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

• Reward Models Identify Consistency, Not Causality [54.987590763737145]
  最先端の報酬モデルでは、因果正しさよりも構造的な一貫性が優先される。 問題文の削除は報酬のスコアに最小限の影響を与える。 数値を変更するか、推論フローを乱すかは、RM出力に大きく影響する。
  論文  参考訳（メタデータ） (2025-02-20T14:57:14Z)
• MME-CoT: Benchmarking Chain-of-Thought in Large Multimodal Models for Reasoning Quality, Robustness, and Efficiency [63.23935582919081]
  CoT (Chain-of-Thought) は,Large Language Models (LLMs) の推論能力を大幅に向上させた。 我々は,LMMのCoT推論性能を評価する特別ベンチマークであるMME-CoTを紹介する。 我々は最先端のLMMの詳細な分析を行い、いくつかの重要な知見を明らかにした。
  論文  参考訳（メタデータ） (2025-02-13T18:59:46Z)
• Marketing Mix Modeling in Lemonade [0.0]
  本稿では,オンライン保険会社レモネードにおけるベイズMMMモデルの構築プロセスについて述べる。 私たちはまず、オンライン広告、ソーシャルメディア、ブランドマーケティングなど、レモネードのマーケティング活動に関するデータとパフォーマンスデータを収集しました。 A/Bテストとスライディングウィンドウのホールドアウトデータから得られた実際の性能データと比較した。 その結果、各マーケティングチャネルの予測貢献度は、A/Bテスト性能と一致し、動作可能であることがわかった。
  論文  参考訳（メタデータ） (2025-01-02T14:17:31Z)
• 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)
• 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)
• 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)
• 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。