Fugu-MT 論文翻訳(概要): Predicting Customer Lifetime Values -- ecommerce use case

論文の概要: Predicting Customer Lifetime Values -- ecommerce use case

arxiv url: http://arxiv.org/abs/2102.05771v1
Date: Wed, 10 Feb 2021 23:17:16 GMT
ステータス: 処理完了
システム内更新日: 2021-02-12 17:51:40.461859
Title: Predicting Customer Lifetime Values -- ecommerce use case
Title（参考訳）: 顧客生涯価値の予測 - eコマースのユースケース
Authors: Ziv Pollak
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Predicting customer future purchases and lifetime value is a key metrics for managing marketing campaigns and optimizing marketing spend. This task is specifically challenging when the relationships between the customer and the firm are of a noncontractual nature and therefore the future purchases need to be predicted based mostly on historical purchases. This work compares two approaches to predict customer future purchases, first using a 'buy-till-you-die' statistical model to predict customer behavior and later using a neural network on the same dataset and comparing the results. This comparison will lead to both quantitative and qualitative analysis of those two methods as well as recommendation on how to proceed in different cases and opportunities for future research.
Abstract（参考訳）: 顧客の将来の購入と生涯価値を予測することは、マーケティングキャンペーンを管理し、マーケティング支出を最適化するための重要な指標です。この課題は、顧客と企業の関係が非契約的であるため、主に歴史的購入に基づいて将来の購入を予測する必要がある場合、特に困難である。この研究では、顧客の将来の購入を予測する2つのアプローチを比較します。まず、顧客の行動を予測するために「購入する」統計モデルを使用し、その後、同じデータセットにニューラルネットワークを使用し、結果を比較します。この比較は、これらの2つの方法の定量的および定性的な分析と、異なるケースでの進行方法と将来の研究の機会の両方につながります。

関連論文リスト

F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文参考訳（メタデータ） (2024-06-23T21:28:50Z)
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)
ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文参考訳（メタデータ） (2023-04-07T23:51:07Z)
Estimating defection in subscription-type markets: empirical analysis from the scholarly publishing industry [0.0]
本稿では,学術出版業界における顧客チャーン予測の実証的研究について紹介する。本研究は,6.5年間の顧客定期購読データに対する予測手法について検討した。このアプローチは、ビジネス対ビジネスのコンテキストにおいて、正確かつ一意に有用であることを示します。
論文参考訳（メタデータ） (2022-11-18T01:29:51Z)
Predictive analytics for appointment bookings [0.0]
第1のモデルは、顧客が会議に現れるかどうかを予測し、第2のモデルは、顧客がプレミアムサービスを予約するかどうかを示す。どちらのモデルも75%以上の精度で正確な結果が得られる。本稿では,予測需要を用いた資源計画の枠組みを提案する。
論文参考訳（メタデータ） (2022-04-18T14:02:15Z)
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)
You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文参考訳（メタデータ） (2021-10-11T14:24:15Z)
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)
Consumer Behaviour in Retail: Next Logical Purchase using Deep Neural Network [0.0]
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。
論文参考訳（メタデータ） (2020-10-14T11:00:00Z)
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。