[论文解读] 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 6

一句话总结

本研究利用约1400万条Foursquare地点数据，分析了基于位置的社交网络（LBSN）中促销活动的有效性。通过随机化和区块自 resampling 方法，研究发现促销地点的签到增长幅度仅略高于非促销地点，表明尽管存在传闻中的成功案例，但其在现实世界中的实际影响有限。论文进一步利用地点、促销和地理特征构建分类器，预测活动成功率达83%，曲线下面积（AUC）为0.88。

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.

研究动机与目标

• 评估大规模基于位置的社交网络中促销活动在现实世界中的有效性。
• 确定此类促销是否显著提升地点签到次数，相较于未参与促销的地点。
• 利用地点、促销和地理属性，识别预测活动成功的关键特征。
• 开发机器学习分类器，以估计活动在短期和长期内成功的可能性。

提出的方法

• 使用公开的地点API，从约1400万条Foursquare地点中收集为期7个月的每日时间序列数据。
• 采用随机化方法创建未参与促销的匹配参照地点，以建立签到增长概率的基线。
• 通过区块自 resampling（区块大小=2）进行非参数假设检验，评估签到变化的统计显著性。
• 提取三类特征：地点相关（如类别、热度）、促销相关（如折扣类型、持续时间）以及地理相关（如邻近竞争对手的距离）。
• 基于这些特征训练逻辑回归及其他分类器，以预测活动成功。
• 使用统计自 resampling 方法估计置信区间，减少对参数假设的依赖。

实验结果

研究问题

• RQ1 在基于位置的社交网络中，提供特别优惠是否显著提升地点的签到率，相较于未参与促销的地点？
• RQ2 参与促销与未参与促销地点的签到变化统计特性（如平均增长、效应量）有何差异？
• RQ3 地点、促销或地理特征中，哪一类最能预测促销活动的成功？
• RQ4 基于这些特征训练的机器学习模型能否可靠预测活动是否能吸引更多签到？

主要发现

• 提供促销的地点签到增长概率与匹配的非促销参照地点在统计上无显著差异。
• 参与促销地点的日签到效应量仅略高于非促销地点，表明其实际影响有限。
• 促销相关特征对分类性能的贡献微乎其微，表明地点和地理特征对成功预测更具预测力。
• 简单模型如逻辑回归在预测活动成功方面达到83%准确率和0.88 AUC，表明特征工程具有强大预测能力。
• 研究结果挑战了传闻中的成功案例，表明LBSN促销可能并未带来超出基线趋势的实质性收益。
• 采用区块大小为2的区块自 resampling 方法，有助于考虑签到数据中的时间依赖性，提升了假设检验的稳健性。