[論文レビュー] Coarse Personalization

Walter W. Zhang, Sanjog Misra|arXiv (Cornell University)|Apr 12, 2022

Consumer Market Behavior and Pricing被引用数 4

ひとこと要約

本稿では、異種処置効果推定と最適輸送を組み合わせることで、少量の固有の処置に個々の個人を割り当てる二段階の「パーソナライズしてから離散化する」フレームワークを、粗いパーソナライズのために提案する。食料品配達プラットフォームの現地実験データを用いて、完全に細分化されたパーソナライズの利益の99.5％以上を回復させながら、たった5つの異なる処置のみを提供している。

ABSTRACT

With advances in estimating heterogeneous treatment effects, firms can personalize and target individuals at a granular level. However, feasibility constraints limit full personalization. In practice, firms choose segments of individuals and assign a treatment to each segment to maximize profits: We call this the coarse personalization problem. We propose a two-step solution that simultaneously makes segmentation and targeting decisions. First, the firm personalizes by estimating conditional average treatment effects. Second, the firm discretizes using treatment effects to choose which treatments to offer and their segments. We show that a combination of available machine learning tools for estimating heterogeneous treatment effects and a novel application of optimal transport methods provides a viable and efficient solution. With data from a large-scale field experiment in promotions management, we find our methodology outperforms extant approaches that segment on consumer characteristics, consumer preferences, or those that only search over a prespecified grid. Using our procedure, the firm recoups over $99.5\%$ of its expected incremental profits under full personalization while offering only five segments. We conclude by discussing how coarse personalization arises in other domains.

研究の動機と目的

• 完全に細分化されたパーソナライズの進展にもかかわらず、実務上の制約により少量の固有のマーケティング処置しか提供できないという実用的制限に対処すること。
• 従来の「離散化してからパーソナライズする」アプローチの非効率性を克服すること。このアプローチは、共変量や好みに基づいてセグメンテーションを行うが、処置割り当てを最適化しない。
• 提供する処置の種類とそれらに割り当てる顧客を同時に決定する、スケーラブルで利益最大化の手法を開発すること。
• メニュー費用、公平性、規制制限などの実務的制約を考慮した、実装可能で実用的なソリューションを提供すること。
• 大手食料品配達プラットフォームの実世界の現地実験データを用いて、本手法が従来の手法を上回ることを示すこと。

提案手法

• 機械学習手法を用いて、各個人の条件付き平均処置効果（CATE）を推定し、完全に細分化されたパーソナライズをベンチマークとして提供する。
• 最適輸送理論を適用して、連続的なCATE推定値の分布を離散的な固有の処置集合へマッピングし、割り当てコストを最小限に抑えながら利益を保持する。
• 制約付き割り当て問題を解くためにウォッサーシュタイン距離を用い、処置分布が元のCATE分布にできるだけ近づくように保証する。
• 本手法は、処置の数と種類、およびそれらに個々の個人を最適に割り当てる方法を同時に決定するため、段階的なセグメンテーションを回避する。
• アルゴリズムはスケーラブルで効率的であり、CATE推定に既存のツールを活用し、離散化に新たな最適輸送の応用を組み込む。
• 処置の数を調整することで、均一な処置から完全なパーソナライズまでの正則化スペクトルを企業が制御可能になる。

実験結果

リサーチクエスチョン

• RQ1 実務上の制約により少量の固有のマーケティング処置しか提供できない場合、企業はどのように利益を最大化できるか？
• RQ2 処置効果が個人ごとに異なる場合、制限された数の処置に個人を最適に割り当てる方法は何か？
• RQ3 「パーソナライズしてから離散化する」アプローチは、従来の「離散化してからパーソナライズする」手法と比較して、利益回復率と実装効率の面でどのように異なるか？
• RQ4 最適輸送は、パーソナライズドマーケティングにおける制約付き割り当て問題をどれほど効果的に解けるか？
• RQ5 粗いパーソナライズは最小限の処置多様性でほぼ最適な利益を達成できるか？その場合、必要な処置の数はどれくらいか？

主な発見

• 提案手法は、たった5つの固有の処置を提供するだけで、完全に細分化されたパーソナライズによる期待される追加利益の99.5％以上を回復している。
• 消費者の特徴や好みに基づいてセグメンテーションを行う従来の手法や、事前に指定されたグリッド上で探索を行う手法よりも、本手法は優れている。
• 最適輸送に基づく離散化ステップは、利益の正確性を最小限に損なう形で、連続的なCATE推定値を離散的処置に効果的にマッピングしている。
• 本手法はスケーラブルで実装が容易であり、マーケティングをはじめとする実世界の展開に実用的である。
• フレームワークにより、企業はメニュー費用、公平性、規制遵守といった実務的制約とパーソナライズのバランスを取ることができる。
• 本手法は正則化された形のパーソナライズを提供し、処置の数を調整することで、マネージャーが明示的に粒度のレベルを制御できる。