論文の概要: Unlocking the `Why' of Buying: Introducing a New Dataset and Benchmark for Purchase Reason and Post-Purchase Experience

• arxiv url: http://arxiv.org/abs/2402.13417v3
• Date: Fri, 15 Nov 2024 23:21:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:26:08.701111
• Title: Unlocking the `Why' of Buying: Introducing a New Dataset and Benchmark for Purchase Reason and Post-Purchase Experience
• Title（参考訳）: 購入の「理由」を解き明かす - 購入理由と購入後の体験のための新しいデータセットとベンチマークの導入
• Authors: Tao Chen, Siqi Zuo, Cheng Li, Mingyang Zhang, Qiaozhu Mei, Michael Bendersky,
• Abstract要約: 本稿では,現代のAIモデルのための新しいタスクとして,購入理由予測を提案する。 まず,ユーザが商品の購入決定を行う理由を実世界から説明するためのデータセットを作成する。 当社のアプローチは,ユーザレビューにおいて,製品購入の背景にある理由と購入後の体験を明確に区別するためにLCMを誘導する。
• 参考スコア（独自算出の注目度）: 24.949929747493204
• License:
• Abstract: In business and marketing, analyzing the reasons behind buying is a fundamental step towards understanding consumer behaviors, shaping business strategies, and predicting market outcomes. Prior research on purchase reason has relied on surveys to gather data from users. However, this method is limited in scalability, often focusing on specific products or brands, and may not accurately represent the broader population due to the restricted number of participants involved. In our work, we propose purchase reason prediction as a novel task for modern AI models. To benchmark potential AI solutions for this new task, we first generate a dataset that consists of real-world explanations of why users make certain purchase decisions for various products. Our approach induces LLMs to explicitly distinguish between the reasons behind purchasing a product and the experience after the purchase in a user review. An automated, LLM-driven evaluation as well as a small scale human evaluation confirm the effectiveness of this approach to obtaining high-quality, personalized purchase reasons and post-purchase experiences. With this novel dataset, we are able to benchmark the purchase reason prediction task using various LLMs. Moreover, we demonstrate how purchase reasons can be valuable for downstream applications, such as marketing-focused user behavior analysis, post-purchase experience and rating prediction in recommender systems, and serving as a new approach to justify recommendations.
• Abstract（参考訳）: ビジネスとマーケティングにおいて、購入の背後にある理由を分析することは、消費者の行動を理解し、ビジネス戦略を形作り、市場の結果を予測するための基本的なステップである。 購入理由に関する以前の調査では、利用者からのデータを収集するために調査に頼っていた。 しかし、この手法はスケーラビリティに限界があり、特定の製品やブランドに焦点をあてることが多い。 本研究では,現代のAIモデルのための新しいタスクとして,購入理由予測を提案する。 この新しいタスクの潜在的なAIソリューションをベンチマークするために、まず、ユーザーがさまざまな製品の購入決定を行う理由に関する実世界の説明からなるデータセットを生成します。 当社のアプローチは,ユーザレビューにおいて,製品購入の背景にある理由と購入後の体験を明確に区別するためにLCMを誘導する。 自動LLMによる評価と小規模人間による評価は、高品質でパーソナライズされた購入理由と購入後の体験を得るために、このアプローチの有効性を確認するものである。 この新たなデータセットにより、様々なLCMを用いて購入理由予測タスクをベンチマークすることができる。 さらに、マーケティングに焦点を当てたユーザ行動分析、購入後の体験、レコメンデーションシステムにおける評価予測など、下流アプリケーションにとって購入理由がいかに有用かを示し、リコメンデーションを正当化するための新しいアプローチとして役立てる。

