[論文レビュー] Analyzing and Modeling Special Offer Campaigns in Location-based Social Networks

Ke Zhang, Konstantinos Pelechrinis+1 more|arXiv (Cornell University)|Apr 9, 2015

Consumer Market Behavior and Pricing参考文献 23被引用数 6

ひとこと要約

本研究では、約1400万件の施設を含む大規模なFoursquareデータセットを用いて、場所ベースのソーシャルネットワーキング（LBSN）における特別オファー・キャンペーンの有効性を分析している。ランダム化とブロックブートストラップを適用した結果、プロモーション実施施設のチェックイン数の増加は、プロモーションを行わない施設と比べてわずかに高いにとどまり、事例として語られる成功事例とは対照的に、実世界への影響は限定的であることが示された。さらに、施設、プロモーション、地理的特徴を用いた分類器を開発し、83%の精度と0.88のAUCでキャンペーン成功を予測した。

ABSTRACT

The proliferation of mobile handheld devices in combination with the technological advancements in mobile computing has led to a number of innovative services that make use of the location information available on such devices. Traditional yellow pages websites have now moved to mobile platforms, giving the opportunity to local businesses and potential, near-by, customers to connect. These platforms can offer an affordable advertisement channel to local businesses. One of the mechanisms offered by location-based social networks (LBSNs) allows businesses to provide special offers to their customers that connect through the platform. We collect a large time-series dataset from approximately 14 million venues on Foursquare and analyze the performance of such campaigns using randomization techniques and (non-parametric) hypothesis testing with statistical bootstrapping. Our main finding indicates that this type of promotions are not as effective as anecdote success stories might suggest. Finally, we design classifiers by extracting three different types of features that are able to provide an educated decision on whether a special offer campaign for a local business will succeed or not both in short and long term.

研究の動機と目的

• 場所ベースのソーシャルネットワーキング（LBSN）における特別オファー・キャンペーンの実世界的有効性を大規模スケールで評価すること。
• このようなプロモーションが、プロモーションを行わない施設と比較して、施設のチェックイン数を顕著に増加させるかどうかを特定すること。
• 施設、プロモーション、地理的属性を用いて、キャンペーン成功の予測に寄与する主要な特徴を同定すること。
• 短期的および長期的に、キャンペーンの成功確率を推定する機械学習分類器を開発すること。

提案手法

• 公開された施設APIを用いて、7か月間にわたり約1400万件のFoursquare施設の日次時系列データを収集した。
• ランダム化を用いて、プロモーションを行わない類似施設（参照施設）をマッチングさせ、チェックイン数の増加確率のベースラインを確立した。
• ブロックサイズ = 2 のブロックブートストラップを用いた非パラメトリック仮説検定により、チェックイン数の変化の統計的有意性を評価した。
• 3種類の特徴を抽出した：施設関連（例：カテゴリ、人気度）、プロモーション関連（例：割引タイプ、期間）、地理的（例：競合店との距離）。
• これらの特徴を用いてロジスティック回帰および他の分類器を学習させ、キャンペーン成功を予測した。
• 統計的ブートストラップを用いて信頼区間を推定し、パラメトリック仮定への依存度を低減した。

実験結果

リサーチクエスチョン

• RQ1 場所ベースのソーシャルネットワーキング（LBSN）で特別オファーを提供することは、プロモーションを行わない施設と比較して、施設のチェックイン数を顕著に増加させるか？
• RQ2 チェックイン数の変化に関する統計的性質（例：平均増加率、効果量）は、プロモーション施設と非プロモーション施設でどのように異なるか？
• RQ3 施設、プロモーション、地理的特徴のうち、どれが特別オファー・キャンペーンの成功を最も強く予測するか？
• RQ4 これらの特徴を学習に用いた機械学習モデルは、キャンペーンがより多くのチェックインを引き寄せることを信頼性高く予測できるか？

主な発見

• プロモーションを実施する施設のチェックイン数増加確率は、マッチングされた非プロモーション施設のそれと統計的に区別できない。
• プロモーション施設のチェックイン数に与える標準化された効果量は、非プロモーション施設と比べてわずかに高いにとどまり、実際の影響は限定的であることを示している。
• プロモーション関連の特徴は分類性能にわずかな寄与しか示さず、施設および地理的特徴が成功の予測により重要であることが示唆された。
• ロジスティック回帰のようなシンプルなモデルでも、キャンペーン成功予測において83%の精度と0.88のAUCを達成しており、特徴工学の強力な予測力が裏付けられた。
• 結果は、事例として語られる成功事例に反するものであり、LBSNのプロモーションがベースライントレンドを超えて顕著な利益をもたらすとは限らないことを示唆している。
• ブロックサイズが2のブロックブートストラップは、チェックインデータの時間的依存性を適切に扱うことができ、仮説検定の妥当性を高めた。