RetailSynth: Synthetic Data Generation for Retail AI Systems Evaluation

要約

近年、豊富な顧客データを活用して学習して収益を得ることができる、パーソナライズされた価格設定、プロモーション、製品推奨アルゴリズムの開発に多大な研究努力が注がれています。
適切なデータセットとシミュレーション環境が不足しているため、これらの因果的学習システムの体系的なベンチマークと評価は依然として重要な課題です。
この研究では、価格感度や過去の経験など、不均一性の重要な原因を捉える、顧客のショッピング行動をシミュレートするための多段階モデル​​を提案します。
私たちはこのモデルを実際に動作するシミュレーション環境 RetailSynth に組み込みました。
RetailSynth は、現実的な合成ショッピング トランザクションを作成するために、公的に入手可能な食料品データに基づいて慎重に調整されました。
複数の価格設定ポリシーがシミュレーター内に実装され、収益、カテゴリーの浸透、顧客維持への影響が分析されました。
応用研究者は、RetailSynth を使用して、複数カテゴリの小売の因果需要モデルを検証し、パーソナライズされた価格設定、プロモーション、製品推奨のための新しいベンチマーク スイートに現実的な価格感度を組み込むことができます。

要約(オリジナル)

Significant research effort has been devoted in recent years to developing personalized pricing, promotions, and product recommendation algorithms that can leverage rich customer data to learn and earn. Systematic benchmarking and evaluation of these causal learning systems remains a critical challenge, due to the lack of suitable datasets and simulation environments. In this work, we propose a multi-stage model for simulating customer shopping behavior that captures important sources of heterogeneity, including price sensitivity and past experiences. We embedded this model into a working simulation environment — RetailSynth. RetailSynth was carefully calibrated on publicly available grocery data to create realistic synthetic shopping transactions. Multiple pricing policies were implemented within the simulator and analyzed for impact on revenue, category penetration, and customer retention. Applied researchers can use RetailSynth to validate causal demand models for multi-category retail and to incorporate realistic price sensitivity into emerging benchmarking suites for personalized pricing, promotions, and product recommendations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google