論文の概要: Sustained Impact of Agentic Personalisation in Marketing: A Longitudinal Case Study

• arxiv url: http://arxiv.org/abs/2604.08621v1
• Date: Thu, 09 Apr 2026 10:25:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.497046
• Title: Sustained Impact of Agentic Personalisation in Marketing: A Longitudinal Case Study
• Title（参考訳）: マーケティングにおけるエージェントパーソナライゼーションの持続的影響--縦断的研究
• Authors: Olivier Jeunen, Eleanor Hanna, Schaun Wheeler,
• Abstract要約: 本稿では,エージェント・インフラストラクチャを利用してマーケティング・メッセージのパーソナライズを行う,現実のコンシューマ・アプリケーションを分析対象とするケーススタディを提案する。 マーケターがコンテンツ、オーディエンス、戦略を直接キュレートするアクティブフェーズと、エージェントが固定されたコンポーネントライブラリから自律的に操作するパッシブフェーズの2つを比較します。 その結果、アクティブな人的管理はエンゲージメントの指標において最も高い相対的なリフトを生成する一方で、自律的なエージェントは受動的期間にポジティブなリフトを維持できた。
• 参考スコア（独自算出の注目度）: 6.244816393907943
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In consumer applications, Customer Relationship Management (CRM) has traditionally relied on the manual optimisation of static, rule-based messaging strategies. While adaptive and autonomous learning systems offer the promise of scalable personalisation, it remains unclear to what extent ``human-in-the-loop'' oversight is required to sustain performance uplift over time. This paper presents a longitudinal case study analysing a real-world consumer application that leverages agentic infrastructure to personalise marketing messaging for a large-scale user base over an 11-month period. We compare two distinct periods: an active phase where marketers directly curated content, audiences, and strategies -- followed immediately by a passive phase where agents operated autonomously from a fixed library of components. Our results demonstrate that whilst active human management generates the highest relative lift in engagement metrics, the autonomous agents successfully sustained a positive lift during the passive period. These findings suggest a symbiotic model where human intervention drives strategic initialisation and discovery, yet autonomous agents can ensure the scalable retention and preservation of performance gains.
• Abstract（参考訳）: コンシューマアプリケーションでは、CRM(Customer Relationship Management)は従来、静的なルールベースのメッセージング戦略を手動で最適化することに依存してきた。 適応的かつ自律的な学習システムは、スケーラブルなパーソナライゼーションの約束を提供するが、時間とともにパフォーマンスの向上を維持するために『Human-in-the-loop』の監視がどの程度必要かは、いまだ不明である。 本稿では,11ヶ月にわたる大規模ユーザを対象としたマーケティングメッセージのパーソナライズにエージェントインフラストラクチャを活用する,現実のコンシューマアプリケーションの解析を行う。 マーケターがコンテンツ、オーディエンス、戦略を直接キュレートするアクティブフェーズと、エージェントが固定されたコンポーネントライブラリから自律的に操作するパッシブフェーズの2つを比較します。 その結果、アクティブな人的管理はエンゲージメントの指標において最も高い相対的なリフトを生成する一方で、自律的なエージェントは受動的期間にポジティブなリフトを維持できた。 これらの結果は、人間の介入が戦略的初期化と発見を促進する共生モデルであることを示しているが、自律的なエージェントは、スケーラブルな維持と性能向上の維持を保証することができる。

関連論文リスト

• Toward Personalized LLM-Powered Agents: Foundations, Evaluation, and Future Directions [44.14477000176553]
  この調査は、パーソナライズされたLDMエージェントの能力指向のレビューを提供する。 プロファイルモデリング、メモリ、計画、アクション実行の4つの独立したコンポーネントに関する文献を整理する。 パーソナライズされたLLMエージェントの理解と設計のための構造化されたフレームワークを提供することで、この調査は、よりユーザ整合性があり、適応性があり、堅牢で、デプロイ可能なエージェントシステムへのロードマップを示す。
  論文  参考訳（メタデータ） (2026-02-26T06:52:47Z)
• From Biased Chatbots to Biased Agents: Examining Role Assignment Effects on LLM Agent Robustness [5.572574491501413]
  大規模言語モデル(LLM)は、テキスト生成を超えた現実的な影響で行動可能な自律エージェントとして、ますます多くデプロイされている。 テキスト生成におけるペルソナによるバイアスは十分に文書化されているが、エージェントタスクのパフォーマンスへの影響は未解明のままである。 人口動態に基づくペルソナ割り当ては, LLMエージェントの行動を変化させ, 様々な領域で性能を低下させることができることを示す最初のシステマティックケーススタディを示す。
  論文  参考訳（メタデータ） (2026-01-21T02:43:07Z)
• O-Mem: Omni Memory System for Personalized, Long Horizon, Self-Evolving Agents [60.1848551962911]
  O-Memはアクティブユーザプロファイリングに基づく新しいメモリフレームワークである。 O-Memはペルソナ属性とトピック関連コンテキストの階層的検索をサポートする。
  論文  参考訳（メタデータ） (2025-11-17T16:55:19Z)
• PersonaAgent: When Large Language Model Agents Meet Personalization at Test Time [87.99027488664282]
  PersonaAgentは、汎用的なパーソナライゼーションタスクに対処するために設計されたフレームワークである。 パーソナライズされたメモリモジュールとパーソナライズされたアクションモジュールを統合する。 テストタイムのユーザ嗜好アライメント戦略は、リアルタイムのユーザの嗜好アライメントを保証する。
  論文  参考訳（メタデータ） (2025-06-06T17:29:49Z)
• The Real Barrier to LLM Agent Usability is Agentic ROI [110.31127571114635]
  大規模言語モデル(LLM)エージェントは、人間とAIの相互作用において有望な変化を示す。 我々は、需要の高いマスマーケットアプリケーションにおいて、重要なユーザビリティギャップを強調します。
  論文  参考訳（メタデータ） (2025-05-23T11:40:58Z)
• From Novice to Expert: LLM Agent Policy Optimization via Step-wise Reinforcement Learning [62.54484062185869]
  本稿では,エージェントの強化学習プロセスの最適化にステップワイド報酬を利用するStepAgentを紹介する。 エージェント反射とポリシー調整を容易にする暗黙の逆・逆の強化学習手法を提案する。
  論文  参考訳（メタデータ） (2024-11-06T10:35:11Z)

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。