[论文解读] Coarse Personalization

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

Consumer Market Behavior and Pricing被引用 4

一句话总结

本文提出了一种两步走的“先个性化后离散化”框架，用于粗粒度个性化，先通过异质处理效应估计，再利用最优传输将个体分配至一组有限的唯一处理方案。基于一家食品配送平台的真实场实验数据，该方法在仅提供五种不同处理方案的情况下，恢复了超过99.5%的完全精细化个性化所带来的利润。

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.

研究动机与目标

• 为应对尽管在精细化个性化方面取得进展，但实际中仅能提供少量独特营销处理方案的限制。
• 克服传统“先离散化后个性化”方法的低效性，这些方法基于协变量或偏好进行分组，但未优化处理分配。
• 开发一种可扩展的、利润最大化的联合方法，同时确定应提供的处理方案类型与数量，以及将客户分配至哪些处理方案。
• 提供一种实用且可实施的解决方案，平衡个性化与菜单成本、公平性及监管限制等实际可行性约束。
• 利用大型食品配送平台的真实世界场实验数据，证明该方法优于现有方法。

提出的方法

• 首先，使用机器学习方法估计每个人的条件平均处理效应（CATE），以实现完全精细化个性化作为基准。
• 其次，应用最优传输理论，将估计出的CATE连续分布映射到一组离散的唯一处理方案，以最小化分配成本并保持利润。
• 使用Wasserstein距离求解约束分配问题，确保处理方案分布与底层CATE分布高度匹配。
• 该方法联合确定处理方案的数量与类型，以及个体的最优分配，避免了顺序分组的缺陷。
• 该算法具有可扩展性和高效性，利用现有的CATE估计工具，并创新性地应用最优传输方法实现离散化。
• 该方法允许企业通过选择离散处理方案的数量，在从统一处理到完全个性化之间的正则化谱系中灵活调整。

实验结果

研究问题

• RQ1 当企业因实际约束只能提供少量独特营销处理方案时，如何最大化利润？
• RQ2 当个体间处理效应存在差异时，如何最优地将个体分配至有限数量的处理方案？
• RQ3 与传统‘先离散化后个性化’方法相比，‘先个性化后离散化’方法在利润恢复和实施效率方面表现如何？
• RQ4 最优传输在个性化营销的约束分配问题中可发挥多大作用？
• RQ5 粗粒度个性化能否在极少处理方案种类下实现接近最优的利润？若能，需要多少种处理方案？

主要发现

• 所提方法在仅提供五种独特处理方案的情况下，恢复了超过99.5%的完全精细化个性化所带来的预期增量利润。
• 该方法优于传统方法，包括基于消费者特征或偏好的分组方法，以及在预设处理方案网格中搜索的方法。
• 基于最优传输的离散化步骤能有效将连续的CATE估计映射为离散处理方案，利润准确性损失极小。
• 该方法既可扩展又易于实施，适用于营销及其他实际场景的部署。
• 该框架使企业能够在菜单成本、公平性及监管合规等可行性约束下，平衡个性化程度。
• 该方法提供了一种正则化的个性化形式，管理者可通过选择离散处理方案的数量，明确控制个性化粒度。