論文の概要: Learning to Sell a Focal-ancillary Combination
- arxiv url: http://arxiv.org/abs/2207.11545v1
- Date: Sat, 23 Jul 2022 15:55:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-26 15:58:28.293325
- Title: Learning to Sell a Focal-ancillary Combination
- Title(参考訳): focal-ancillaryの組み合わせを売ることを学ぶ
- Authors: Hanzhao Wang, Xiaocheng Li, Kalyan Talluri
- Abstract要約: 本研究は,このような焦点・補助項目の組み合わせに対する学習戦略について,以下のシナリオで検討する。
我々は,3つのシナリオの価格と決定アルゴリズムを設計し,その上層を$O(dsqrtT log T$)で制限し,第3のシナリオを最適に切り替える。
- 参考スコア(独自算出の注目度): 5.813935823171752
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A number of products are sold in the following sequence: First a focal
product is shown, and if the customer purchases, one or more ancillary products
are displayed for purchase. A prominent example is the sale of an airline
ticket, where first the flight is shown, and when chosen, a number of
ancillaries such as cabin or hold bag options, seat selection, insurance etc.
are presented. The firm has to decide on a sale format -- whether to sell them
in sequence unbundled, or together as a bundle -- and how to price the focal
and ancillary products, separately or as a bundle. Since the ancillary is
considered by the customer only after the purchase of the focal product, the
sale strategy chosen by the firm creates an information and learning dependency
between the products: for instance, offering only a bundle would preclude
learning customers' valuation for the focal and ancillary products
individually. In this paper we study learning strategies for such focal and
ancillary item combinations under the following scenarios: (a) pure unbundling
to all customers, (b) personalized mechanism, where, depending on some observed
features of the customers, the two products are presented and priced as a
bundle or in sequence, (c) initially unbundling (for all customers), and switch
to bundling (if more profitable) permanently once during the horizon. We design
pricing and decisions algorithms for all three scenarios, with regret upper
bounded by $O(d \sqrt{T} \log T)$, and an optimal switching time for the third
scenario.
- Abstract(参考訳): まず焦点製品が表示され、顧客が購入した場合、1つ以上の補助商品が購入のために表示される。
特筆すべき例は、航空券の販売で、最初に航空券が表示され、選択されるとキャビンやホールドバッグのオプション、座席の選択、保険など、多数のアシラリーが提示される。
同社は、販売形式、すなわち、順番に販売するか、バンドルとして一緒に販売するか、焦点商品と補助商品の価格を別々に、またはバンドルとして設定する必要がある。
焦点商品の購入後のみ、顧客によってアンシラリーが検討されるため、企業によって選択された販売戦略は、商品間の情報と学習の依存関係を生み出し、例えば、バンドルのみを提供することは、焦点商品とアンシラリー製品に対する顧客の評価を個別に学習することを妨げる。
本稿では, 以下のシナリオの下で, 集中型と補助型の組み合わせの学習戦略について検討する。
(a)すべての顧客に純粋なアンバンドル。
(b)客の観察した特徴により、2つの商品をバンドル又はシーケンスとして提示・価格付けするパーソナライズされたメカニズム
(c)当初は(全顧客のために)バンドルを解除し、地平線中に一度はバンドル(さらに利益がある)に切り替える。
我々は,3つのシナリオの価格と決定アルゴリズムを設計し,その上層を$O(d \sqrt{T} \log T)$で制限し,第3シナリオの最適切替時間を設計する。
関連論文リスト
