論文の概要: An End-to-End Framework for Marketing Effectiveness Optimization under Budget Constraint

• arxiv url: http://arxiv.org/abs/2302.04477v1
• Date: Thu, 9 Feb 2023 07:39:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-10 16:40:24.383161
• Title: An End-to-End Framework for Marketing Effectiveness Optimization under Budget Constraint
• Title（参考訳）: 予算制約下におけるマーケティング効率最適化のためのエンドツーエンドフレームワーク
• Authors: Ziang Yan, Shusen Wang, Guorui Zhou, Jingjian Lin, Peng Jiang
• Abstract要約: 予算制約下でのビジネス目標を直接最適化する新しいエンドツーエンドフレームワークを提案する。 我々の中核となる考え方は、マーケティング目標を表現し、勾配推定技術を用いて効率的に最適化する正規化器を構築することである。 提案手法は現在,ショートビデオプラットフォーム上で数億人のユーザに対して,マーケティング予算を配分するためにデプロイされている。
• 参考スコア（独自算出の注目度）: 25.89397524825504
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Online platforms often incentivize consumers to improve user engagement and platform revenue. Since different consumers might respond differently to incentives, individual-level budget allocation is an essential task in marketing campaigns. Recent advances in this field often address the budget allocation problem using a two-stage paradigm: the first stage estimates the individual-level treatment effects using causal inference algorithms, and the second stage invokes integer programming techniques to find the optimal budget allocation solution. Since the objectives of these two stages might not be perfectly aligned, such a two-stage paradigm could hurt the overall marketing effectiveness. In this paper, we propose a novel end-to-end framework to directly optimize the business goal under budget constraints. Our core idea is to construct a regularizer to represent the marketing goal and optimize it efficiently using gradient estimation techniques. As such, the obtained models can learn to maximize the marketing goal directly and precisely. We extensively evaluate our proposed method in both offline and online experiments, and experimental results demonstrate that our method outperforms current state-of-the-art methods. Our proposed method is currently deployed to allocate marketing budgets for hundreds of millions of users on a short video platform and achieves significant business goal improvements. Our code will be publicly available.
• Abstract（参考訳）: オンラインプラットフォームは、しばしばユーザーエンゲージメントとプラットフォーム収益を改善するために消費者にインセンティブを与える。 異なる消費者はインセンティブに異なる反応をする可能性があるため、個別の予算配分はマーケティングキャンペーンにおいて不可欠なタスクである。 この分野の最近の進歩は、しばしば2段階のパラダイムを用いて予算配分問題に対処している。第1段階は因果推論アルゴリズムを用いて個別レベルの処理効果を推定し、第2段階は整数計画法を実行して最適予算配分解を求める。 これら2つの段階の目標が完全に整合していない可能性があるため、このような2段階のパラダイムは全体的なマーケティング効果を損なう可能性がある。 本稿では,予算制約下でのビジネス目標を直接最適化する新たなエンドツーエンドフレームワークを提案する。 当社の中核となるアイデアは,マーケティング目標を表現し,勾配推定手法を用いて効率的に最適化するためのレギュラライザの構築です。 これにより、得られたモデルがマーケティング目標を直接的かつ正確に最大化することを学ぶことができる。 オフライン実験とオンライン実験の両方において提案手法を広範囲に評価し,本手法が現状の手法より優れていることを示す実験結果を得た。 提案手法は現在,ショートビデオプラットフォーム上で数億のユーザに対してマーケティング予算を割り当て,ビジネス目標の大幅な改善を実現している。 私たちのコードは公開されます。

