論文の概要: Online Fashion Commerce: Modelling Customer Promise Date

• arxiv url: http://arxiv.org/abs/2105.00315v1
• Date: Sat, 1 May 2021 18:16:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-05 05:54:58.374805
• Title: Online Fashion Commerce: Modelling Customer Promise Date
• Title（参考訳）: オンラインファッションコマース: 顧客が約束する日付をモデル化する
• Authors: Preethi V, Nachiappan Sundaram, Ravindra Babu Tallamraju
• Abstract要約: 電子商取引では、納期を正確に予測することが顧客体験において大きな役割を果たす。 本稿では,誤った予測を異なる方法でペナルティ化するための機械学習に基づくアプローチを提案する。 提案モデルはファッションeコマース用に社内に展開され、運用中である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the e-commerce space, accurate prediction of delivery dates plays a major role in customer experience as well as in optimizing the supply chain operations. Predicting a date later than the actual delivery date might sometimes result in the customer not placing the order (lost sales) while promising a date earlier than the actual delivery date would lead to a bad customer experience and consequent customer churn. In this paper, we present a machine learning-based approach for penalizing incorrect predictions differently using non-conventional loss functions, while working under various uncertainties involved in making successful deliveries such as traffic disruptions, weather conditions, supply chain, and logistics. We examine statistical, deep learning, and conventional machine learning approaches, and we propose an approach that outperformed the pre-existing rule-based models. The proposed model is deployed internally for Fashion e-Commerce and is operational.
• Abstract（参考訳）: 電子商取引の分野では、顧客体験やサプライチェーン運用の最適化において、正確な納期予測が重要な役割を果たす。 実際の納期日より遅れた日を予測すれば、顧客が注文(ロスト販売)をしない場合があり、実際の納期日よりも早い日を約束すると、悪い顧客体験とそれに伴う顧客の混乱につながる。 本稿では,交通の混乱,気象条件,サプライチェーン,物流など,様々な不確実性の下で作業しながら,非従来型損失関数を用いて不正確な予測を異なる方法でペナルティ化する機械学習に基づく手法を提案する。 統計的,深層学習,従来型機械学習のアプローチについて検討し,既存のルールベースモデルよりも優れるアプローチを提案する。 提案モデルはファッションeコマース用に社内に展開され、運用中である。

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)
• Leveraging World Events to Predict E-Commerce Consumer Demand under Anomaly [32.54836258878438]
  電子商取引の時系列販売予測は多くの異常のある期間に困難である。 本稿では,その日の出来事の関連性に基づいて1日の埋め込みを構築するためのトランスフォーマーに基づく新しい手法を提案する。 eBayから抽出した大規模なeコマース製品販売データセットの手法を実証的に評価した。
  論文  参考訳（メタデータ） (2024-05-22T21:05:35Z)
• Parcel loss prediction in last-mile delivery: deep and non-deep approaches with insights from Explainable AI [1.104960878651584]
  本稿では,DBSLを用いたデータバランスとDHEL(Deep Hybrid Ensemble Learning)の2つの機械学習手法を提案する。 このような予測の実際的な意味は、保険関連意思決定ポリシーの最適化において、eコマース小売業者を支援することの価値である。
  論文  参考訳（メタデータ） (2023-10-25T12:46:34Z)
• Learning for Counterfactual Fairness from Observational Data [62.43249746968616]
  公正な機械学習は、人種、性別、年齢などの特定の保護された(感受性のある)属性によって記述されるある種のサブグループに対して、学習モデルのバイアスを取り除くことを目的としている。 カウンターファクトフェアネスを達成するための既存の手法の前提条件は、データに対する因果モデルの事前の人間の知識である。 本研究では,新しいフレームワークCLAIREを提案することにより,因果関係を付与せずに観測データから対実的に公正な予測を行う問題に対処する。
  論文  参考訳（メタデータ） (2023-07-17T04:08:29Z)
• 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)
• Data-Driven Offline Decision-Making via Invariant Representation Learning [97.49309949598505]
  オフラインのデータ駆動意思決定は、アクティブなインタラクションなしで最適化された決定を合成する。 オフラインデータからトレーニングされたモデルへの入力に関して最適化する場合、誤って良いように見えるアウト・オブ・ディストリビューション(OOD)インプットを生成するのは簡単です。 本稿では、オフラインデータ駆動意思決定をドメイン適応として定式化し、最適化された決定値の正確な予測を行うことを目標とする。
  論文  参考訳（メタデータ） (2022-11-21T11:01:37Z)
• 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)
• 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)
• Learning Transferrable Parameters for Long-tailed Sequential User Behavior Modeling [70.64257515361972]
  テールユーザに注力することで、より多くのメリットをもたらし、長いテールの問題に対処できる、と私たちは主張しています。 具体的には、頭部から尾部への知識伝達を容易にするために、勾配アライメントを提案し、敵のトレーニングスキームを採用する。
  論文  参考訳（メタデータ） (2020-10-22T03:12:02Z)
• End-to-End Prediction of Parcel Delivery Time with Deep Learning for Smart-City Applications [19.442685015494316]
  本研究では,最終マイルの配送時間予測の現実的事例を解決するためのディープラーニングの利用について検討する。 我々は、カナダポストが提供する大規模パーセルデータセットに焦点を当て、トロント大都市圏をカバーしている。 我々は、ルートが利用できないが、始点と終点のみを提供する、オリジン・デスティネーション(OD)の定式化を利用する。
  論文  参考訳（メタデータ） (2020-09-23T21:35:25Z)
• ProVe -- Self-supervised pipeline for automated product replacement and cold-starting based on neural language models [0.0]
  本稿では,在庫の少ない製品に最適な代替品を推奨するためのパイプラインアプローチを提案する。 また、取引履歴のない小売店のポートフォリオに新たに導入された商品を管理するためのソリューションも提案する。 このソリューションはビジネスに役立つ – 新製品を適切なカテゴリに自動的に割り当てる,1日目からクロス販売を補完する製品を推奨する,トランザクション履歴がほとんどなくても販売予測を行う,といったものだ。
  論文  参考訳（メタデータ） (2020-06-26T14:03:18Z)

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。