一つだ。
消費者購買パターンの正確な予測は、在庫計画と効率的なパーソナライズされたマーケティング戦略を可能にする。
最適な在庫計画は在庫不足や過剰在庫のインスタンスを最小化し、スマートパーソナライズされたマーケティング戦略は、スムーズで楽しいショッピング体験を保証します。
消費者の購入予測問題は、リコメンデータシステムまたは従来のMLアプローチを通じて、従来の方法でML研究者によって対処されてきた。
このようなモデリングアプローチは、消費者購買パターンの予測をうまく一般化しない。
本稿では、消費者の購買行動に関する調査を行い、Eコマース小売データを用いて、消費者が一定時間内に商品を購入するかどうかを予測するためのデータ駆動型フレームワークを構築した。
この関係をモデル化するために、関連するすべてのコンシューマーとイテムの組み合わせに対して時系列データを作成します。
次に,消費者,アイテム,時間の交点に特徴を生成することにより,一般化された非線形モデルを構築する。
異なるニューラルネットワークアーキテクチャ、MLモデル、それらの組み合わせを実験することで、堅牢なパフォーマンスを示す。
重み付け一般化アンサンブルとF1-Maximizationフレームワークとともに,様々なハイパーパラメータを用いた60のモデリング実験の結果を示す。
次に、XgboostやRandomForestといったMLモデルよりも、Multi Layer Perceptron、Long Short Term Memory(LSTM)、Temporal Convolutional Networks(TCN)、TN-LSTMといったニューラルネットワークアーキテクチャのメリットを紹介します。
関連論文リスト
- Consumer Transactions Simulation through Generative Adversarial Networks [0.07373617024876725]
本稿では,合成小売取引データを生成するためのGAN(Generative Adversarial Networks)の革新的な応用について述べる。
我々は、SKUデータをGANアーキテクチャに統合し、より洗練された埋め込み手法を用いて従来の手法から切り離す。
その結果, 実物と実物を比較することで, シミュレーショントランザクションにおける現実性の向上が示された。
論文 参考訳（メタデータ） (2024-08-07T09:45:24Z) - Revolutionizing Retail Analytics: Advancing Inventory and Customer Insight with AI [0.0]
本稿では,最先端機械学習技術を活用した革新的なアプローチを提案する。
我々は、これらの技術を活用して小売効率と顧客エンゲージメントを向上させる、高度なスマート小売分析システム(SRAS)の構築を目指している。
論文 参考訳（メタデータ） (2024-02-24T11:03:01Z) - Model-Free Approximate Bayesian Learning for Large-Scale Conversion
Funnel Optimization [10.560764660131891]
新たな製品の採用確率を最大化する最適な逐次的パーソナライズされた介入を特定することの課題について検討する。
消費者の振る舞いを変換ファネルでモデル化し、各消費者の状態をキャプチャする。
本稿では,モデルレス近似ベイズ学習と呼ばれる,帰属型意思決定アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-01-12T17:19:44Z) - Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。
FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。
PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
論文 参考訳（メタデータ） (2023-05-01T20:04:46Z) - Approaching sales forecasting using recurrent neural networks and
transformers [57.43518732385863]
深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。
実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。
提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
論文 参考訳（メタデータ） (2022-04-16T12:03:52Z) - An Expectation-Maximization Perspective on Federated Learning [75.67515842938299]
フェデレーション学習は、データをデバイス上でプライベートにしながら、複数のクライアントにわたるモデルの分散トレーニングを記述する。
本稿では,サーバがクライアント固有のモデルパラメータに対して事前分布のパラメータを提供する階層的潜在変数モデルとして,サーバが設定したフェデレーション学習プロセスについて考察する。
我々は,単純なガウス先行とよく知られた期待最大化(EM)アルゴリズムのハードバージョンを用いて,そのようなモデルの学習は,フェデレーション学習環境における最も一般的なアルゴリズムであるFedAvgに対応することを示す。
論文 参考訳（メタデータ） (2021-11-19T12:58:59Z) - 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) - 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) - 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) - Multi-Purchase Behavior: Modeling, Estimation and Optimization [0.9337154228221861]
本稿では,Bundle-MVL-Kファミリーと呼ばれる,同種の選択モデルのマルチ購入ファミリを提案する。
このモデルに対して最適化されたレコメンデーションを効率的に計算するバイナリ検索に基づく反復戦略を開発する。
論文 参考訳（メタデータ） (2020-06-14T23:47:14Z) - Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。
これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文 参考訳（メタデータ） (2019-10-12T22:07:15Z)
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。