論文の概要: RE-RFME: Real-Estate RFME Model for customer segmentation

• arxiv url: http://arxiv.org/abs/2404.17177v1
• Date: Fri, 26 Apr 2024 06:19:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-29 13:54:01.466542
• Title: RE-RFME: Real-Estate RFME Model for customer segmentation
• Title（参考訳）: RE-RFME:顧客セグメンテーションのための実店舗RFMEモデル
• Authors: Anurag Kumar Pandey, Anil Goyal, Nikhil Sikka,
• Abstract要約: 本稿では,顧客を高い価値,有望性,必要な注意力,アクティベーションの4つのグループに分割するためのエンドツーエンドパイプラインRE-RFMEを提案する。 本研究では,Webサイトおよびモバイルアプリケーションユーザを対象とした実世界のHousing.comデータセットに対する提案手法の有効性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Marketing is one of the high-cost activities for any online platform. With the increase in the number of customers, it is crucial to understand customers based on their dynamic behaviors to design effective marketing strategies. Customer segmentation is a widely used approach to group customers into different categories and design the marketing strategy targeting each group individually. Therefore, in this paper, we propose an end-to-end pipeline RE-RFME for segmenting customers into 4 groups: high value, promising, need attention, and need activation. Concretely, we propose a novel RFME (Recency, Frequency, Monetary and Engagement) model to track behavioral features of customers and segment them into different categories. Finally, we train the K-means clustering algorithm to cluster the user into one of the 4 categories. We show the effectiveness of the proposed approach on real-world Housing.com datasets for both website and mobile application users.
• Abstract（参考訳）: マーケティングは、あらゆるオンラインプラットフォームにとって、高コストな活動の1つだ。 顧客の増加に伴い、顧客の動的な行動に基づいて顧客を理解し、効果的なマーケティング戦略を設計することが不可欠である。 顧客セグメンテーションは、顧客を異なるカテゴリに分類し、個別にグループをターゲットにしたマーケティング戦略を設計するために広く使われているアプローチである。 そこで本稿では,顧客を高い価値,有望,注意力,アクティベーションの4つのグループに分割するためのエンドツーエンドパイプラインRE-RFMEを提案する。 具体的には、顧客の行動特性を追跡し、異なるカテゴリに分類する新しいRFME(Recency, Frequency, Monetary and Engagement)モデルを提案する。 最後に、ユーザを4つのカテゴリの1つにクラスタリングするために、K平均クラスタリングアルゴリズムを訓練する。 本研究では,Webサイトおよびモバイルアプリケーションユーザを対象とした実世界のHousing.comデータセットに対する提案手法の有効性を示す。

関連論文リスト

• Multi-Level Additive Modeling for Structured Non-IID Federated Learning [54.53672323071204]
  我々は、異種クライアント間のより良い知識共有のために、マルチレベル付加モデル(MAM)と呼ばれるマルチレベル構造で編成されたモデルを訓練する。 フェデレートMAM(FeMAM)では、各クライアントは各レベル毎に少なくとも1つのモデルに割り当てられ、そのパーソナライズされた予測は、各レベルに割り当てられたモデルの出力を合計する。 実験により、FeMAMは既存のクラスタリングFLおよびパーソナライズされたFLメソッドを様々な非IID設定で超越していることが示された。
  論文  参考訳（メタデータ） (2024-05-26T07:54:53Z)
• Emulating Full Client Participation: A Long-Term Client Selection Strategy for Federated Learning [48.94952630292219]
  本稿では,クライアントの完全参加によって達成されるパフォーマンスをエミュレートする新しいクライアント選択戦略を提案する。 1ラウンドで、クライアントサブセットとフルクライアントセット間の勾配空間推定誤差を最小化し、クライアントを選択する。 複数ラウンド選択において、類似したデータ分布を持つクライアントが選択される頻度に類似することを保証する、新しい個性制約を導入する。
  論文  参考訳（メタデータ） (2024-05-22T12:27:24Z)
• An Exploration of Clustering Algorithms for Customer Segmentation in the UK Retail Market [0.0]
  我々は,小売市場における意思決定プロセスを改善するための顧客セグメンテーションモデルの開発を目指している。 これを実現するために、UCI機械学習レポジトリから得られたイギリスのオンライン小売データセットを使用しました。 その結果、GMMは他のアプローチよりも優れており、シルエットスコアは0.80である。
  論文  参考訳（メタデータ） (2024-02-06T15:58:14Z)
• Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
  本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。 我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。 特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
  論文  参考訳（メタデータ） (2022-09-30T05:42:56Z)
• Targeted Advertising on Social Networks Using Online Variational Tensor Regression [19.586412285513962]
  我々は、オンラインターゲティング広告のための最初の文脈的盗賊フレームワークであると考えるものを提案する。 提案するフレームワークは,多モードテンソルの形で,任意の特徴ベクトルに対応するように設計されている。 提案したUCBアルゴリズムは,ベンチマークによる影響タスクの大幅な改善を実現することを実証的に確認する。
  論文  参考訳（メタデータ） (2022-08-22T22:10:45Z)
• On the Convergence of Clustered Federated Learning [57.934295064030636]
  統合学習システムでは、例えばモバイルデバイスや組織参加者といったクライアントは通常、個人の好みや行動パターンが異なる。 本稿では,クライアントグループと各クライアントを統一最適化フレームワークで活用する,新しい重み付きクライアントベースクラスタリングFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-13T02:39:19Z)
• Federated Noisy Client Learning [105.00756772827066]
  フェデレートラーニング(FL)は、複数のローカルクライアントに依存する共有グローバルモデルを協調的に集約する。 標準FLメソッドは、集約されたモデル全体のパフォーマンスを損なううるノイズの多いクライアントの問題を無視します。 本稿では,Fed-NCL (Federated Noisy Client Learning) を提案する。
  論文  参考訳（メタデータ） (2021-06-24T11:09:17Z)
• Multiple Dynamic Pricing for Demand Response with Adaptive Clustering-based Customer Segmentation in Smart Grids [9.125875181760625]
  本稿では,小売市場における需要応答に対する現実的なマルチダイナミックな価格設定手法を提案する。 提案するフレームワークは,実世界のデータセットに基づくシミュレーションによって評価される。
  論文  参考訳（メタデータ） (2021-06-10T16:47:15Z)
• Dynamically Tie the Right Offer to the Right Customer in Telecommunications Industry [0.0]
  本研究は,顧客ターゲットのキャンペーン依存変数に着目した概念モデルを提案する。 この研究の顧客セグメンテーションの結果は、マーケターにとってより意味があり、関連性があるかもしれない。
  論文  参考訳（メタデータ） (2020-10-18T16:44:51Z)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)

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。