CausalMMM: Learning Causal Structure for Marketing Mix Modeling

要約

オンライン広告では、マーケティング ミックス モデリング (MMM) を使用してブランド ショップの流通総額 (GMV) を予測し、意思決定者がさまざまな広告チャネルの予算配分を調整できるようにします。
回帰手法を活用した従来の MMM 手法では、複雑なマーケティングに対処できない可能性があります。
より良い予測のために因果構造をエンコードしようとする取り組みもありますが、因果構造は既知であり変更できないという厳しい制限があります。
この論文では、データから解釈可能な因果構造を自動的に発見し、より良い GMV 予測を生み出す新しい因果 MMM 問題を定義します。
因果的 MMM を達成するには、次の 2 つの重要な課題に対処する必要があります。(1) 因果的異質性。
さまざまな種類の店舗の因果構造は大きく異なります。
(2) マーケティングの反応パターン。
さまざまなマーケティング反応パターン、つまりキャリーオーバー効果とシェイプ効果が実際に検証されています。
私たちは、因果的 MMM はさまざまな店舗の特定の因果構造を動的に発見する必要があり、その予測は以前に知られているマーケティング反応パターンに準拠する必要があると主張します。
そこで、我々は、グレンジャー因果関係を変分推論フレームワークに統合して、異なるチャネル間の因果関係を測定し、時間的および飽和マーケティング反応パターンの両方を正則化してGMVを予測するCausalMMMを提案します。
広範な実験により、CausalMMM は合成データセット上で 5.7%\sim 7.1% の向上により因果構造学習の優れたパフォーマンスを達成できるだけでなく、代表的な電子商取引プラットフォームでの GMV 予測結果も強化できることが示されています。

要約(オリジナル)

In online advertising, marketing mix modeling (MMM) is employed to predict the gross merchandise volume (GMV) of brand shops and help decision-makers to adjust the budget allocation of various advertising channels. Traditional MMM methods leveraging regression techniques can fail in handling the complexity of marketing. Although some efforts try to encode the causal structures for better prediction, they have the strict restriction that causal structures are prior-known and unchangeable. In this paper, we define a new causal MMM problem that automatically discovers the interpretable causal structures from data and yields better GMV predictions. To achieve causal MMM, two essential challenges should be addressed: (1) Causal Heterogeneity. The causal structures of different kinds of shops vary a lot. (2) Marketing Response Patterns. Various marketing response patterns i.e., carryover effect and shape effect, have been validated in practice. We argue that causal MMM needs dynamically discover specific causal structures for different shops and the predictions should comply with the prior known marketing response patterns. Thus, we propose CausalMMM that integrates Granger causality in a variational inference framework to measure the causal relationships between different channels and predict the GMV with the regularization of both temporal and saturation marketing response patterns. Extensive experiments show that CausalMMM can not only achieve superior performance of causal structure learning on synthetic datasets with improvements of 5.7%\sim 7.1%, but also enhance the GMV prediction results on a representative E-commerce platform.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google