論文の概要: Incremental Profit per Conversion: a Response Transformation for Uplift
Modeling in E-Commerce Promotions
- arxiv url: http://arxiv.org/abs/2306.13759v2
- Date: Wed, 9 Aug 2023 18:43:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-11 15:37:11.638575
- Title: Incremental Profit per Conversion: a Response Transformation for Uplift
Modeling in E-Commerce Promotions
- Title(参考訳): コンバージョン当たりの増益:Eコマース推進における昇降モデリングの対応転換
- Authors: Hugo Manuel Proen\c{c}a, Felipe Moraes
- Abstract要約: 本稿では,購入時にのみ費用が発生する応答依存コストによるプロモーションに焦点を当てた。
既存のアップリフトモデルアプローチでは、メタラーナーのような複数のモデルをトレーニングする必要がしばしばあります。
本稿では, ユニット・エコノミクスにおける促進キャンペーンの効率を向上する新たな指標であるIncrmental Profit per Conversion(IPC)を紹介する。
- 参考スコア(独自算出の注目度): 1.7640556247739623
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Promotions play a crucial role in e-commerce platforms, and various cost
structures are employed to drive user engagement. This paper focuses on
promotions with response-dependent costs, where expenses are incurred only when
a purchase is made. Such promotions include discounts and coupons. While
existing uplift model approaches aim to address this challenge, these
approaches often necessitate training multiple models, like meta-learners, or
encounter complications when estimating profit due to zero-inflated values
stemming from non-converted individuals with zero cost and profit.
To address these challenges, we introduce Incremental Profit per Conversion
(IPC), a novel uplift measure of promotional campaigns' efficiency in unit
economics. Through a proposed response transformation, we demonstrate that IPC
requires only converted data, its propensity, and a single model to be
estimated. As a result, IPC resolves the issues mentioned above while
mitigating the noise typically associated with the class imbalance in
conversion datasets and biases arising from the many-to-one mapping between
search and purchase data. Lastly, we validate the efficacy of our approach by
presenting results obtained from a synthetic simulation of a discount coupon
campaign.
- Abstract(参考訳): プロモーションはEコマースプラットフォームにおいて重要な役割を担い、ユーザエンゲージメントを促進するために様々なコスト構造が採用されている。
本稿では,購入時にのみ費用が発生する応答依存コストによるプロモーションに焦点を当てた。
このようなプロモーションには割引やクーポンが含まれる。
既存のアップリフトモデルアプローチは、この課題に対処することを目的としているが、これらのアプローチでは、メタリーナーのような複数のモデルをトレーニングしたり、コストも利益もゼロの非変換個人から生じるゼロ膨張値による利益を見積もる場合の合併症に直面することが少なくない。
これらの課題に対処するために、単元経済におけるプロモーションキャンペーンの効率を向上する新たな指標であるIncremental Profit per Conversion(IPC)を導入する。
提案する応答変換により, ipc は変換データのみを必要とし, その拡張性, 1 モデルのみを推定できることを実証した。
その結果、ICCは上記の問題を解消しつつ、検索と購入データ間の多対一マッピングから生じる変換データセットやバイアスのクラス不均衡に関連するノイズを緩和する。
最後に,ディスカウントクーポンキャンペーンの合成シミュレーションから得られた結果を提示し,提案手法の有効性を検証した。
関連論文リスト
- A Bargaining-based Approach for Feature Trading in Vertical Federated
Learning [54.51890573369637]
本稿では,垂直的フェデレートラーニング(VFL)において,経済的に効率的な取引を促進するための交渉型特徴取引手法を提案する。
当社のモデルでは,収益ベース最適化の目的を考慮し,パフォーマンスゲインベースの価格設定を取り入れている。
論文 参考訳(メタデータ) (2024-02-23T10:21:07Z) - Equitable Time-Varying Pricing Tariff Design: A Joint Learning and
Optimization Approach [0.0]
時変価格の関税は、消費者に電力需要のシフトとコスト削減を動機付けるが、応答能力に制限のある消費者のエネルギー負担を増大させる可能性がある。
本稿では,適切な時間変動関税を設計するための共同学習に基づく識別と最適化手法を提案する。
論文 参考訳(メタデータ) (2023-07-26T20:14:23Z) - UniMatch: A Unified User-Item Matching Framework for the Multi-purpose
Merchant Marketing [27.459774494479227]
1つのモデルでアイテムレコメンデーションとユーザターゲティングを同時に行うために,統合されたユーザイテムマッチングフレームワークを提案する。
我々のフレームワークは、最先端の手法と比較して大幅に性能が向上し、計算資源や日々のメンテナンスにかかるコストが大幅に削減された。
論文 参考訳(メタデータ) (2023-07-19T13:49:35Z) - Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。
我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。
提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
論文 参考訳(メタデータ) (2023-03-28T00:23:23Z) - 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) - 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) - Data Sharing Markets [95.13209326119153]
我々は、各エージェントがデータの買い手および売り手の両方になり得る設定について検討する。
両データ交換(データ付きトレーディングデータ)と一方データ交換(お金付きトレーディングデータ)の2つの事例を考察する。
論文 参考訳(メタデータ) (2021-07-19T06:00:34Z) - Model-Augmented Q-learning [112.86795579978802]
モデルベースRLの構成要素を付加したMFRLフレームワークを提案する。
具体的には、$Q$-valuesだけでなく、共有ネットワークにおける遷移と報酬の両方を見積もる。
提案手法は,MQL (Model-augmented $Q$-learning) とよばれる提案手法により,真に報いられた学習によって得られる解と同一のポリシ不変解が得られることを示す。
論文 参考訳(メタデータ) (2021-02-07T17:56:50Z) - Self-adapting Robustness in Demand Learning [1.949912057689623]
本研究では,需要モデルあいまいさの存在下で,有限期間にわたる動的価格付けについて検討する。
データから真のモデルパラメータを学習するARL(Adaptively-robust-learning)価格ポリシを開発する。
我々は,ARLの自己適応的あいまいさセットの挙動を特徴付け,収益損失の規模と顧客到着パターンとの関係を強調する後悔の限界を導出する。
論文 参考訳(メタデータ) (2020-11-21T01:15:54Z) - Cost-effective Variational Active Entity Resolution [4.238343046459798]
我々は,人間の関与コストを削減するために,ディープオートエンコーダが付与するロバスト性に基づくエンティティ解決手法を考案した。
具体的には、教師なし表現学習を行うことにより、ディープ・エンティティ・リゾリューション・モデルのトレーニングコストを削減する。
最後に,ディープ・オートエンコーダの利用によって与えられる特性に基づくアクティブ・ラーニング・アプローチにより,トレーニングデータのラベル付けコストを削減した。
論文 参考訳(メタデータ) (2020-11-20T13:47:11Z) - Free Lunch! Retrospective Uplift Modeling for Dynamic Promotions
Recommendation within ROI Constraints [9.733174472837275]
オンライン旅行プラットフォーム(OTP)では、部屋のアップグレード、無料食事、輸送サービスなどが人気である。
プロモーションは通常、制御されていない場合、持続不可能になるコストを発生させる。
プロモーションが実行可能となるためには、関連するコストは、一定の財政的制約の中で漸進的な収入によってバランスをとらなければならない。
本稿では, Knapsack Problem の定式化に頼って, 新たなアップリフトモデリング手法を提案する。
論文 参考訳(メタデータ) (2020-08-14T11:13:58Z)
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。