論文の概要: CausalMMM: Learning Causal Structure for Marketing Mix Modeling
- arxiv url: http://arxiv.org/abs/2406.16728v1
- Date: Mon, 24 Jun 2024 15:33:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-25 14:15:21.809340
- Title: CausalMMM: Learning Causal Structure for Marketing Mix Modeling
- Title（参考訳）: CausalMMM:マーケティングミックスモデリングのための因果構造学習
- Authors: Chang Gong, Di Yao, Lei Zhang, Sheng Chen, Wenbin Li, Yueyang Su, Jingping Bi,
- Abstract要約: オンライン広告では、ブランドショップの総商品量(GMV)を予測するためにマーケティングミックスモデリング(MMM)が使用される。
従来のMMM手法は、マーケティングの複雑さを扱うのに失敗することがある。
本稿では,異なるチャネル間の因果関係を測定するために,Granger因果関係を変分推論フレームワークに統合するCausalMMMを提案する。
- 参考スコア（独自算出の注目度）: 18.093564060157394
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In online advertising, marketing mix modeling (MMM) is employed to predict the gross merchandise volume (GMV) of brand shops and help decision-makers to adjust the budget allocation of various advertising channels. Traditional MMM methods leveraging regression techniques can fail in handling the complexity of marketing. Although some efforts try to encode the causal structures for better prediction, they have the strict restriction that causal structures are prior-known and unchangeable. In this paper, we define a new causal MMM problem that automatically discovers the interpretable causal structures from data and yields better GMV predictions. To achieve causal MMM, two essential challenges should be addressed: (1) Causal Heterogeneity. The causal structures of different kinds of shops vary a lot. (2) Marketing Response Patterns. Various marketing response patterns i.e., carryover effect and shape effect, have been validated in practice. We argue that causal MMM needs dynamically discover specific causal structures for different shops and the predictions should comply with the prior known marketing response patterns. Thus, we propose CausalMMM that integrates Granger causality in a variational inference framework to measure the causal relationships between different channels and predict the GMV with the regularization of both temporal and saturation marketing response patterns. Extensive experiments show that CausalMMM can not only achieve superior performance of causal structure learning on synthetic datasets with improvements of 5.7%\sim 7.1%, but also enhance the GMV prediction results on a representative E-commerce platform.
- Abstract（参考訳）: オンライン広告では、ブランドショップの総商品量(GMV)を予測し、意思決定者が様々な広告チャネルの予算配分を調整するのを助けるためにマーケティングミックスモデリング(MMM)が用いられる。
従来のMMM手法は、マーケティングの複雑さを扱うのに失敗することがある。
より優れた予測のために因果構造を符号化しようとする試みもあるが、因果構造が事前に知られ、変更できないという厳密な制限がある。
本稿では,データから解釈可能な因果構造を自動的に発見し,より優れたGMV予測を行う因果MMM問題を定義する。
因果的MMMを実現するためには,(1)因果的異質性 (Causal Heterogeneity) という2つの課題に対処する必要がある。
様々な種類の店舗の因果構造は様々である。
2)マーケティング対応パターン
様々なマーケティング対応パターン、すなわち輸送効果と形状効果が実際に検証されている。
因果的MMMは、異なる店舗の特定の因果的構造を動的に発見する必要があると論じ、その予測は、既知のマーケティング対応パターンに従わなければならない。
そこで本稿では,異なるチャネル間の因果関係を測り,時間的および飽和マーケティングの対応パターンを正規化してGMVを予測するために,Granger因果関係を変動推論フレームワークに統合するCausalMMMを提案する。
