基于实时3D感知和贝叶斯收益估计的个性化产品组合
机器学习
2024-06-14 v2 数据库
摘要
产品组合选择是面向实体零售商的关键挑战。有效地将库存与购物者偏好一致可以增加销售额并减少缺货。然而，在现实环境中，这一问题因产品组合可能性的组合爆炸而具有挑战性。消费者偏好在空间和时间上通常是异质的，这使得库存-偏好匹配具有挑战性。此外，现有策略依赖于 syndicated 数据，这类数据倾向于被聚合、分辨率低且存在高延迟。为解决这些挑战，我们引入了一个实时推荐系统，称为 EdgeRec3D。该系统利用最近在3D计算机视觉方面的进展进行感知和自动、细粒度的销售估计。这些感知组件在网络边缘运行，促进实时奖励信号的产生。此外，我们开发了一个贝叶斯收益模型来account for 3D LIDAR 数据中的噪声估计。我们依赖于空间聚类来使系统适应消费者偏好的异质性，并使用基于图的候选生成算法来解决组合搜索问题。我们在两个6-8周的实际商店A/B测试中对饮料产品进行测试，分别实现了35%和27%的销售额增加。最后，我们在观察性研究中监控部署了28周，显示销售额增加了9.4%。
引用
@article{arxiv.2406.07769,
title = {Personalized Product Assortment with Real-time 3D Perception and Bayesian Payoff Estimation},
author = {Porter Jenkins and Michael Selander and J. Stockton Jenkins and Andrew Merrill and Kyle Armstrong},
journal= {arXiv preprint arXiv:2406.07769},
year = {2024}
}
备注
Accepted to KDD 2024