論文の概要: Promotheus: An End-to-End Machine Learning Framework for Optimizing
Markdown in Online Fashion E-commerce
- arxiv url: http://arxiv.org/abs/2207.01137v1
- Date: Sun, 3 Jul 2022 22:38:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-05 16:22:27.718767
- Title: Promotheus: An End-to-End Machine Learning Framework for Optimizing
Markdown in Online Fashion E-commerce
- Title（参考訳）: promotheus - オンラインファッションeコマースにおけるマークダウン最適化のためのエンドツーエンド機械学習フレームワーク
- Authors: Eleanor Loh, Jalaj Khandelwal, Brian Regan, Duncan A. Little
- Abstract要約: 本稿では,小売業者の旅の異なる段階でのマークダウンを最適化するための2つの新しいエンド・ツー・エンドのマークダウン管理システムを紹介する。
最初のシステムである"Ithax"は、需要推定なしで合理的な供給側価格戦略を実行する。
第2のシステム "Promotheus" は、価格弾力性を備えたマークダウン最適化のための完全なフレームワークを提供する。
- 参考スコア（独自算出の注目度）: 19.420919845501228
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Managing discount promotional events ("markdown") is a significant part of
running an e-commerce business, and inefficiencies here can significantly
hamper a retailer's profitability. Traditional approaches for tackling this
problem rely heavily on price elasticity modelling. However, the partial
information nature of price elasticity modelling, together with the
non-negotiable responsibility for protecting profitability, mean that machine
learning practitioners must often go through great lengths to define strategies
for measuring offline model quality. In the face of this, many retailers fall
back on rule-based methods, thus forgoing significant gains in profitability
that can be captured by machine learning. In this paper, we introduce two novel
end-to-end markdown management systems for optimising markdown at different
stages of a retailer's journey. The first system, "Ithax", enacts a rational
supply-side pricing strategy without demand estimation, and can be usefully
deployed as a "cold start" solution to collect markdown data while maintaining
revenue control. The second system, "Promotheus", presents a full framework for
markdown optimization with price elasticity. We describe in detail the specific
modelling and validation procedures that, within our experience, have been
crucial to building a system that performs robustly in the real world. Both
markdown systems achieve superior profitability compared to decisions made by
our experienced operations teams in a controlled online test, with improvements
of 86% (Promotheus) and 79% (Ithax) relative to manual strategies. These
systems have been deployed to manage markdown at ASOS.com, and both systems can
be fruitfully deployed for price optimization across a wide variety of retail
e-commerce settings.
- Abstract（参考訳）: 割引プロモーションイベント(「マークダウン」)の管理は、eコマースビジネスを実行する上で重要な部分であり、ここでの非効率性は小売店の収益性を著しく阻害する。
この問題に取り組む伝統的なアプローチは、価格弾性モデリングに大きく依存している。
しかし、価格弾力性モデリングの部分的な情報の性質は、収益性を保護するための非負の責任とともに、機械学習実践者がオフラインモデル品質を測定するための戦略を定義するために、しばしば長い時間をかけて行わなければならないことを意味している。
このような状況に直面して、多くの小売業者はルールベースの手法に逆戻りし、機械学習によって捉えられる利益性を大幅に向上させます。
本稿では,小売業者の旅程の異なる段階でのマークダウンを最適化する2つの新しいエンド・ツー・エンドのマークダウン管理システムを提案する。
第1のシステムである"Ithax"は、需要推定なしで合理的な供給側価格戦略を実行し、収益管理を維持しつつ、マークダウンデータを収集する"コールドスタート"ソリューションとして有用に展開できる。
第2のシステム "Promotheus" は、価格弾力性を備えたマークダウン最適化のための完全なフレームワークを提供する。
我々は,実世界で堅牢に機能するシステムを構築する上で,我々の経験から重要な,特定のモデリングおよび検証手順について詳細に述べる。
両方のマークダウンシステムは、経験豊富な運用チームがコントロールされたオンラインテストで行った決定よりも、利益率に優れており、手動戦略に対して86%(Promotheus)と79%(Ithax)の改善が得られています。
