Nonparametric Discrete Choice Experiments with Machine Learning Guided Adaptive Design

要約

消費者の好みに合わせて製品を設計することは、ビジネスの成功には不可欠です。
私たちは、多属性製品設計のための離散選択実験である勾配ベース調査 (GBS) を提案します。
この実験では、部分プロファイルの一連の一対の比較を通じて消費者の好みを導き出します。
GBS は、回答者の以前の選択に基づいて、一対の比較の質問を適応的に作成します。
従来のランダム効用最大化パラダイムとは異なり、GBS はパラメトリック効用モデルを必要としないため、モデルの仕様ミスに対して堅牢です。
GBS は、機械学習と実験設計を相互受粉することで、数百の属性を持つ製品に拡張可能であり、異種消費者向けにパーソナライズされた製品を設計できます。
シミュレーションにおける既存のパラメトリック手法およびノンパラメトリック手法と比較した、精度とサンプル効率における GBS の利点を実証します。

要約(オリジナル)

Designing products to meet consumers’ preferences is essential for a business’s success. We propose the Gradient-based Survey (GBS), a discrete choice experiment for multiattribute product design. The experiment elicits consumer preferences through a sequence of paired comparisons for partial profiles. GBS adaptively constructs paired comparison questions based on the respondents’ previous choices. Unlike the traditional random utility maximization paradigm, GBS is robust to model misspecification by not requiring a parametric utility model. Cross-pollinating the machine learning and experiment design, GBS is scalable to products with hundreds of attributes and can design personalized products for heterogeneous consumers. We demonstrate the advantage of GBS in accuracy and sample efficiency compared to the existing parametric and nonparametric methods in simulations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google