論文の概要: Predicting Consumer Purchasing Decision in The Online Food Delivery
Industry
- arxiv url: http://arxiv.org/abs/2110.00502v1
- Date: Fri, 1 Oct 2021 16:05:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-04 18:12:01.029225
- Title: Predicting Consumer Purchasing Decision in The Online Food Delivery
Industry
- Title(参考訳): オンラインフードデリバリー産業における消費者購入決定の予測
- Authors: Batool Madani and Hussam Alshraideh
- Abstract要約: 予測モデリング(英: Predictive Modeling)とは、様々な回帰アルゴリズム、分析、統計を用いて発生確率を推定する機械学習の一種である。
CARTとC4.5決定木、ランダム森林、ルールベース分類器の4つの予測モデルが検討され、それらの精度が正しいクラスラベルを提供する。
これらの結果から、全てのモデルで同様の性能が得られたが、C4.5は91.67%の精度で性能に優れていた。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This transformation of food delivery businesses to online platforms has
gained high attention in recent years. This due to the availability of
customizing ordering experiences, easy payment methods, fast delivery, and
others. The competition between online food delivery providers has intensified
to attain a wider range of customers. Hence, they should have a better
understanding of their customers' needs and predict their purchasing decisions.
Machine learning has a significant impact on companies' bottom line. They are
used to construct models and strategies in industries that rely on big data and
need a system to evaluate it fast and effectively. Predictive modeling is a
type of machine learning that uses various regression algorithms, analytics,
and statistics to estimate the probability of an occurrence. The incorporation
of predictive models helps online food delivery providers to understand their
customers. In this study, a dataset collected from 388 consumers in Bangalore,
India was provided to predict their purchasing decisions. Four prediction
models are considered: CART and C4.5 decision trees, random forest, and
rule-based classifiers, and their accuracies in providing the correct class
label are evaluated. The findings show that all models perform similarly, but
the C4.5 outperforms them all with an accuracy of 91.67%.
- Abstract(参考訳): 近年、食品配達ビジネスからオンラインプラットフォームへの移行が注目されている。
これは、注文エクスペリエンスのカスタマイズ、支払い方法の容易化、迅速なデリバリなどによるものだ。
オンラインフードデリバリープロバイダ間の競争は、より広い範囲の顧客を獲得するために激化している。
したがって、顧客のニーズをよりよく理解し、購入決定を予測すべきである。
機械学習は企業の利益に重大な影響を与える。
ビッグデータに依存し、迅速かつ効果的に評価するシステムを必要とする業界において、モデルや戦略を構築するために使用される。
予測モデリング(英: Predictive Modeling)とは、様々な回帰アルゴリズム、分析、統計を用いて発生確率を推定する機械学習の一種である。
予測モデルの導入は、オンライン食品デリバリープロバイダーが顧客を理解するのに役立つ。
本研究では,インドのバンガロールで388人の消費者から収集したデータセットを用いて,購入決定の予測を行った。
CARTとC4.5決定木、ランダム森林、ルールベース分類器の4つの予測モデルが検討され、それらの精度が正しいクラスラベルを提供する。
これらの結果から、全てのモデルで同様の性能が得られたが、C4.5は91.67%の精度で性能に優れていた。
関連論文リスト
- Modeling the Telemarketing Process using Genetic Algorithms and Extreme
Boosting: Feature Selection and Cost-Sensitive Analytical Approach [0.06906005491572399]
本研究は、顧客による長期預金の意欲をモデル化する上で、テレマーケティングデータの力を活用することを目的とする。
ポルトガルの銀行と社会経済指標の実際のデータは、遠隔販売による意思決定プロセスのモデル化に使用される。
論文 参考訳(メタデータ) (2023-10-30T08:46:55Z) - Buy when? Survival machine learning model comparison for purchase timing [0.0]
本稿では,サポートベクトルマシン,遺伝的アルゴリズム,ディープラーニング,K平均といったマーケティング機械学習技術について検討する。
ジェンダー、インカム、ロケーション、購入履歴、オンラインディスカウント、興味、プロモーション、顧客体験はすべて、購入時間に影響を与える。
調査によると、DeepSurvモデルは購入完了が最良であると予測している。
論文 参考訳(メタデータ) (2023-08-28T06:40:02Z) - 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) - Improved Bayes Risk Can Yield Reduced Social Welfare Under Competition [99.7047087527422]
本研究は,機械学習のスケーリングトレンドの振る舞いを根本的に変化させることを実証する。
データ表現品質の改善により、ユーザ間での全体的な予測精度が低下する、多くの設定が見つかる。
概念レベルでは,各モデルプロジェクタのスケーリング傾向が,社会福祉の下流改善に寄与する必要はないことが示唆された。
論文 参考訳(メタデータ) (2023-06-26T13:06:34Z) - Customer Churn Prediction Model using Explainable Machine Learning [0.0]
この論文の主な目的は、チャーンする可能性が最も高い潜在的な顧客を予測するのに役立つ、ユニークな顧客チャーン予測モデルを開発することである。
各種木に基づく機械学習手法とアルゴリズムの性能評価と解析を行った。
モデル説明可能性と透明性を改善するため,提案手法では,特徴の組合せについてシェープ値を計算する手法を提案する。
論文 参考訳(メタデータ) (2023-03-02T04:45:57Z) - 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) - Synthetic Model Combination: An Instance-wise Approach to Unsupervised
Ensemble Learning [92.89846887298852]
ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。
専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
論文 参考訳(メタデータ) (2022-10-11T10:20:31Z) - 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) - 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) - Personalized Entity Resolution with Dynamic Heterogeneous Knowledge
Graph Representations [40.37976161857134]
製品ランキングの精度を向上させるためにパーソナライズされた機能を活用する新しいフレームワークを提案する。
まず、顧客購入履歴と製品知識グラフからオープンソースの異種知識グラフを作成し、顧客と製品の埋め込みを共同で学習します。
その後、プロダクト、顧客、履歴の表現をニューラルリランキングモデルに組み込んで、どの候補が特定の顧客に購入される可能性が最も高いかを予測します。
論文 参考訳(メタデータ) (2021-04-06T16:58:27Z) - 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)
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。