これらのシステムはASOS.comでマークダウンを管理するためにデプロイされており、どちらのシステムも様々な小売eコマース設定で価格最適化のために実りよくデプロイできる。
関連論文リスト
- Read-ME: Refactorizing LLMs as Router-Decoupled Mixture of Experts with System Co-Design [59.00758127310582]
本稿では、事前学習された高密度LCMをより小さなMoEモデルに変換する新しいフレームワークRead-MEを提案する。
当社のアプローチでは,専門家の抽出にアクティベーション空間を用いる。
Read-MEは、同様のスケールの他の人気のあるオープンソース高密度モデルよりも優れています。
論文 参考訳（メタデータ） (2024-10-24T19:48:51Z) - A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。
各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。
実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
論文 参考訳（メタデータ） (2024-07-08T09:55:31Z) - Learning to Cover: Online Learning and Optimization with Irreversible Decisions [50.5775508521174]
後悔は$Thetaleft(mfrac12cdotfrac11-2-Tright)$で半直線的に成長するので、指数関数的に$Theta(sqrtm)$に収束する。
これらの調査結果は、限定的なオンライン学習と最適化の利点を浮き彫りにしている。
論文 参考訳（メタデータ） (2024-06-20T23:00:25Z) - DISCO: An End-to-End Bandit Framework for Personalised Discount Allocation [1.4999444543328293]
DISCOは、ASOSのパーソナライズされたディスカウントコードアロケーションのためのエンドツーエンドのコンテキストラジットフレームワークである。
従来のトンプソンサンプリングアルゴリズムを整数プログラムに統合することで適応する。
グローバルな制約にもかかわらず、探索を効果的に実施し、時間とともにパフォーマンスを向上させることができる。
論文 参考訳（メタデータ） (2024-06-10T16:24:35Z) - Online Prompt Pricing based on Combinatorial Multi-Armed Bandit and Hierarchical Stackelberg Game [29.95198837731957]
当社の価格体系は、消費者、プラットフォーム、販売者の利益を考慮し、これら3人の参加者の利益満足度を同時に達成する。
既存の固定価格モードとは異なり、我々が提案するPBTの価格メカニズムはより柔軟で多様なものであり、現実のシナリオのトランザクション要求に応じている。
論文 参考訳（メタデータ） (2024-05-24T02:13:46Z) - Neural Optimization with Adaptive Heuristics for Intelligent Marketing System [1.3079444139643954]
本稿では,AIシステムのマーケティングのための一般的なフレームワークとして,適応ヒューリスティックス(Noah)フレームワークを用いたニューラル最適化を提案する。
Noahは2B(to-business)と2C(to-consumer)の両方の製品と、所有チャンネルと有償チャネルを考慮に入れた、マーケティング最適化のための最初の一般的なフレームワークである。
我々は、予測、最適化、適応的なオーディエンスを含むNoahフレームワークの重要なモジュールを説明し、入札とコンテンツ最適化の例を提供する。
論文 参考訳（メタデータ） (2024-05-17T01:44:30Z) - An Optimistic-Robust Approach for Dynamic Positioning of Omnichannel
Inventories [10.353243563465124]
我々は,データ駆動型楽観的二元性在庫最適化(BIO)戦略を新たに導入する。
我々の実験は、在庫管理に対する従来のアプローチを再考することで、大きな利益が得られることを示している。
論文 参考訳（メタデータ） (2023-10-17T23:10:57Z) - MERMAIDE: Learning to Align Learners using Model-Based Meta-Learning [62.065503126104126]
本研究では,先見のつかない学習エージェントの報酬を効率よく効果的に介入し,望ましい結果を導き出す方法について検討する。
これはオークションや課税のような現実世界の多くの設定に関係しており、プリンシパルは学習行動や実際の人々の報酬を知らないかもしれない。
モデルに基づくメタ学習フレームワークであるMERMAIDEを導入し,配布外エージェントに迅速に適応できるプリンシパルを訓練する。
論文 参考訳（メタデータ） (2023-04-10T15:44:50Z) - VFed-SSD: Towards Practical Vertical Federated Advertising [53.08038962443853]
本稿では,2つの制限を緩和する半教師付き分割蒸留フレームワーク VFed-SSD を提案する。
具体的には,垂直分割された未ラベルデータを利用する自己教師型タスクMatchedPair Detection (MPD) を開発する。
当社のフレームワークは,デプロイコストの最小化と大幅なパフォーマンス向上を図った,リアルタイム表示広告のための効率的なフェデレーション強化ソリューションを提供する。
論文 参考訳（メタデータ） (2022-05-31T17:45:30Z) - Markdowns in E-Commerce Fresh Retail: A Counterfactual Prediction and
Multi-Period Optimization Approach [29.11201102550876]
半パラメトリック構造モデルを構築し、価格の弾力性を学習し、対物需要を予測する。
本稿では,有限販売地平線上での消耗品全体の利益を最大化するために,多周期動的価格アルゴリズムを提案する。
提案されたフレームワークは、よく知られたeコマースの新鮮な小売シナリオであるFreshippoにうまくデプロイされている。
論文 参考訳（メタデータ） (2021-05-18T07:01:37Z) - Certifying Strategyproof Auction Networks [53.37051312298459]
我々は、任意の数のアイテムと参加者でオークションを表現できるRegretNetアーキテクチャに焦点を当てる。
本稿では,ニューラルネットワーク検証文献から得られた手法を用いて,特定の評価プロファイルの下で戦略の安全性を明示的に検証する方法を提案する。
論文 参考訳（メタデータ） (2020-06-15T20:22:48Z)
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。