[論文レビュー] Next Basket Prediction using Recurring Sequential Patterns

Riccardo Guidotti, Giulio Rossetti+3 more|arXiv (Cornell University)|Feb 23, 2017

Customer churn and segmentation参考文献 19被引用数 15

ひとこと要約

本稿では、共起性、順序性、周期性、再発性を一度に捉えるパラメータフリーな手法TARS（Temporal Annotated Recurring Sequences）を提案する。この手法により、顧客の購買行動における共起性、順序性、周期性、再発性を捉え、正確な次回カート予測を可能にする。TARSベースの予測器（TBP）は、最先端手法を上回り、36週間分の顧客履歴を経過した後も安定した性能を示しながら、最大20回先のカートまで予測可能である。

ABSTRACT

Nowadays, a hot challenge for supermarket chains is to offer personalized services for their customers. Next basket prediction, i.e., supplying the customer a shopping list for the next purchase according to her current needs, is one of these services. Current approaches are not capable to capture at the same time the different factors influencing the customer's decision process: co-occurrency, sequentuality, periodicity and recurrency of the purchased items. To this aim, we define a pattern Temporal Annotated Recurring Sequence (TARS) able to capture simultaneously and adaptively all these factors. We define the method to extract TARS and develop a predictor for next basket named TBP (TARS Based Predictor) that, on top of TARS, is able to to understand the level of the customer's stocks and recommend the set of most necessary items. By adopting the TBP the supermarket chains could crop tailored suggestions for each individual customer which in turn could effectively speed up their shopping sessions. A deep experimentation shows that TARS are able to explain the customer purchase behavior, and that TBP outperforms the state-of-the-art competitors.

研究の動機と目的

• 共起性、順序性、周期性、再発性を同時にモデル化できない既存の次回カート予測手法の限界を解決すること。
• 個々の顧客行動の変化に適応可能な、ユーザー中心的でパラメータフリーなアプローチを構築すること。
• 複数の将来のカートを予測可能でありながら、解釈可能で実行可能であるような予測器の開発。
• TARSおよびTBPの有効性を、複数年の期間にわたる実世界のデータセットを用いて実証し、堅牢性とスケーラビリティを示すこと。
• 個人の顧客データのみに依存するようにすることで、オンデバイスでのデプロイを可能にし、プライバシー保護とパーソナライゼーションを強化すること。

提案手法

• 共起性、順序性、周期性、再発性を統合的に表現するパターンモデルとして、Temporal Annotated Recurring Sequences（TARS）を導入する。
• 個々の顧客取引履歴からTARSを抽出するパラメータフリーなアルゴリズムを設計し、行動の進化に応じて動的に適応する。
• TARSの分析を通じて在庫レベルを推定し、次回カートに必要な最小限の商品のみを推薦するように、TARSベースの予測器（TBP）を構築する。
• 汎化性能の検証のため、leave-one-out評価戦略を採用し、購入履歴の一部を学習データとして用い、次回カートを予測する。
• 極端な予測長さやスパarsityの影響を軽減するため、F1スコアに正規化処理を適用し、公平な性能比較を保証する。
• Coop-A、Coop-C、Ta-Fengの実世界データセット（最大7年間）を活用し、多様な小売環境におけるTARSおよびTBPの抽出と検証を実施する。

実験結果

リサーチクエスチョン

• RQ1 統一されたパターンモデルとしてのTARSは、従来手法に比べ、顧客購買行動における共起性、順序性、周期性、再発性をより効果的に捉えることができるか？
• RQ2 TARSベースの予測器（TBP）は、異なる顧客プロファイルや長期的な購買履歴において、どれほど汎化性能を示すか？
• RQ3 TBPが安定的かつ正確な次回カート予測を達成するための最小限の履歴データ量はどの程度か？
• RQ4 TARSパターンは、実際の顧客の購買行動や習慣を理解するために、どれほど解釈可能で実行可能か？
• RQ5 TBPは、完全にユーザー中心的であり、オンデバイスデプロイに適した状態で、最先端手法を上回る性能を示せるか？

主な発見

• TBPは、あらゆる予測長さにおいて、常に高い正規化F1スコアを示し、すべての最先端手法を上回る。
• TBPは、顧客の購買履歴が約36週間分に達すると、安定した予測品質を示し、信頼できる予測に必要なデータ閾値が存在することを示している。
• TBPは、高精度で最大20回先のカートまで正確に予測可能であり、長期予測能力を実証している。
• TARSパターンは容易に解釈可能で読みやすく、繰り返し発生する顧客の購買行動や習慣に関する実用的で行動可能なインサイトを提供する。
• TBPは、顧客履歴のランダムな70–90％のサブセットで学習させても強固な性能を維持しており、データスパarsityや評価戦略の変化に対しても頑健であることが確認された。
• TBPの構築時間は、FPM や HRM* といった集合的アプローチに比べて顕著に短く、他の個別的手法と同等または優れているため、実世界でのデプロイに適したスケーラビリティを有している。