[論文レビュー] Market Segmentation Trees

Ali Aouad, Adam N. Elmachtoub+2 more|arXiv (Cornell University)|Jun 4, 2019

Consumer Market Behavior and Pricing被引用数 10

ひとこと要約

本稿では、応答モデルの予測精度を最大化する意思決定木の分割に基づいて、ユーザーを再帰的に分割することで、市場セグメンテーションと応答モデリングを同時に最適化する、解釈可能なフレームワーク「マーケットセグメンテーションツリー（MSTs）」を紹介する。この手法は、従来のクラスタリング・応答モデリングパイプラインに比べ、はるかに少ないセグメント数で優れた予測性能を達成しており、選択モデルのためのCMTsおよび入札市場予測のためのIRTsを用いた実証により、意思決定木の構造による解釈可能性と計算の tractability を維持している。

ABSTRACT

We seek to provide an interpretable framework for segmenting users in a population for personalized decision-making. We propose a general methodology, Market Segmentation Trees (MSTs), for learning market segmentations explicitly driven by identifying differences in user response patterns. To demonstrate the versatility of our methodology, we design two new, specialized MST algorithms: (i) Choice Model Trees (CMTs), which can be used to predict a user's choice amongst multiple options and (ii) Isotonic Regression Trees (IRTs), which can be used to solve the bid landscape forecasting problem. We provide a theoretical analysis of the asymptotic running times of our algorithmic methods, which validates their computational tractability on large datasets. We also provide a customizable, open-source code base for training MSTs in Python which employs several strategies for scalability, including parallel processing and warm starts. Finally, we assess the practical performance of MSTs on several synthetic and real world datasets, showing that our method reliably finds market segmentations which accurately model response behavior.

研究の動機と目的

• 従来の市場セグメンテーションでは、特徴量の類似性に基づいてユーザーをクラスタリングするが、応答行動に基づかないため、パーソナライズ化が不十分になるという限界を是正すること。
• 市場セグメンテーションと応答モデリングを統合した包括的なフレームワークを構築し、パーソナライズド・ディシジョンメイキングにおける予測精度を向上させること。
• 意思決定木を用いて市場セグメントを定義することで、解釈可能性を確保し、明確で人間が読めるセグメンテーションルールを提供すること。
• 特に入札市場予測と選択モデルの分野において、大規模な実世界データセット上で本手法のスケーラビリティと有効性を実証すること。
• 実用的導入を可能にするカスタマイズ可能でオープンソースの実装を提供し、並列処理とウォームスタートをサポートすること。

提案手法

• MSTsは、文脈的特徴に基づいてユーザーを市場セグメントに再帰的に分割する意思決定木の分割を用い、各分割は、その葉に適合する応答モデルの予測精度を最大化するように選ばれる。
• 学習手順では、すべてのセグメントにおける予測性能を統合するグローバルな目的関数を最適化し、分割が特徴量の類似性だけでなく、ユーザーの応答行動の差異に基づいて駆動されることを保証する。
• 2つの特殊化されたMSTの変種が提案される：選択応答予測のための選択モデルツリー（CMTs）と、各セグメントで等方的回帰モデルを用いて広告入札市場の当選確率を予測するための等方的回帰ツリー（IRTs）。
• アルゴリズムは、過学習を防ぎ、一般化性能を確保するため、刈り込みを伴うグリーディでボトムアップのツリー構築戦略を採用する。
• オープンソースのPython実装は、大規模データセットにおけるスケーラビリティを向上させるために並列処理とウォームスタートをサポートする。
• 理論的分析により、やや厳しい条件下でも、アルゴリズムの漸近的計算複雑度が木の深さに対して線形であることが示され、大規模データへの対応可能性が裏付けられる。

実験結果

リサーチクエスチョン

• RQ1 統合的市場セグメンテーションと応答モデリングフレームワークは、従来の2段階のクラスタリング・応答モデリング手法に比べ、予測精度において優れているか？
• RQ2 意思決定木に基づくセグメンテーションは、セグメント数を削減しつつ、どの程度解釈可能性を向上させることができるか？
• RQ3 CMTsとIRTsの性能は、選択モデルと入札市場予測の分野で、最先端のベンチマークと比較してどの程度優れているか？
• RQ4 本手法は、大規模な実世界データセットに対しても、計算の tractability を維持したまま効果的にスケーリングできるか？
• RQ5 IRTsにおける等方的回帰の使用は、入札市場予測において、ロジスティック回帰などのパrametric代替手法に比べ、より優れた予測性能をもたらすか？

主な発見

• 等方的回帰ツリー（IRT）モデルは、3つの広告交換所において、全体の平均二乗誤差（MSE）で5–29%、AUCで2–14%の改善を、DSPのベースライン手法に対して達成した。
• IRTsは、等方的回帰ベンチマーク（IR）に対してMSEで7–13%、AUCで7–15%の改善を示し、IRKMよりもMSEで1–7%、AUCで0.6–5%の改善を示した。これは、教師ありセグメンテーションの価値を示している。
• わずか10の市場セグメントで、IRTsは最大1,000セグメントを用いたIRKMモデルと同等またはそれ以上の性能を達成した。これは、本手法のセグメント数に対する効率性を示している。
• CMTsは、合成データおよび実世界データセットにおいて、モデルの誤設定を克服し、過学習に対して頑健であることを示しながら、正確な市場セグメンテーションを安定して特定した。
• スイスメトロデータセットでは、CMTsは一般的な手法および最先端の手法と比較して優れた予測性能を示したとともに、人間が読めるユーザーのセグメンテーション定義を提供した。
• オープンソースのMST実装は、大規模データセットにおいて計算の tractability を示した。やや厳しい条件下でも、漸近的複雑度は木の深さに対して線形であることが示された。