research topic

 

Research

-Personalized choice model for forecasting demand under pricing scenarios with observational data—The case of attended home delivery

1. **Introduction of Personalized Choice Models**: The study introduces a method to personalize choice models by incorporating causal variables, such as price, using rich observational data. This approach aims to provide interpretable customer- and context-specific preferences and price sensitivity, enabling more accurate predictions of individual choice probabilities in different scenarios
1. **개인화된 선택 모델의 도입**: 본 연구에서는 풍부한 관찰 데이터를 활용하여 가격 등 인과변수를 통합하여 선택 모델을 개인화하는 방법을 소개합니다. 이 접근 방식은 해석 가능한 고객 및 상황별 선호도와 가격 민감도를 제공하여 다양한 시나리오에서 개인 선택 확률을 보다 정확하게 예측할 수 있도록 하는 것을 목표로 합니다.


. 2. **Caution Against Naïve Regularization**: The research cautions against the naïve use of regularization to address the high-dimensional observational data challenge in personalized choice modeling. Instead, it advocates for an estimation procedure that employs orthogonalization to ensure accurate predictions and avoid erroneous conclusions, particularly regarding price sensitivity and demand forecasting.
2. **순진한 정규화에 대한 주의**: 연구에서는 개인화된 선택 모델링에서 고차원 관찰 데이터 문제를 해결하기 위해 정규화를 순진하게 사용하는 것에 대해 경고합니다. 대신, 특히 가격 민감도 및 수요 예측과 관련하여 정확한 예측을 보장하고 잘못된 결론을 피하기 위해 직교화를 사용하는 추정 절차를 옹호합니다.


3. **Impact on Forecasting Accuracy**: Experimenting with the attended home delivery (AHD) slot choice problem using data from a European online retailer, the study finds that while non-personalized models like the multinomial logit (MNL) model perform well at the aggregate level, personalized models significantly improve accuracy at the individual-context level. Furthermore, the proposed method outperforms naïve approaches using regularization, which may inaccurately predict choice probabilities in response to price changes, making it unsuitable for demand forecasting with pricing scenarios. Additionally, the introduction of features based on potential consideration sets enhances accuracy and allows for more realistic substitution patterns than traditional models like MNL.
3. **예측 정확도에 대한 영향**: 유럽 온라인 소매업체의 데이터를 사용하여 AHD(Atent Home Delivery) 슬롯 선택 문제를 실험한 결과, 연구에서는 다항 로짓(MNL) 모델과 같은 비개인화 모델이 잘 수행되는 것으로 나타났습니다. 집계 수준에서 개인화된 모델은 개별 상황 수준의 정확성을 크게 향상시킵니다. 또한 제안된 방법은 가격 변화에 대한 선택 확률을 부정확하게 예측할 수 있는 정규화를 사용하는 순진한 접근 방식보다 성능이 뛰어나 가격 책정 시나리오를 통한 수요 예측에 적합하지 않습니다. 또한 잠재적 고려 사항 집합을 기반으로 한 기능을 도입하면 정확도가 향상되고 MNL과 같은 기존 모델보다 더 현실적인 대체 패턴이 가능해집니다.

 

Our work is related to several lines of research. First, we start by reviewing the most commonly used choice model, i.e., the MNL. Second, we summarize the work regarding the personalization of choice models. Third, we deep-dive into the confounding issue and approaches to tackle it. Finally, because our work is instantiated in AHD, we review choice models in this retail context.

Empirical setting Before introducing the proposed method, let us describe the empirical setting that motivated our research and which is used in our empirical evaluation.

