論文の概要: OPAM: Online Purchasing-behavior Analysis using Machine learning

• arxiv url: http://arxiv.org/abs/2102.01625v1
• Date: Tue, 2 Feb 2021 17:29:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-05 09:26:34.949316
• Title: OPAM: Online Purchasing-behavior Analysis using Machine learning
• Title（参考訳）: OPAM:機械学習を用いたオンライン購入行動分析
• Authors: Sohini Roychowdhury, Ebrahim Alareqi, Wenxi Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.8121462458089141
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Customer purchasing behavior analysis plays a key role in developing insightful communication strategies between online vendors and their customers. To support the recent increase in online shopping trends, in this work, we present a customer purchasing behavior analysis system using supervised, unsupervised and semi-supervised learning methods. The proposed system analyzes session and user-journey level purchasing behaviors to identify customer categories/clusters that can be useful for targeted consumer insights at scale. We observe higher sensitivity to the design of online shopping portals for session-level purchasing prediction with accuracy/recall in range 91-98%/73-99%, respectively. The user-journey level analysis demonstrates five unique user clusters, wherein 'New Shoppers' are most predictable and 'Impulsive Shoppers' are most unique with low viewing and high carting behaviors for purchases. Further, cluster transformation metrics and partial label learning demonstrates the robustness of each user cluster to new/unlabelled events. Thus, customer clusters can aid strategic targeted nudge models.
• Abstract（参考訳）: 顧客購買行動分析は、オンラインベンダーとその顧客間の洞察に富んだコミュニケーション戦略を開発する上で重要な役割を果たす。 近年のオンラインショッピングのトレンド拡大を支援するため,本研究では,教師付き,非監督型,半監督型学習手法を用いた購買行動分析システムを提案する。 提案システムでは,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。 セッションレベルの購買予測のためのオンラインショッピングポータルの設計に対する感度は91-98%/73-99%の範囲で高い。 ユーザジャーニーレベルの分析では、5つのユニークなユーザクラスタが示されており、その中では'New Shoppers'が最も予測可能であり、'Impulsive Shoppers'は低い視聴と高いカートリング行動で購入できる。 さらに、クラスタ変換メトリクスと部分ラベル学習は、各ユーザクラスタの新たな/非ラベルイベントへの堅牢性を示す。 これにより、顧客クラスタは戦略的にターゲットされたナッジモデルを支援することができる。

関連論文リスト

• Emulating Full Client Participation: A Long-Term Client Selection Strategy for Federated Learning [48.94952630292219]
  本稿では,クライアントの完全参加によって達成されるパフォーマンスをエミュレートする新しいクライアント選択戦略を提案する。 1ラウンドで、クライアントサブセットとフルクライアントセット間の勾配空間推定誤差を最小化し、クライアントを選択する。 複数ラウンド選択において、類似したデータ分布を持つクライアントが選択される頻度に類似することを保証する、新しい個性制約を導入する。
  論文  参考訳（メタデータ） (2024-05-22T12:27:24Z)
• Unlocking the `Why' of Buying: Introducing a New Dataset and Benchmark for Purchase Reason and Post-Purchase Experience [24.949929747493204]
  本稿では,現代のAIモデルのための新しいタスクとして,購入理由予測を提案する。 まず,ユーザが商品の購入決定を行う理由を実世界から説明するためのデータセットを作成する。 当社のアプローチは,ユーザレビューにおいて,製品購入の背景にある理由と購入後の体験を明確に区別するためにLCMを誘導する。
  論文  参考訳（メタデータ） (2024-02-20T23:04:06Z)
• Retail store customer behavior analysis system: Design and Implementation [2.215731214298625]
  本稿では,顧客行動の数学的モデリング,効率的なディープラーニングに基づく行動分析,個人と集団の行動可視化という3つの主要な要素を含むフレームワークを提案する。 各モジュールとシステム全体が、小売店の実際の状況からのデータを使用して検証された。
  論文  参考訳（メタデータ） (2023-09-05T06:26:57Z)
• 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)
• 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)
• Unsatisfied Today, Satisfied Tomorrow: a simulation framework for performance evaluation of crowdsourcing-based network monitoring [68.8204255655161]
  本稿では, 性能の低い細胞の検出品質を評価するための実験フレームワークを提案する。 このフレームワークは、満足度調査のプロセスとユーザの満足度予測の両方をシミュレートする。 シミュレーションフレームワークを用いて、一般的なシナリオにおいて、性能の低いサイト検出の性能を実証的にテストする。
  論文  参考訳（メタデータ） (2020-10-30T10:03:48Z)
• Categorizing Online Shopping Behavior from Cosmetics to Electronics: An Analytical Framework [3.6726589459214445]
  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。
  論文  参考訳（メタデータ） (2020-10-06T06:16:44Z)
• 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。