論文の概要: Analyzing Customer-Facing Vendor Experiences with Time Series Forecasting and Monte Carlo Techniques
- arxiv url: http://arxiv.org/abs/2407.21193v1
- Date: Tue, 30 Jul 2024 21:02:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-01 19:14:52.995990
- Title: Analyzing Customer-Facing Vendor Experiences with Time Series Forecasting and Monte Carlo Techniques
- Title（参考訳）: 時系列予測とモンテカルロ技術を用いた顧客対応ベンダーエクスペリエンスの分析
- Authors: Vivek Kaushik, Jason Tang,
- Abstract要約: 我々は、eBayが問題のあるベンダーを無効にすべきなのか、いつ無効にすべきか、という質問に答えるデータ駆動ソリューションを提案する。
これらの予測を比較して、eBayが問題のあるベンダーを無効にする最適なタイミングを決定する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: eBay partners with external vendors, which allows customers to freely select a vendor to complete their eBay experiences. However, vendor outages can hinder customer experiences. Consequently, eBay can disable a problematic vendor to prevent customer loss. Disabling the vendor too late risks losing customers willing to switch to other vendors, while disabling it too early risks losing those unwilling to switch. In this paper, we propose a data-driven solution to answer whether eBay should disable a problematic vendor and when to disable it. Our solution involves forecasting customer behavior. First, we use a multiplicative seasonality model to represent behavior if all vendors are fully functioning. Next, we use a Monte Carlo simulation to represent behavior if the problematic vendor remains enabled. Finally, we use a linear model to represent behavior if the vendor is disabled. By comparing these forecasts, we determine the optimal time for eBay to disable the problematic vendor.
- Abstract（参考訳）: eBayは外部ベンダーと提携しており、顧客は自由にベンダーを選択してeBay体験を完成させることができる。
しかし、ベンダーの停止は顧客体験を妨げる可能性がある。
結果としてeBayは、問題のあるベンダーを無効にし、顧客の損失を防ぐことができる。
ベンダーを無効にするのは、顧客が他のベンダーに乗り換える気のあることを失うリスクを負う一方で、変更を望まない顧客を失うリスクを早期に無効にするリスクがある。
本稿では、eBayが問題のあるベンダーを無効にすべきなのか、いつ無効にすべきかを問う、データ駆動型ソリューションを提案する。
私たちのソリューションは顧客の行動を予測します。
まず、すべてのベンダーが完全に機能している場合の振る舞いを表現するために、乗法的季節性モデルを使用します。
次に、問題のあるベンダーがまだ有効である場合の振る舞いを表現するためにMonte Carloシミュレーションを使用します。
最後に、ベンダーが無効になった場合の振る舞いを表現するために線形モデルを使用します。
これらの予測を比較して、eBayが問題のあるベンダーを無効にする最適なタイミングを決定する。
関連論文リスト
- A pragmatic policy learning approach to account for users' fatigue in repeated auctions [47.75983850930121]
MLモデルは、前回のオークションが現在の機会価値をどの程度獲得したかを予測することができる。
この予測を用いて、現在の競売の予想利益を最大化する政策を、患者と呼ぶことができる。
我々は、このコストの浸透の重要性について、実証的な2つの論証を提示した。
論文 参考訳（メタデータ） (2024-07-15T07:53:29Z) - 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) - Silent Abandonment in Contact Centers: Estimating Customer Patience from Uncertain Data [0.0]
我々は,顧客による静かな放棄がコンタクトセンターに与える影響に焦点をあてる。
顧客は質問に対する回答を待っている間、システムを離れるが、そうする兆候はない。
我々は,チャットとメッセージシステムという2つのタイプのコンタクトセンターにおいて,サイレント・アベンションの顧客を特定する手法を開発した。
論文 参考訳（メタデータ） (2023-04-23T21:43:03Z) - ColdGuess: A General and Effective Relational Graph Convolutional
Network to Tackle Cold Start Cases [21.880343714386665]
オンライン小売サイトにおける低品質のリスティングと悪いアクター行動は、eコマースビジネスを脅かす。
ヘテロジニアスな売り手/商品グラフ上に構築された誘導型グラフベースのリスク予測器であるColdGuessを提案する。
実際のデータに対する評価は、未知の機能の数が増えるにつれて、ColdGuessのパフォーマンスが安定していることを示している。
論文 参考訳（メタデータ） (2022-05-24T18:56:58Z) - MNL-Bandits under Inventory and Limited Switches Constraints [38.960764902819434]
我々は、データから顧客の選択を学習しながら、アソートを最適化する効率的な UCB ライクなアルゴリズムを開発した。
我々のアルゴリズムは、$O(Talpha)$スイッチが許される場合、サブ線形後悔境界$tildeOleft(T1-alpha/2right)$を達成できることを証明している。
論文 参考訳（メタデータ） (2022-04-22T16:02:27Z) - Sequential Recommendation via Stochastic Self-Attention [68.52192964559829]
Transformerベースのアプローチでは、アイテムをベクトルとして埋め込んで、ドット積の自己アテンションを使用してアイテム間の関係を測定する。
本稿では,これらの問題を克服するための新しいtextbfStochastic textbfSelf-textbfAttention (STOSA) を提案する。
我々は、アイテムと項目の位置関係を列で特徴づける新しいワッサースタイン自己保持モジュールを考案した。
論文 参考訳（メタデータ） (2022-01-16T12:38:45Z) - PURS: Personalized Unexpected Recommender System for Improving User
Satisfaction [76.98616102965023]
本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。
3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2021-06-05T01:33:21Z) - Online Fashion Commerce: Modelling Customer Promise Date [0.0]
電子商取引では、納期を正確に予測することが顧客体験において大きな役割を果たす。
本稿では,誤った予測を異なる方法でペナルティ化するための機械学習に基づくアプローチを提案する。
提案モデルはファッションeコマース用に社内に展開され、運用中である。
論文 参考訳（メタデータ） (2021-05-01T18:16:12Z) - 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) - Blockchain Assisted Decentralized Federated Learning (BLADE-FL) with
Lazy Clients [124.48732110742623]
フェデレートラーニング(FL)にブロックチェーンを統合する新しいフレームワークを提案する。
BLADE-FLは、プライバシー保護、改ざん抵抗、学習の効果的な協力の点で優れたパフォーマンスを持っている。
遅延クライアントは、他人のトレーニングされたモデルを盗聴し、不正行為を隠すために人工的なノイズを加える。
論文 参考訳（メタデータ） (2020-12-02T12:18:27Z) - ProVe -- Self-supervised pipeline for automated product replacement and
cold-starting based on neural language models [0.0]
本稿では,在庫の少ない製品に最適な代替品を推奨するためのパイプラインアプローチを提案する。
また、取引履歴のない小売店のポートフォリオに新たに導入された商品を管理するためのソリューションも提案する。
このソリューションはビジネスに役立つ – 新製品を適切なカテゴリに自動的に割り当てる,1日目からクロス販売を補完する製品を推奨する,トランザクション履歴がほとんどなくても販売予測を行う,といったものだ。
論文 参考訳（メタデータ） (2020-06-26T14:03:18Z)
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。