We work with the delivery slot choice data from a large European grocery chain, where the customers can shop online and choose an attended delivery slot to receive their groceries after finalizing their shopping basket. For every order, a customer can choose from a maximum of 53 possible delivery slots: four slots on the day of the order and


Method Our proposed method combines data-driven and theory-driven approaches to achieve high accuracy for choice prediction and meaningful causal estimates (price sensitivity and substitution behavior among alternatives). The method uses typical high-dimensional data available in e-commerce applications. These data include static and dynamic descriptors of the customer behavior, the context, and the alternative, including the price (that we assume, without loss of generality, as the causal variable),

방법 우리가 제안한 방법은 데이터 기반 접근 방식과 이론 기반 접근 방식을 결합하여 선택 예측과 의미 있는 인과 추정(대안 간 가격 민감도 및 대체 행동)에 대한 높은 정확도를 달성합니다. 이 방법은 전자상거래 애플리케이션에서 사용할 수 있는 일반적인 고차원 데이터를 사용합니다. 이러한 데이터에는 고객 행동, 상황 및 가격(일반성을 잃지 않고 원인 변수로 가정함)을 포함한 대안에 대한 정적 및 동적 설명이 포함됩니다.

 

Multinomial logistic regression
1. **Multinomial Logistic Regression**: Multinomial logistic regression is a statistical classification method that extends logistic regression to handle multiclass problems, where there are more than two possible discrete outcomes. It predicts the probabilities of each possible outcome of a categorically distributed dependent variable based on a set of independent variables, which can be real-valued, binary-valued, or categorical-valued.

1. **다항 로지스틱 회귀**: 다항 로지스틱 회귀는 로지스틱 회귀를 확장하여 두 개 이상의 가능한 이산 결과가 있는 다중 클래스 문제를 처리하는 통계 분류 방법입니다. 이는 실수 값, 이진 값 또는 범주형 값일 수 있는 독립 변수 세트를 기반으로 범주형으로 분포된 종속 변수의 가능한 각 결과의 확률을 예측합니다.

2. **Alternative Names and Applications**: Multinomial logistic regression is also known by various other names, including polytomous LR, multiclass LR, softmax regression, multinomial logit (mlogit), the maximum entropy (MaxEnt) classifier, and the conditional maximum entropy model. It finds applications in various fields, including machine learning, social sciences, and economics, where there is a need to classify data into multiple categories or classes.

2. **대체 이름 및 응용**: 다항 로지스틱 회귀는 다항식 LR, 멀티클래스 LR, 소프트맥스 회귀, 다항 로짓(mlogit), 최대 엔트로피(MaxEnt) 분류기 및 조건부 최대값을 비롯한 다양한 다른 이름으로도 알려져 있습니다. 엔트로피 모델. 데이터를 여러 범주 또는 클래스로 분류해야 하는 기계 학습, 사회 과학, 경제 등 다양한 분야에서 응용 프로그램을 찾습니다.


다항 로지스틱 회귀분석은 결과가 2개 이상인 범주형 종속변수와 독립변수 세트가 있는 다양한 상황에서 유용한 도구입니다. 다항 로지스틱 회귀를 적용할 수 있는 몇 가지 일반적인 시나리오는 다음과 같습니다.


1. **시장 조사 및 소비자 행동**: 다항 로지스틱 회귀 분석을 사용하여 시장 조사에서 소비자 선호도와 행동을 분석할 수 있습니다. 예를 들어 설문 조사나 실험 환경에서 여러 브랜드나 제품 중에서 개인의 선택에 어떤 요인이 영향을 미치는지 이해하려고 할 수 있습니다.

Multinomial logistic regression is a useful tool in various situations where you have categorical dependent variables with more than two outcomes and a set of independent variables. Here are some common scenarios where multinomial logistic regression can be applied:


1. **Market Research and Consumer Behavior**: Multinomial logistic regression can be used to analyze consumer preferences and behavior in market research. For example, you might want to understand which factors influence individuals' choices among multiple brands or products in a survey or experimental setting.

