[논문 리뷰] Analyzing and Modeling Special Offer Campaigns in Location-based Social Networks

Ke Zhang, Konstantinos Pelechrinis외 1명|arXiv (Cornell University)|2015. 04. 09.

Consumer Market Behavior and Pricing참고 문헌 23인용 수 6

한 줄 요약

이 연구는 약 1,400만 개의 장소를 포함하는 대규모 Foursquare 데이터셋을 사용하여 위치 기반 소셜 네트워크에서 특별 할인 캠페인의 효과를 분석한다. 랜덤화와 블록 부트스트래핑을 적용한 결과, 프 motion이 없는 장소와 비교해 할인 캠페인을 진행한 장소의 체크인 증가율은 유의미하게 높지 않으며, 이는 비록 일각에서 성공 사례가 언급되지만 실제 영향은 제한적임을 시사한다. 또한 장소, 프로모션, 지리적 특성 정보를 활용해 캠페인 성공 여부를 예측하는 분류기 모델을 개발하여 83%의 정확도와 0.88 AUC를 달성했다.

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.

연구 동기 및 목표

• 위치 기반 소셜 네트워크에서 특별 할인 캠페인의 실제 효과를 대규모로 평가하는 것.
• 이러한 프로모션으로 인해 프로모션을 진행하지 않는 장소와 비교해 장소의 체크인 수가 유의미하게 증가하는지 확인하는 것.
• 장소, 프로모션, 지리적 특성 정보를 활용해 캠페인 성공 여부를 예측할 수 있는 핵심 특징을 규명하는 것.
• 단기 및 장기적으로 캠페인 성공 가능성의 정도를 추정할 수 있는 기계학습 분류기 개발

제안 방법

• 공개 장소 API를 사용해 약 1,400만 개의 Foursquare 장소에서 7개월 간의 일일 시계열 데이터를 수집했다.
• 체크인 증가 확률의 기준선을 설정하기 위해 프로모션 없이 매칭된 참조 장소를 랜덤화하여 생성했다.
• 블록 크기 = 2로 설정한 블록 부트스트래핑을 활용한 비모수적 가설 검정을 통해 체크인 변화의 통계적 유의성을 평가했다.
• 장소 관련(예: 카테고리, 인기), 프로모션 관련(예: 할인 유형, 지속 기간), 지리적(예: 경쟁 업체와의 거리)의 세 가지 유형의 특징을 추출했다.
• 이러한 특징을 기반으로 로지스틱 회귀 및 기타 분류기 모델을 훈련시켜 캠페인 성공 여부를 예측했다.
• 통계적 부트스트래핑을 사용해 신뢰구간을 추정하고, 파rametric 가정에 대한 의존도를 줄였다.

실험 결과

연구 질문

• RQ1 위치 기반 소셜 네트워크에서 특별 할인을 제공하는 것이 프로모션을 진행하지 않는 장소와 비교해 장소의 체크인 빈도를 유의미하게 증가시키는가?
• RQ2 체크인 변화의 통계적 성질(예: 평균 증가율, 효과 크기)은 프로모션 장소와 비프로모션 장소 간에 어떻게 다를까?
• RQ3 장소, 프로모션, 지리적 특성 중 어느 것이 특별 할인 캠페인의 성공 여부를 가장 강하게 예측하는가?
• RQ4 이러한 특징을 기반으로 훈련된 기계학습 모델이 캠페인의 성공 여부를 체크인 증가를 유도하는 데 신뢰성 있게 예측할 수 있는가?

주요 결과

• 프로모션을 제공하는 장소의 체크인 증가 확률은 매칭된 비프로모션 参고 장소와 통계적으로 구별되지 않는다.
• 프로모션 장소의 일일 체크인 수에 대한 표준화된 효과 크기는 비프로모션 장소와 비교해 유의미하게 높지 않으며, 이는 실제 영향이 제한적임을 시사한다.
• 프로모션 관련 특징은 분류 성능 향상에 거의 기여하지 않으며, 이는 장소 및 지리적 특징이 성공 예측에 더 유용함을 시사한다.
• 로지스틱 회귀와 같은 단순 모델이 특징 공학을 통해 83%의 정확도와 0.88 AUC를 달성하여 강력한 예측 능력을 보였다.
• 결과는 일각에서 언급되는 성공 사례를 도전하며, LBSN 프로모션가 실제로 기준 추세를 초월해 큰 이점을 제공하지 못할 수 있음을 시사한다.
• 블록 크기 2로 설정한 블록 부트스트래핑은 체크인 데이터의 시간적 의존성을 고려해 가설 검정의 정확성을 향상시킨다.