大規模な実験により、CausalMMMは5.7%\sim 7.1%の改善した合成データセットにおける因果構造学習の優れた性能を達成できるだけでなく、代表的EコマースプラットフォームにおけるGMV予測結果も向上できることが示された。
関連論文リスト
- Bag of Design Choices for Inference of High-Resolution Masked Generative Transformer [20.145862858765245]
Masked Generative Transformer (MGT) は、DMと自己回帰モデル(ARM)の間の有望な仲介役である
我々は、MGTのための一連のDMベースの推論手法を修正・再設計し、さらにMGTの性能を解明する。
我々はHPS v2のバニラサンプリングと最近のSOTA MGT Meissonicと比較して約70%の勝利率を達成した。
論文 参考訳（メタデータ） (2024-11-16T11:51:33Z) - An Empirical Analysis on Spatial Reasoning Capabilities of Large Multimodal Models [56.537253374781876]
LMM(Large Multimodal Models)は、様々なビジョンや言語タスクにおいて、強力なパフォーマンスを実現している。
しかし、それらの空間的推論能力は未解明である。
我々は,LMMの空間的理解と推論能力を包括的に研究するために,新しいVQAデータセットであるSpatial-MMを構築した。
論文 参考訳（メタデータ） (2024-11-09T03:07:33Z) - MR-Ben: A Meta-Reasoning Benchmark for Evaluating System-2 Thinking in LLMs [55.20845457594977]
大規模言語モデル(LLM)は、問題解決と意思決定の能力の向上を示している。
本稿ではメタ推論技術を必要とするプロセスベースのベンチマークMR-Benを提案する。
メタ推論のパラダイムは,システム2のスロー思考に特に適しています。
論文 参考訳（メタデータ） (2024-06-20T03:50:23Z) - Chain-of-Thought Prompting for Demographic Inference with Large Multimodal Models [58.58594658683919]
大規模マルチモーダルモデル (LMM) は、様々な研究課題において変換可能性を示している。
以上の結果から,LMMはゼロショット学習,解釈可能性,未修正入力の処理に長所があることが示唆された。
本稿では,目標外予測問題を効果的に緩和するChain-of-Thought拡張プロンプト手法を提案する。
論文 参考訳（メタデータ） (2024-05-24T16:26:56Z) - On the Robustness of Large Multimodal Models Against Image Adversarial
Attacks [81.2935966933355]
大規模マルチモーダルモデル(LMM)に対する視覚的敵攻撃の影響について検討する。
一般的に,LMMは視覚的逆入力に対して頑健ではない。
本稿では,クエリ分解と呼ばれる実世界の画像分類への新たなアプローチを提案する。
論文 参考訳（メタデータ） (2023-12-06T04:59:56Z) - Improved Churn Causal Analysis Through Restrained High-Dimensional
Feature Space Effects in Financial Institutions [9.84528076130809]
顧客チャーン(Customer Churn)は、ビジネスとの関係を終了するか、特定の期間における顧客エンゲージメントを減少させる。
顧客の獲得コストは、顧客の保持の5倍から6倍になり得るので、リスクの厳しい顧客への投資は賢明です。
本研究では、独立変数と相関し、チャーンに影響を及ぼす従属変数と因果関係にある相反する特徴を発見するための概念的枠組みを提案する。
論文 参考訳（メタデータ） (2023-04-23T00:45:35Z) - Direct Heterogeneous Causal Learning for Resource Allocation Problems in
Marketing [20.9377115817821]
マーケティングは、ユーザのエンゲージメントを高め、プラットフォーム収益を改善するための重要なメカニズムである。
マーケティングにおける意思決定問題は資源配分問題として定式化され、数十年にわたって研究されてきた。
既存の作業は通常、解法を2つの完全に分離された段階、すなわち機械学習(ML)と操作研究(OR)に分割する。
論文 参考訳（メタデータ） (2022-11-28T19:27:34Z) - Relational Reasoning via Set Transformers: Provable Efficiency and
Applications to MARL [154.13105285663656]
置換不変エージェントフレームワークを用いたMARL(Multi-A gent R einforcement Learning)は,実世界のアプリケーションにおいて大きな実証的成功を収めた。
残念なことに、このMARL問題の理論的理解は、多くのエージェントの呪いと、既存の著作における関係推論の限定的な探索によって欠落している。
モデルフリーアルゴリズムとモデルベースアルゴリズムの最適度差は各エージェント数に独立して対数的であり、多くのエージェントの呪いを和らげる。
論文 参考訳（メタデータ） (2022-09-20T16:42:59Z) - Causal Inference Through the Structural Causal Marginal Problem [17.91174054672512]
本稿では,複数のデータセットからの情報をマージする手法を提案する。
応答関数の定式化による分類的SCMに対するこのアプローチの形式化と,それが許容される辺縁および関節SCMの空間を減少させることを示す。
論文 参考訳（メタデータ） (2022-02-02T21:45:10Z) - Variational Causal Networks: Approximate Bayesian Inference over Causal
Structures [132.74509389517203]
離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。
実験では,提案した変分後部が真の後部を良好に近似できることを示した。
論文 参考訳（メタデータ） (2021-06-14T17:52:49Z)
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。