 

 

 

 

- Dynamic Price Personalization: Predicting the Optimum Price to Maximize Revenue

Publisher Information : IEEE

(Institute of Electrical and Electronics Engineers)

 

1. **Introduction of Personalized Pricing**: The research addresses the gap in personalization within retail marketing by focusing on pricing, an often overlooked aspect. While retailers have been adept at tailoring product proposals and advertisements to consumer needs, personalizing prices based on individual preferences and behaviors has been lacking. Recognizing the importance of price personalization, the study aims to design a framework for optimizing pricing strategies to better capture consumer demand at the right times. 2.

**Methodology Overview**: The research employs a sophisticated approach, utilizing a joint model of store visit and product purchase for all customers within a nested logit model with a hierarchical Bayesian framework. This approach allows for the estimation of individual optimum prices dynamically. Leveraging scanner panel data from retail stores in Tokyo over a specific period, the study estimates the optimum price for a ketchup product simultaneously for 569 customers using the Markov Chain Monte Carlo (MCMC) Metropolis-Hastings algorithm. 3.

**Outcome and Implications**: The results of the study demonstrate the effectiveness of personalized pricing, showcasing an approximately 8.6% increase in revenue compared to actual pricing methods. By simulating personalized optimum prices based on individual consumer data, the research highlights the potential for significant revenue enhancement. Additionally, the study emphasizes the importance of leveraging Big Data in marketing, showcasing personalized pricing as an efficient utilization of resources and a valuable strategy for maximizing profitability in retail settings.

 

 

 

Metropolis-hastings

 

1. **Metropolis-Hastings Algorithm Overview**: The Metropolis-Hastings algorithm is a type of Markov chain Monte Carlo (MCMC) method used in statistics and statistical physics. Its primary purpose is to generate a sequence of random samples from a probability distribution that is challenging to sample from directly. These samples can then be utilized to approximate the distribution or compute integrals, such as expected values, where direct sampling is difficult.

1. **Metropolis-Hastings 알고리즘 개요**: Metropolis-Hastings 알고리즘은 통계 및 통계 물리학에서 사용되는 MCMC(Markov Chain Monte Carlo) 방법의 한 유형입니다. 주요 목적은 직접 샘플링하기 어려운 확률 분포에서 일련의 무작위 샘플을 생성하는 것입니다. 그런 다음 이러한 샘플을 활용하여 직접 샘플링이 어려운 분포를 근사화하거나 기대값과 같은 적분을 계산할 수 있습니다.

2. **Applicability to High-Dimensional Distributions**: Metropolis-Hastings and other MCMC algorithms are particularly useful for sampling from multi-dimensional distributions, especially when the number of dimensions is high. In scenarios where direct sampling methods struggle due to the complexity of the distribution, MCMC methods offer an effective approach to obtain representative samples.

2. **고차원 분포에 대한 적용 가능성**: Metropolis-Hastings 및 기타 MCMC 알고리즘은 특히 차원 수가 많은 경우 다차원 분포에서 샘플링하는 데 유용합니다. 분포의 복잡성으로 인해 직접 샘플링 방법이 어려운 시나리오에서 MCMC 방법은 대표 샘플을 얻기 위한 효과적인 접근 방식을 제공합니다.

3. **Considerations for Single-Dimensional Distributions**: While MCMC methods like Metropolis-Hastings excel in sampling from high-dimensional distributions, they may not be the most efficient choice for single-dimensional distributions. In such cases, alternative methods like adaptive rejection sampling may be more suitable, as they can directly return independent samples from the distribution without the issue of autocorrelated samples inherent in MCMC methods.

3. **1차원 분포에 대한 고려 사항**: Metropolis-Hastings와 같은 MCMC 방법은 고차원 분포에서 샘플링하는 데 탁월하지만 1차원 분포에서는 가장 효율적인 선택이 아닐 수 있습니다. 이러한 경우 적응형 거부 샘플링과 같은 대체 방법이 더 적합할 수 있습니다. MCMC 방법에 내재된 자기상관 샘플 문제 없이 분포에서 독립 샘플을 직접 반환할 수 있기 때문입니다.