関連論文リスト

• Procurement Auctions via Approximately Optimal Submodular Optimization [53.93943270902349]
  競売業者がプライベートコストで戦略的売り手からサービスを取得しようとする競売について検討する。 我々の目標は、取得したサービスの品質と販売者の総コストとの差を最大化する計算効率の良いオークションを設計することである。
  論文  参考訳（メタデータ） (2024-11-20T18:06:55Z)
• End-to-End Cost-Effective Incentive Recommendation under Budget Constraint with Uplift Modeling [12.160403526724476]
  本稿では,予算制約下でのエンド・ツー・エンド・エンド・コスト・エフェクティブ・インセンティブ・レコメンデーション(E3IR)モデルを提案する。 具体的には、アップリフト予測モジュールと微分可能なアロケーションモジュールの2つのモジュールから構成される。 E3IRは既存の2段階アプローチに比べてアロケーション性能が向上する。
  論文  参考訳（メタデータ） (2024-08-21T13:48:00Z)
• Marketing Budget Allocation with Offline Constrained Deep Reinforcement Learning [22.993339296954545]
  以前収集したオフラインデータを利用したオンラインマーケティングキャンペーンにおける予算配分問題について検討する。 混合ポリシーを用いた新しいゲーム理論のオフライン値に基づく強化学習手法を提案する。
  論文  参考訳（メタデータ） (2023-09-06T02:35:46Z)
• Towards General and Efficient Online Tuning for Spark [55.30868031221838]
  本稿では,3つの問題を同時に処理できる汎用的で効率的なSparkチューニングフレームワークを提案する。 我々は、このフレームワークを独立したクラウドサービスとして実装し、Tencentのデータプラットフォームに適用しました。
  論文  参考訳（メタデータ） (2023-09-05T02:16:45Z)
• Model-based Constrained MDP for Budget Allocation in Sequential Incentive Marketing [28.395877073390434]
  逐次インセンティブマーケティングは、オンラインビジネスにとって顧客を獲得し、忠誠心を高め、売上を伸ばすための重要なアプローチである。 予算制約下でのリターンを最大化するインセンティブを効果的に割り当てる方法については、文献ではあまり研究されていない。 本稿では,2項探索とモデルベース計画を組み合わせた効率的な学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-02T08:10:45Z)
• Sequential Information Design: Markov Persuasion Process and Its Efficient Reinforcement Learning [156.5667417159582]
  本稿では,逐次情報設計の新たなモデル,すなわちマルコフ説得過程(MPP)を提案する。 MPPのプランニングは、ミオピックレシーバーに同時に説得されるシグナルポリシーを見つけ、送信者の最適な長期累積ユーティリティを誘導する、というユニークな課題に直面している。 我々は,楽観主義と悲観主義の両原理の新たな組み合わせを特徴とする,実証可能な効率のよい非回帰学習アルゴリズム,Optimism-Pessimism Principle for Persuasion Process (OP4) を設計する。
  論文  参考訳（メタデータ） (2022-02-22T05:41:43Z)
• Low-Cost Algorithmic Recourse for Users With Uncertain Cost Functions [74.00030431081751]
  本稿では,ユーザ固有のコスト関数の概念を定式化し,ユーザのための行動可能なリコースを識別する新しい手法を提案する。 本手法は,強いベースライン法に比べて最大25.89パーセントのユーザを満足させる。
  論文  参考訳（メタデータ） (2021-11-01T19:49:35Z)
• Adaptive Inference through Early-Exit Networks: Design, Challenges and Directions [80.78077900288868]
  初期のネットワークの設計手法をその重要コンポーネントに分解し、各コンポーネントの最近の進歩を調査する。 我々は、他の効率的な推論ソリューションと早期に競合する立場をとり、この分野の研究における現在の課題と最も有望な今後の方向性についての洞察を提供する。
  論文  参考訳（メタデータ） (2021-06-09T12:33:02Z)
• Dynamic Knapsack Optimization Towards Efficient Multi-Channel Sequential Advertising [52.3825928886714]
  我々は、動的knapsack問題として、シーケンシャルな広告戦略最適化を定式化する。 理論的に保証された二段階最適化フレームワークを提案し、元の最適化空間の解空間を大幅に削減する。 強化学習の探索効率を向上させるため,効果的な行動空間削減手法も考案した。
  論文  参考訳（メタデータ） (2020-06-29T18:50:35Z)
• Heterogeneous Causal Learning for Effectiveness Optimization in User Marketing [2.752817022620644]
  本稿では,ユーザマーケティングのための処理効果最適化手法を提案する。 このアルゴリズムは過去の実験から学習し、ユーザ選択に対するコスト効率の最適化に新しい最適化手法を利用する。 提案手法は,先行技術およびベースライン法において,最良性能の手法と比較して24.6%性能が向上した。
  論文  参考訳（メタデータ） (2020-04-21T01:34:34Z)

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。