DPM：面向大规模直复营销的状态空间模型
应用统计
2015-07-07 v1
摘要
我们提出了一种新的统计模型，以应对直复营销中的三个挑战：使用哪个渠道、提供何种优惠以及何时提供。该模型有多种潜在应用，例如制定个性化营销策略和监控会员需求。此外，该模型的结果可以补充并与其他现有模型相集成。所提出的模型名为 Dynamic Propensity Model，是一个利用客户营销历史和购买历史的潜变量时间序列模型。模型中的潜变量代表客户购买产品的倾向。该倾向源于购买行为和其他可观测响应。营销触达会提高会员的倾向，而倾向得分则受数据驱动参数控制随时间衰减和传播。为了估计模型参数，我们开发了一种新的统计方法。该方法将粒子方法与随机梯度下降方法相结合，即使面对大数据集也能快速估计模型系数。该模型使用美国最大型保险公司之一的六个月营销记录进行了验证。实验结果表明，营销触达的效果因渠道和产品而异。我们将所提模型的预测性能与滞后变量 logistic 回归进行了比较。此外，还讨论了所提算法的局限性与扩展方向。
引用
@article{arxiv.1507.01135,
title = {DPM: A State Space Model for Large-Scale Direct Marketing},
author = {Yubin Park and Rajiv Khanna and Joydeep Ghosh and Daniel Mihalko},
journal= {arXiv preprint arXiv:1507.01135},
year = {2015}
}