전자상거래 소비자보호

알고리즘으로 가격 차별…‘다이나믹 프라이싱’ 논란
정준휘 기자
2022-10-06 08:37

 

다이나믹 프라이싱 dynamic pricing 가변가격제

유동적인 가격을 측정하는 가격차별화 전략

알고리즘으로 고객 분석, 분류하여 개인마다 거래조건을 달리하게됨

장점  - 수익극대화

단점 - 알고리즘 가격 차별 -> 소비자의 인지된 배신감에 미치는 영향

대안 - 1개 상품에 대한 가격 변동 X --> upselling 가능한 고객 패키지 상품 제안

 

머신러닝을 통한 가격차별 및 가격담합에 대한 법적 증거

 

[알고리즘 활용하여 가격 측정 사례]

- 네덜란드 주유소 : 방문 시간대에 따라 지불의사를 파악하여 가격 조정

- 우버 : 휴대폰 잔량 배터리에 따라  - 휴대폰이 절전 모드로 전환될 경우 추가 요금 청구

 

서비스 가치는 주관적…'가격 차별화' 필요하다
입력2012.09.06 15:31 수정2012.09.06 15:31

 

- 미국 메이저리그 날씨, 계절에 따라 입장권 다르게 책정 (시즌 ,비시즌)

 

 

research topic

 

Supply Chain Disruptions:

Cybersecurity Threats

Competition and market saturation

customer experience and retention

regulatory compliance

 

 

5  strategies for customer experience and retention in e-commerce

Personalization: Implement personalized recommendations, product suggestions, and targeted marketing campaigns based on customer preferences, browsing history, and purchase behavior. Utilize data analytics and AI algorithms to segment customers effectively and deliver tailored experiences across multiple touchpoints, such as email, website, and mobile app.

 

Streamlined User Experience: Optimize your e-commerce platform for ease of use and seamless navigation. Ensure that the website or app is mobile-friendly, with fast loading times and intuitive design. Simplify the checkout process, minimize friction points, and offer multiple payment options to enhance convenience for customers. Regularly gather feedback and conduct usability testing to identify areas for improvement.

Exceptional Customer Service:

 

Loyalty Programs and Incentives

 

Post-Purchase Engagement

 

 

top 5 marketing research on personaliztion

"The Power of Personalization: How Brands Are Using Data to Win Customer Loyalty" (Evergage, 2021):

 

"The Personalization Pulse Check" (Accenture Interactive, 2020):

 

"The State of Personalization Report" (Segment, 2020):

 

"Personalization at Scale" (McKinsey & Company, 2019):

 

"The ROI of Personalization" (Forrester Consulting, 2018):

 

 

Personalization - Using basic demographic information, such as a person's name or location

To customize an experience

 

Recommend products Using a customer's browsing history

 

Hyper-personalization 

 : multiple data points such as demographics, purchase history, and behavior patterns when delivering content or services.

Including things like browsing history, purchase history, social media activity, and even biometric data.

 

 

leverage hyper personalizing for business growth?

- reinvent experience

engaged customers in the personalized moment

real-time customer segmentation

behavioral recommendations and omnichannel optimization

make real-time adjustments based on a customer's current interactions and behavior

 

 

-Amplify revenue

detailed product targeting with predictive intelligence

individualized or dynamic offerings

real-time promotions and offers

 

-Optimize Cost

Serve better to cost-sensitive customers

optimize marketing campaigns cost with data-driven customer intelligence

decrease customer acquisition and retention costs

Enhance productivity and reduce resource cost

 

 

 

article :  https://pimcore.com/en/how-hyper-personalization-can-crack-the-code-for-meaningful-cx

 

2024년 국내 기업순위

 

@기업평판연구소

 

한국기업평판연구소 

브랜드 평판지수 : 브랜드 빅데이터 추출, 소비자 행동분석, 참여가치/소통가치/미디어가치/소셜가치/사회가치로 분류하여 가중치를 두어 계산한 지표