関連論文リスト

• IntentionQA: A Benchmark for Evaluating Purchase Intention Comprehension Abilities of Language Models in E-commerce [71.37481473399559]
  本稿では,eコマースにおけるLMの購入意図の理解を評価するためのベンチマークであるIntentionQAを提案する。 インテンションQAは、自動化パイプラインを使用して構築された3つの困難レベルにわたる4,360の慎重に計算された問題で構成されている。 人間の評価は、我々のベンチマークの高品質で低い偽陰性率を示す。
  論文  参考訳（メタデータ） (2024-06-14T16:51:21Z)
• Language Models Can Reduce Asymmetry in Information Markets [100.38786498942702]
  我々は、言語モデルを利用した知的エージェントが外部参加者に代わって情報を売買する、オープンソースのシミュレートされたデジタルマーケットプレースを紹介した。 このマーケットプレースを実現する中心的なメカニズムはエージェントの二重機能であり、特権情報の品質を評価する能力を持つと同時に、忘れる能力も備えている。 適切に行動するためには、エージェントは合理的な判断をし、生成されたサブクエリを通じて市場を戦略的に探索し、購入した情報から回答を合成する必要がある。
  論文  参考訳（メタデータ） (2024-03-21T14:48:37Z)
• Salespeople vs SalesBot: Exploring the Role of Educational Value in Conversational Recommender Systems [78.84530426424838]
  既存の会話レコメンデータシステムは、ユーザのバックグラウンド知識の欠如をよく見落とし、好みの収集にのみ焦点をあてる。 このようなシステムのシミュレーションと評価を容易にするフレームワークであるSalesOpsを紹介する。 私たちは、フレームワークの両側をシミュレートできるLLMベースのエージェントであるSalesBotとShopperBotを構築しています。
  論文  参考訳（メタデータ） (2023-10-26T19:44:06Z)
• 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)
• 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)
• Towards Revenue Maximization with Popular and Profitable Products [69.21810902381009]
  企業マーケティングの共通のゴールは、様々な効果的なマーケティング戦略を活用することで、収益/利益を最大化することである。 商品の収益性に関する信頼性のある情報を見つけることは、ほとんどの製品が一定の時期にピークを迎える傾向があるため困難である。 本稿では、経済行動に基づく収益問題に対処し、ターゲットマーケティングのための0n-shelf Popular and most Profitable Products(OPPPs)を実行するための一般的な利益志向の枠組みを提案する。
  論文  参考訳（メタデータ） (2022-02-26T02:07:25Z)
• User-Inspired Posterior Network for Recommendation Reason Generation [53.035224183349385]
  推奨理由生成は、顧客の関心を惹きつけ、ユーザーエクスペリエンスを向上させる上で重要な役割を果たします。 ユーザインスパイアされたマルチソース後部トランス(MSPT)を提案し,ユーザの興味を反映したモデルを誘導する。 実験の結果,本モデルは従来の生成モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-02-16T02:08:52Z)
• Predicting Customer Lifetime Values -- ecommerce use case [0.0]
  この研究は、まず'buy-till-you-die'統計モデルを使用して顧客の振る舞いを予測し、その後、同じデータセット上でニューラルネットワークを使用して結果を比較する、顧客の将来の購入を予測する2つのアプローチを比較する。
  論文  参考訳（メタデータ） (2021-02-10T23:17:16Z)
• OPAM: Online Purchasing-behavior Analysis using Machine learning [0.8121462458089141]
  本稿では,教師なし・教師なし・半教師付き学習手法を用いた顧客の購買行動分析システムを提案する。 提案システムは,顧客カテゴリやクラスタを特定するために,セッションおよびユーザジャーニーレベルの購買行動を分析する。
  論文  参考訳（メタデータ） (2021-02-02T17:29:52Z)
• Consumer Behaviour in Retail: Next Logical Purchase using Deep Neural Network [0.0]
  消費者購入パターンの正確な予測は、より良い在庫計画と効率的なパーソナライズされたマーケティング戦略を可能にする。 Multi Layer Perceptron、Long Short Term Memory (LSTM)、Temporal Convolutional Networks (TCN)、TCN-LSTMのような神経ネットワークアーキテクチャは、XgboostやRandomForestといったMLモデルに取って代わる。
  論文  参考訳（メタデータ） (2020-10-14T11:00:00Z)
• Face to Purchase: Predicting Consumer Choices with Structured Facial and Behavioral Traits Embedding [53.02059906193556]
  消費者の顔の特徴と履歴に基づいて消費者の購入を予測することを提案する。 階層型埋め込みネットワークに基づく半教師付きモデルを設計し、消費者の高レベルな特徴を抽出する。 実世界のデータセットを用いた実験結果から,消費者の購買行動を予測するために,顔情報の導入による肯定的な効果が示された。
  論文  参考訳（メタデータ） (2020-07-14T06:06:41Z)

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。