論文の概要: Influential Factors in Increasing an Amazon products Sales Rank
- arxiv url: http://arxiv.org/abs/2411.04305v1
- Date: Wed, 06 Nov 2024 23:08:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-08 19:39:13.809573
- Title: Influential Factors in Increasing an Amazon products Sales Rank
- Title（参考訳）: Amazon製品の売上ランキングを上げるための影響力のある要因
- Authors: Ben Chen, Rohit Mokashi, Mamata Khadka, Robert Reyes, Huthaifa I. Ashqar,
- Abstract要約: Amazonの製品とレビューのデータから、製品の販売ランクを決定する最も影響力のある要因は、Amazonが他の顧客が購入した製品の数、Amazonが見た製品の数、そして製品の価格であると判断した。
- 参考スコア（独自算出の注目度）: 2.5811286280046204
- License:
- Abstract: Amazon is the world number one online retailer and has nearly every product a person could need along with a treasure trove of product reviews to help consumers make educated purchases. Companies want to find a way to increase their sales in a very crowded market, and using this data is key. A very good indicator of how a product is selling is its sales rank; which is calculated based on all-time sales of a product where recent sales are weighted more than older sales. Using the data from the Amazon products and reviews we determined that the most influential factors in determining the sales rank of a product were the number of products Amazon showed that other customers also bought, the number of products Amazon showed that customers also viewed, and the price of the product. These results were consistent for the Digital Music category, the Office Products category, and the subcategory Holsters under Cell Phones and Accessories.
- Abstract（参考訳）: Amazonは世界第1位のオンライン小売業者であり、消費者が教育を受けた購入をするための製品レビューの宝庫とともに、人が必要とするほぼすべての製品を持っている。
企業は、非常に混み合った市場での販売を増やす方法を見つけたいと考えている。
これは、最近の販売が古い販売よりも重み付けされている製品の常時販売に基づいて計算される。
Amazonの製品とレビューのデータから、製品の販売ランクを決定する最も影響力のある要因は、Amazonが他の顧客が購入した製品の数、Amazonが見た製品の数、そして製品の価格であると判断した。
これらの結果は、Digital Musicのカテゴリ、Office Productsのカテゴリ、そしてCell Phones and AccessoriesのサブカテゴリHolstersと一致している。
関連論文リスト
- Information Discovery in e-Commerce [97.71958017283593]
情報検索は、特に商品やサービスとの接続において、eコマースにおいて自然な役割を担っている。
電子商取引サイトの人気が高まり、電子商取引における情報発見の研究が活発な研究分野となっている。
電子商取引における情報発見手法は主に、電子商取引検索とレコメンデーションシステムの有効性の向上に重点を置いている。
論文 参考訳（メタデータ） (2024-10-08T07:41:01Z) - Auditing the Grid-Based Placement of Private Label Products on E-commerce Search Result Pages [7.351845767369621]
インドで運営されている2大eコマースプラットフォーム、Amazon.inとAmazon.inのeコマース検索結果におけるプライベートラベル(PL)製品プロモーションの規模を定量化する。
どちらのプラットフォームもPL製品を宣伝するために異なる戦略を採用している。
両プラットフォームの製品配置戦略は,文献に提案されている既存のユーザ注意戦略に適合していることがわかった。
論文 参考訳（メタデータ） (2024-07-19T20:01:30Z) - Investigating Nudges toward Related Sellers on E-commerce Marketplaces: A Case Study on Amazon [15.11300652519899]
eコマース市場は世界中の何百万もの売り手にビジネスチャンスを提供する。
これらの売り手の中には、子会社のサービスを利用することで、マーケットプレースと特別な関係を持つ者もいる。
関連販売業者を総称して「関連販売業者」と呼ぶ。
論文 参考訳（メタデータ） (2024-07-01T19:05:40Z) - 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) - Product Ranking for Revenue Maximization with Multiple Purchases [29.15026863056805]
オンライン小売業者が消費者の行動を正確にモデル化できる場合に最適なランキングポリシーを提案する。
We developed the Multiple-Purchase-with-Budget UCB algorithm with $O(sqrtT)$ regret。
合成データセットと半合成データセットの両方の実験により、提案アルゴリズムの有効性が証明された。
論文 参考訳（メタデータ） (2022-10-15T11:59:45Z) - Towards Revenue Maximization with Popular and Profitable Products [69.21810902381009]
企業マーケティングの共通のゴールは、様々な効果的なマーケティング戦略を活用することで、収益/利益を最大化することである。
商品の収益性に関する信頼性のある情報を見つけることは、ほとんどの製品が一定の時期にピークを迎える傾向があるため困難である。
本稿では、経済行動に基づく収益問題に対処し、ターゲットマーケティングのための0n-shelf Popular and most Profitable Products(OPPPs)を実行するための一般的な利益志向の枠組みを提案する。
論文 参考訳（メタデータ） (2022-02-26T02:07:25Z) - Characterization of Frequent Online Shoppers using Statistical Learning
with Sparsity [54.26540039514418]
本研究は,小売分析と統計学習のアイデアを疎結合に組み合わせ,買い物客のオンラインギフトストアへの買い物嗜好を学習する方法を報告する。
論文 参考訳（メタデータ） (2021-11-11T05:36:39Z) - Personalized Entity Resolution with Dynamic Heterogeneous Knowledge
Graph Representations [40.37976161857134]
製品ランキングの精度を向上させるためにパーソナライズされた機能を活用する新しいフレームワークを提案する。
まず、顧客購入履歴と製品知識グラフからオープンソースの異種知識グラフを作成し、顧客と製品の埋め込みを共同で学習します。
その後、プロダクト、顧客、履歴の表現をニューラルリランキングモデルに組み込んで、どの候補が特定の顧客に購入される可能性が最も高いかを予測します。
論文 参考訳（メタデータ） (2021-04-06T16:58:27Z) - 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) - Amazon Product Recommender System [0.0]
Amazonで購入した顧客は、製品を1つから5つ星に評価し、製品の経験と意見のテキスト要約を共有することでレビューを提供します。
我々は、amazon上のデジタル音楽トラックのレコメンデーションモデルを構築するために、顧客が特定の製品(音楽トラック)にどんな評価スコアを与えるかを分析した。
Amazonのレビューデータセットには20万のデータサンプルが含まれている。データセットの70%でモデルをトレーニングし、残りの30%でモデルのパフォーマンスをテストする。
論文 参考訳（メタデータ） (2021-01-30T18:07:16Z) - Feature-level Rating System using Customer Reviews and Review Votes [2.943984871413744]
オンラインショッピングサイト(Amazon)で収集されたさまざまなモバイル製品とレビュー投票に関する顧客レビューを分析した。
私たちの分析では、オンラインで販売されている4k以上のモバイルの108の機能を評価しています。
論文 参考訳（メタデータ） (2020-07-18T20:13:58Z)
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。