論文の概要: Integrated Marketing Attribution: A Bayesian Framework for Privacy-Safe Granular Measurement Anchored in MMM

• arxiv url: http://arxiv.org/abs/2606.16878v2
• Date: Tue, 16 Jun 2026 14:46:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 15:01:46.832969
• Title: Integrated Marketing Attribution: A Bayesian Framework for Privacy-Safe Granular Measurement Anchored in MMM
• Title（参考訳）: 統合マーケティングの属性:MMMで集計されたプライバシーに配慮した粒度測定のためのベイズ的フレームワーク
• Authors: Meghana R. Bhat, Ankit Umare, Utsav Aggarwal, Richard Vecsler, Arunkumar Mani, Karthik Nair, Chandhu Nair,
• Abstract要約: マーケティングミックスモデリング(MMM)とマルチタッチ属性(MTA)の2つの主要なアプローチは、断片化された洞察を生み出す。 我々は,MMMとチャネル固有ベイズ属性モデルを組み合わせて,キャンペーンレベルの効果を導出する統合的なフレームワークである統合マーケティング属性(IMA)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retail marketing measurement increasingly requires granular campaign-level insights without relying on user-level tracking. However, the two dominant approaches, Marketing Mix Modeling (MMM) and Multi-Touch Attribution (MTA), often produce fragmented insights. MMM is privacy-safe and robust for channel-level planning but is too coarse for campaign optimization, while MTA provides granular attribution but has become less reliable under increasing privacy restrictions. We propose Integrated Marketing Attribution (IMA), a unified framework that combines MMM with channel specific Bayesian attribution models to derive campaign-level effects from aggregated data. By leveraging MMM-informed priors, IMA delivers granular, privacy-safe attribution while preserving consistency with MMM.
• Abstract（参考訳）: 小売マーケティングの計測は、ユーザーレベルのトラッキングに頼ることなく、より詳細なキャンペーンレベルの洞察を必要としている。 しかし、マーケティングミックスモデリング(MMM)とマルチタッチ属性(MTA)の2つの主要なアプローチは、しばしば断片化された洞察を生み出す。 MMMは、プライバシーを保護し、チャネルレベルの計画には堅牢だが、キャンペーン最適化には大きすぎるが、MTAは細かい属性を提供するが、プライバシー制限の増大により信頼性が低下している。 我々は,MMMとチャネル固有ベイズ属性モデルを組み合わせた統合型フレームワークである統合マーケティング属性(IMA)を提案し,集約データからキャンペーンレベル効果を導出する。 IMAは、MMMにインフォームされた事前情報を活用することにより、MMMとの整合性を維持しながら、粒度の細かい、プライバシセーフな属性を提供する。

関連論文リスト

• Auditing M-LLMs for Privacy Risks: A Synthetic Benchmark and Evaluation Framework [7.493288948235459]
  PRISMは、クロスモーダルなプライバシーリスクを評価するために設計された大規模な総合ベンチマークである。 PRISMは、最初のマルチモーダル、多次元、微細な合成データセットである。 PRISM上での6つのM-LLMの推論能力を評価する。
  論文  参考訳（メタデータ） (2025-11-05T07:23:21Z)
• Benchmarking Multi-modal Semantic Segmentation under Sensor Failures: Missing and Noisy Modality Robustness [61.87055159919641]
  マルチモーダルセマンティックセグメンテーション(MMSS)は、モーダル間で補完情報を統合することで、単一モーダルデータの制限に対処する。 顕著な進歩にもかかわらず、マルチモーダルデータ品質の変動と不確実性により、研究と実世界の展開の間に大きなギャップが持続する。 Intire-Missing Modality (EMM)、Random-Missing Modality (RMM)、Noisy Modality (NM)の3つのシナリオでMMSSモデルを評価する頑健性ベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-03-24T08:46:52Z)
• MM-LLMs: Recent Advances in MultiModal Large Language Models [49.06046606933233]
  過去1年間で、MM-LLM(MultiModal Large Language Models)が大幅に進歩している。 126のMM-LLMを包含する分類法を導入し,その特異な定式化を特徴とする。 本稿では,主要なベンチマークで選択したMM-LLMの性能を概観し,MM-LLMの有効性を高めるための鍵となるトレーニングレシピを要約する。
  論文  参考訳（メタデータ） (2024-01-24T17:10:45Z)

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。