- Amazon-M2: A Multilingual Multi-locale Shopping Session Dataset for
Recommendation and Text Generation [127.35910314813854]
Amazon Multi-locale Shopping Sessionデータセット、すなわちAmazon-M2を提示します。
6つの異なるローカライズされた数百万のユーザセッションからなる、最初の多言語データセットである。
注目すべきは、データセットがパーソナライズとユーザの好みの理解を高めるのに役立つことだ。
論文 参考訳(メタデータ) (2023-07-19T00:08:49Z) - Multi-task Item-attribute Graph Pre-training for Strict Cold-start Item
Recommendation [71.5871100348448]
ColdGPTは、アイテム内容からきめ細かい属性を抽出することにより、アイテム属性相関をアイテム属性グラフにモデル化する。
ColdGPTは、さまざまな利用可能なデータソース、すなわちアイテムの内容、過去の購入シーケンス、既存のアイテムのレビューテキストから、知識をアイテム属性グラフに転送する。
大規模な実験により、ColdGPTは既存のSCSレコメンデーターを大きなマージンで一貫して上回っていることが明らかとなった。
論文 参考訳(メタデータ) (2023-06-26T07:04:47Z) - Dynamic Pricing and Learning with Bayesian Persuasion [18.59029578133633]
我々は,商品の価格設定に加えて,販売者が「広告計画」にコミットする,新たな動的価格設定と学習環境を考える。
我々は、バイエルンの一般的な説得フレームワークを使用して、これらのシグナルが購入者の評価と購入反応に与える影響をモデル化する。
我々は、過去の購入応答を利用して最適な価格と広告戦略を適応的に学習できるオンラインアルゴリズムを設計する。
論文 参考訳(メタデータ) (2023-04-27T17:52:06Z) - Product Ranking for Revenue Maximization with Multiple Purchases [29.15026863056805]
オンライン小売業者が消費者の行動を正確にモデル化できる場合に最適なランキングポリシーを提案する。
We developed the Multiple-Purchase-with-Budget UCB algorithm with $O(sqrtT)$ regret。
合成データセットと半合成データセットの両方の実験により、提案アルゴリズムの有効性が証明された。
論文 参考訳(メタデータ) (2022-10-15T11:59:45Z) - B2B Advertising: Joint Dynamic Scoring of Account and Users [7.3950167674658]
個人のグループがビジネスを購入するかどうかをまとめて決める(B2B)
我々は口座とその個人を動的に決定する。
我々は,集団決定を予測するために,各メンバーの活動から情報を収集する方法をいくつか提案する。
論文 参考訳(メタデータ) (2022-09-28T17:10:03Z) - Price DOES Matter! Modeling Price and Interest Preferences in
Session-based Recommendation [55.0391061198924]
セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。
セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。
セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
論文 参考訳(メタデータ) (2022-05-09T10:47:15Z) - 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) - 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) - Regret in Online Recommendation Systems [73.58127515175127]
本稿では,オンライン環境におけるレコメンデーションシステムの理論的分析について提案する。
各ラウンドにおいて、ユーザがランダムに$m$ユーザから選択され、レコメンデーションが要求される。決定者は、ユーザを観察し、$n$アイテムのカタログからアイテムを選択する。
推奨アルゴリズムのパフォーマンスは、これらの可能性を認識したOracleアルゴリズムを参照して、その後悔を通じて取得される。
論文 参考訳(メタデータ) (2020-10-23T12:48:35Z) - VCG Mechanism Design with Unknown Agent Values under Stochastic Bandit
Feedback [104.06766271716774]
本研究では,エージェントが自己の価値を知らない場合に,マルチラウンドの福祉最大化機構設計問題について検討する。
まず、福祉に対する後悔の3つの概念、各エージェントの個々のユーティリティ、メカニズムの3つの概念を定義します。
当社のフレームワークは価格体系を柔軟に制御し、エージェントと販売者の後悔のトレードオフを可能にする。
論文 参考訳(メタデータ) (2020-04-19T18:00:58Z) - Assortment Optimization with Repeated Exposures and Product-dependent
Patience Cost [19.29174615532181]
アマゾンなど多くのオンライン小売業者が直面しているアソシエーション最適化問題について検討する。
我々は,複数の段階にわたる消費者の購買行動を把握するために,多項ロジットモデルを開発した。
論文 参考訳(メタデータ) (2020-02-13T03:12:49Z)
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。