NNN: Next-Generation Neural Networks for Marketing Mix Modeling

要約

従来の方法の主要な制限に対処するために設計されたマーケティングミックスモデリング（MMM）に対する変圧器ベースのニューラルネットワークアプローチであるNNNを提示します。
スカラー入力やパラメトリック減衰関数に依存する従来のMMMとは異なり、NNNは豊富な埋め込みを使用して、マーケティングチャネルとオーガニックチャネルの定量的側面と定性的な側面の両方をキャプチャします（たとえば、検索クエリ、広告クリエイティブ）。
これは、その注意メカニズムと組み合わせることで、NNNが複雑な相互作用をモデル化し、長期的な影響をキャプチャし、販売の帰属の正確性を改善する可能性があります。
L1の正則化により、典型的なデータが制約した設定でこのような表現モデルを使用できることが示されます。
シミュレートされた現実世界のデータでNNNを評価することは、特に予測力の大幅な改善を通じて、その有効性を示しています。
帰属を超えて、NNNは、キーワードや創造的な有効性の評価、モデルの解釈性を高めるなど、モデルプロービングを通じて貴重で補完的な洞察を提供します。

要約(オリジナル)

We present NNN, a Transformer-based neural network approach to Marketing Mix Modeling (MMM) designed to address key limitations of traditional methods. Unlike conventional MMMs which rely on scalar inputs and parametric decay functions, NNN uses rich embeddings to capture both quantitative and qualitative aspects of marketing and organic channels (e.g., search queries, ad creatives). This, combined with its attention mechanism, enables NNN to model complex interactions, capture long-term effects, and potentially improve sales attribution accuracy. We show that L1 regularization permits the use of such expressive models in typical data-constrained settings. Evaluating NNN on simulated and real-world data demonstrates its efficacy, particularly through considerable improvement in predictive power. Beyond attribution, NNN provides valuable, complementary insights through model probing, such as evaluating keyword or creative effectiveness, enhancing model interpretability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google