Model-Free Approximate Bayesian Learning for Large-Scale Conversion Funnel Optimization

要約

消費者の状態に応じて広告アクションを柔軟に選択できることは、現代のマーケティング キャンペーンにとって非常に重要です。
私たちは、新製品の採用確率を最大化する最適な連続的な個別介入を特定するという問題を研究します。
私たちは、各消費者の状態（企業とのやり取り履歴など）を捕捉し、消費者の行動が状態と企業の逐次介入の両方に応じて変化することを可能にするコンバージョンファネルによって消費者の行動をモデル化します。
私たちのモデルが、実際の電子メール マーケティング データセットにおいて消費者の行動を非常に高い精度 (サンプル外 AUC 0.95 以上) で捉えていることを示します。
しかし、これは非常に大規模な学習問題を引き起こし、企業は消費者とのやり取りからさまざまな介入が州に特有の影響を与えることを学習する必要があります。
我々は、モデルフリー近似ベイジアン学習と呼ぶ、この問題に対する新しい属性ベースの意思決定アルゴリズムを提案します。
私たちのアルゴリズムは、盗賊に対するトンプソン サンプリングの解釈可能性と拡張性を継承し、各州固有の介入の価値に対するおおよその信念を維持します。
アルゴリズムが消費者と対話するにつれて、信念は更新されます。
ベイズ更新の近似であるにもかかわらず、アルゴリズムの漸近的最適性を証明し、その収束率を分析します。
現実世界の電子メール マーケティング データセットに合わせて調整された広範なシミュレーションにおいて、私たちのアルゴリズムが従来のアプローチよりも大幅に優れていることを示します。

要約(オリジナル)

The flexibility of choosing the ad action as a function of the consumer state is critical for modern-day marketing campaigns. We study the problem of identifying the optimal sequential personalized interventions that maximize the adoption probability for a new product. We model consumer behavior by a conversion funnel that captures the state of each consumer (e.g., interaction history with the firm) and allows the consumer behavior to vary as a function of both her state and firm’s sequential interventions. We show our model captures consumer behavior with very high accuracy (out-of-sample AUC of over 0.95) in a real-world email marketing dataset. However, it results in a very large-scale learning problem, where the firm must learn the state-specific effects of various interventions from consumer interactions. We propose a novel attribution-based decision-making algorithm for this problem that we call model-free approximate Bayesian learning. Our algorithm inherits the interpretability and scalability of Thompson sampling for bandits and maintains an approximate belief over the value of each state-specific intervention. The belief is updated as the algorithm interacts with the consumers. Despite being an approximation to the Bayes update, we prove the asymptotic optimality of our algorithm and analyze its convergence rate. We show that our algorithm significantly outperforms traditional approaches on extensive simulations calibrated to a real-world email marketing dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google