論文の概要: Robust portfolio optimization model for electronic coupon allocation

• arxiv url: http://arxiv.org/abs/2405.12865v1
• Date: Tue, 21 May 2024 15:30:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 00:02:01.299842
• Title: Robust portfolio optimization model for electronic coupon allocation
• Title（参考訳）: 電子クーポン割り当てのためのロバストポートフォリオ最適化モデル
• Authors: Yuki Uehara, Naoki Nishimura, Yilin Li, Jie Yang, Deddy Jobson, Koya Ohashi, Takeshi Matsumoto, Noriyoshi Sukegawa, Yuichi Takano,
• Abstract要約: クーポン割り当て問題に対して,顧客セグメンテーションに基づくロバストなポートフォリオ最適化モデルを適用する。 この結果から,実効的なクーポン割当のための有効なツールとして,ロバストなポートフォリオ最適化の可能性が開けた。
• 参考スコア（独自算出の注目度）: 6.729713185413412
• License:
• Abstract: Currently, many e-commerce websites issue online/electronic coupons as an effective tool for promoting sales of various products and services. We focus on the problem of optimally allocating coupons to customers subject to a budget constraint on an e-commerce website. We apply a robust portfolio optimization model based on customer segmentation to the coupon allocation problem. We also validate the efficacy of our method through numerical experiments using actual data from randomly distributed coupons. Main contributions of our research are twofold. First, we handle six types of coupons, thereby making it extremely difficult to accurately estimate the difference in the effects of various coupons. Second, we demonstrate from detailed numerical results that the robust optimization model achieved larger uplifts of sales than did the commonly-used multiple-choice knapsack model and the conventional mean-variance optimization model. Our results open up great potential for robust portfolio optimization as an effective tool for practical coupon allocation.
• Abstract（参考訳）: 現在、多くのeコマースサイトが、様々な製品やサービスの販売を促進する効果的なツールとして、オンライン/電子クーポンを発行している。 我々は,eコマースのウェブサイト上で,予算制約を受ける顧客に対して,クーポンを最適に割り当てるという問題に焦点をあてる。 クーポン割り当て問題に対して,顧客セグメンテーションに基づくロバストなポートフォリオ最適化モデルを適用する。 また,ランダム分散クーポンの実データを用いた数値実験により,本手法の有効性を検証した。 私たちの研究の主な貢献は2倍です。 まず,6種類のクーポンを処理し,様々なクーポンの効果の差を正確に推定することが極めて困難である。 第2に、より詳細な数値結果から、ロバストな最適化モデルが、一般的なマルチチョイス・クナップサックモデルと従来の平均分散最適化モデルよりも大きな販売高を達成したことを示す。 この結果から,実効的なクーポン割当のための有効なツールとして,ロバストなポートフォリオ最適化の可能性が開けた。

関連論文リスト

• A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
  顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。 各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。 実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
  論文  参考訳（メタデータ） (2024-07-08T09:55:31Z)
• 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)
• On Optimal Caching and Model Multiplexing for Large Model Inference [66.50550915522551]
  大きな言語モデル(LLM)や他の大きな基盤モデルは注目すべき成功を収めているが、そのサイズは既存のリソース消費とレイテンシーの問題を悪化させている。 キャッシュを用いて以前のクエリを格納し、モデルの多重化を学習し、クエリ処理のためのモデルの集合から選択する。
  論文  参考訳（メタデータ） (2023-06-03T05:01:51Z)
• ItemSage: Learning Product Embeddings for Shopping Recommendations at Pinterest [60.841761065439414]
  Pinterestでは、ItemSageと呼ばれるプロダクトの埋め込みセットを構築して、すべてのショッピングユースケースに適切なレコメンデーションを提供しています。 このアプローチによって、エンゲージメントとコンバージョンメトリクスが大幅に改善され、インフラストラクチャとメンテナンスコストの両方が削減された。
  論文  参考訳（メタデータ） (2022-05-24T02:28:58Z)
• E-Commerce Promotions Personalization via Online Multiple-Choice Knapsack with Uplift Modeling [1.027974860479791]
  本稿では,オンライン制約付きマルチコースプロモーションパーソナライズ問題について検討する。 本研究は,オンライン多重選択Knapsack問題としてこの問題を定式化する。 予算制約の遵守を保証するリアルタイム適応手法を提案する。
  論文  参考訳（メタデータ） (2021-08-11T15:09:16Z)
• PreSizE: Predicting Size in E-Commerce using Transformers [76.33790223551074]
  PreSizEは、Transformerを使って正確なサイズ予測を行う新しいディープラーニングフレームワークである。 我々は,PreSizEが従来の最先端のベースラインよりも優れた予測性能を実現できることを示した。 概念実証として、PreSizEによるサイズ予測が、既存の生産推奨システムに統合できることを実証しています。
  論文  参考訳（メタデータ） (2021-05-04T15:23:59Z)
• Offer Personalization using Temporal Convolution Network and Optimization [0.0]
  オンラインショッピングやハイマーケット競争の増加は、オンライン小売業者のプロモーション支出の増加につながっている。 本稿では,小売店舗における消費者・商品・時間の交点におけるオファー最適化の課題を解決するためのアプローチを提案する。
  論文  参考訳（メタデータ） (2020-10-14T10:59:34Z)
• TPG-DNN: A Method for User Intent Prediction Based on Total Probability Formula and GRU Loss with Multi-task Learning [36.38658213969406]
  本稿では,新しいユーザ意図予測モデルであるTPG-DNNを提案する。 提案モデルは,タオバオプラットフォーム上でのクーポンの割り当て,広告,レコメンデーションに広く利用されている。
  論文  参考訳（メタデータ） (2020-08-05T13:25:53Z)
• Bayesian Optimization for Selecting Efficient Machine Learning Models [53.202224677485525]
  本稿では,予測効率とトレーニング効率の両面において,モデルを協調最適化するための統一ベイズ最適化フレームワークを提案する。 レコメンデーションタスクのためのモデル選択の実験は、この方法で選択されたモデルがモデルのトレーニング効率を大幅に改善することを示している。
  論文  参考訳（メタデータ） (2020-08-02T02:56:30Z)
• 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)
• Multi-Purchase Behavior: Modeling, Estimation and Optimization [0.9337154228221861]
  本稿では,Bundle-MVL-Kファミリーと呼ばれる,同種の選択モデルのマルチ購入ファミリを提案する。 このモデルに対して最適化されたレコメンデーションを効率的に計算するバイナリ検索に基づく反復戦略を開発する。
  論文  参考訳（メタデータ） (2020-06-14T23:47:14Z)

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。