Decision Focused Causal Learning for Direct Counterfactual Marketing Optimization

要約

マーケティングの最適化は、オンライン インターネット プラットフォームにおけるユーザー エンゲージメントを強化するために重要な役割を果たします。
既存の研究では通常、この問題を予算配分問題として定式化し、完全に分離された 2 つの段階、つまり機械学習 (ML) とオペレーション リサーチ (OR) を利用して解決します。
ただし、ML の学習目標では OR の下流の最適化タスクが考慮されていないため、ML の予測精度が決定の品質と正の関係にない可能性があります。
意思決定集中学習 (DFL) は、ML と OR をエンドツーエンドのフレームワークに統合します。これにより、下流タスクの目的が意思決定損失関数として取り込まれ、ML と OR の間の最適化方向の一貫性が保証されます。
ただし、マーケティングに DFL を導入することは、技術的な課題が複数あるため、簡単ではありません。
まず、マーケティングにおける予算配分の問題は、0 ～ 1 の整数の確率計画法の問題であり、予算は不確実で、現実世界の設定では大きく変動します。これは、DFL における一般的な問題の背景を超えています。
第 2 に、マーケティングにおける反事実により、意思決定損失を直接計算できず、最適な解を決して得ることができません。その両方が、DFL における一般的な勾配推定アプローチを無効にします。
3 番目に、DFL でのモデル トレーニング中に決定損失を計算するために OR ソルバーが頻繁に呼び出されます。これにより、膨大な計算コストが発生し、大規模なトレーニング データをサポートできません。
この論文では、上記の技術的課題を克服する、直接的な反事実マーケティング最適化のための意思決定に焦点を当てた因果学習フレームワーク (DFCL) を提案します。
オフライン実験とオンライン A/B テストの両方で、最先端の方法に対する DFCL の有効性が実証されています。
現在、DFCL は、世界最大のオンライン食品配達プラットフォームの 1 つである Meituan のいくつかのマーケティング シナリオに導入されています。

要約(オリジナル)

Marketing optimization plays an important role to enhance user engagement in online Internet platforms. Existing studies usually formulate this problem as a budget allocation problem and solve it by utilizing two fully decoupled stages, i.e., machine learning (ML) and operation research (OR). However, the learning objective in ML does not take account of the downstream optimization task in OR, which causes that the prediction accuracy in ML may be not positively related to the decision quality. Decision Focused Learning (DFL) integrates ML and OR into an end-to-end framework, which takes the objective of the downstream task as the decision loss function and guarantees the consistency of the optimization direction between ML and OR. However, deploying DFL in marketing is non-trivial due to multiple technological challenges. Firstly, the budget allocation problem in marketing is a 0-1 integer stochastic programming problem and the budget is uncertain and fluctuates a lot in real-world settings, which is beyond the general problem background in DFL. Secondly, the counterfactual in marketing causes that the decision loss cannot be directly computed and the optimal solution can never be obtained, both of which disable the common gradient-estimation approaches in DFL. Thirdly, the OR solver is called frequently to compute the decision loss during model training in DFL, which produces huge computational cost and cannot support large-scale training data. In this paper, we propose a decision focused causal learning framework (DFCL) for direct counterfactual marketing optimization, which overcomes the above technological challenges. Both offline experiments and online A/B testing demonstrate the effectiveness of DFCL over the state-of-the-art methods. Currently, DFCL has been deployed in several marketing scenarios in Meituan, one of the largest online food delivery platform in the world.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google