文献

J-GLOBAL ID：202102265050660080   整理番号：21A2869815

機械学習モデリングによる促進効率の微分ベンチマーキング(I):原理と統計的比較【JST・京大機械翻訳】

On the differential benchmarking of promotional efficiency with machine learning modeling (I): Principles and statistical comparison

著者 (5件)： Soguero-Ruiz Cristina (Signal Theory and Communications Department, University Rey Juan Carlos, Camino del Molino s/n, Fuenlabrada, 28943 Madrid, Spain) ,  Gimeno-Blanes Francisco-Javier (Signal Theory and Communications Department, University Miguel Hernandez, Av. Universidad s/n, Elche, 03202 Alicante, Spain) ,  Mora-Jimenez Inmaculada (Signal Theory and Communications Department, University Rey Juan Carlos, Camino del Molino s/n, Fuenlabrada, 28943 Madrid, Spain) ,  Martinez-Ruiz Maria Pilar (Commercialization and Market Research Department, University Castilla La Mancha, Av. de los Alfares, 44, 16071 Cuenca, Spain) ,  Rojo-Alvarez Jose-Luis (Signal Theory and Communications Department, University Rey Juan Carlos, Camino del Molino s/n, Fuenlabrada, 28943 Madrid, Spain)
資料名： Expert Systems with Applications  (Expert Systems with Applications)
巻： 39  号： 17  ページ： 12772-12783  発行年： 2012年 
JST資料番号： W0178A  ISSN： 0957-4174  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 販売促進は,近年多くの企業のマーケティング戦略における最重要課題となり,現在の経済状況においてさらに関連性がある。現在,一時的価格低減のような特定の販売促進活動に応じた消費者行動の評価を目的とした経験的モデルは,主に2つの理由により,この関連研究分野で注目を浴びている。(1)促進キャンペーン内部で取り込まれた異なる要素間の相互作用の複雑性は,ますます注目を集めている。および(2)販売履歴に関する電子記録の増加したアベイラビリティ。したがって,すべての利用可能な機械学習促進モデル,ならびにそれらの設計パラメータ選択の間の性能記述と比較は,機能性と有用性を維持しながら,ロバストで統計的に厳密な手順を用いて実行されるであろう。本論文では,まず,対ブートストラップ再サンプリングに基づく簡単なノンパラメトリック統計的ツールを提案し,異なる学習-サンプル促進モデル間の操作結果比較を可能にした。第二に,ブートストラップ統計的記述を用いて,促進販売モデルのより完全な効率特性化のために,平均および散乱測定に関するモデルを評価した。これらの統計的キャラクタリゼーションは,機械学習ベースのモデルにおける過度の性能評価を避けるために,実際のリスクの分布で容易に研究することを可能にする。また,統計的学習技術を用いた促進評価時の最終結果を最適化するための深さ設計パラメータ選択と共に,性能指数が最終結果に大きな影響を与えるかどうかを決定するために行った解析も提示した。性能指数の選択に関して有意差は得られず,平均絶対誤差を性能測定に対して選択した。要約として,適用した技法は,設計パラメータ選択に用いる性能指数の影響に従って,実際のデータベース(ミルクカテゴリー)に対する促進販売モデルの設計を明確にすることを可能にし,この設定における機械学習技術のロバスト性を示した。本論文で得られた結果を次に適用し,より詳細な品質分析に専念して,異なる促進行動を有する2つのカテゴリーのための実際のデータベースにおける4つのよく知られた機械学習アルゴリズムを評価するために,より詳細な品質分析に専念した。Copyright 2021 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  相互作用 ,  ブートストラップ ,  *学習 ,  消費者行動 ,  データベース ,  販売促進 ,  マーケティング ,  ノンパラメトリック法 ,  アベイラビリティ ,  ロバスト性 ,  *機械学習 ,  学習アルゴリズム
準シソーラス用語： *ベンチマーキング ,  リサンプリング , 【Automatic Indexing@JST】

著者キーワード (6件)： 推進 ,  機械学習 ,  ブートストラップ ,  価格指数 ,  マーケティング ,  信号処理

分類 (2件)： マーケティング  (KA06020W) ,  市場調査,広告  (KA06030H)

タイトルに関連する用語 (7件)： 機械学習 ,  モデリング ,  促進 ,  微分 ,  ベンチマーキング ,  原理 ,  統計