一种基于可解释机器学习分析客户在线数据以识别产品属性重要性的方法
机器学习
2024-02-12 v1 计算机科学与博弈论
摘要
在线客户数据为产品设计和营销研究提供了有价值的信息，因为它可以揭示客户的偏好。然而，由于潜在的隐藏模式，使用人工智能（AI）分析这些数据以进行数据驱动设计是一项具有挑战性的任务。此外，在这些研究领域，大多数研究仅局限于发现客户需求。在本研究中，我们提出了一种博弈论机器学习（ML）方法，为产品开发提取全面的设计启示。该方法首先使用遗传算法根据在线评分选择、排序和组合能够最大化客户满意度的产品特征。然后，我们使用 SHAP（SHapley Additive exPlanations），一种博弈论方法，根据每个特征对预测的贡献为其分配一个值，为评估每个特征对总体满意度的重要性提供指导。我们将该方法应用于来自 Kaggle 的真实世界笔记本电脑数据集，并根据结果得出设计启示。我们的方法解决了多准则决策领域的一个主要挑战，可以帮助产品设计师和营销人员以更少的数据和精力更好地了解客户偏好。所提方法在相关性能指标上优于基准方法。
引用
@article{arxiv.2402.05949,
title = {An explainable machine learning-based approach for analyzing customers' online data to identify the importance of product attributes},
author = {Aigin Karimzadeh and Amir Zakery and Mohammadreza Mohammadi and Ali Yavari},
journal= {arXiv preprint arXiv:2402.05949},
year = {2024}
}