Jan, 2024
大规模转化漏斗优化的无模型近似贝叶斯学习
Model-Free Approximate Bayesian Learning for Large-Scale Conversion
Funnel Optimization
TL;DR选择广告行为作为消费者状态的函数的灵活性对于现代营销活动至关重要。我们研究了识别最优顺序个性化干预以最大化新产品的采用概率的问题，并通过转化漏斗模型捕捉了消费者行为，以及它们的状态和企业的顺序干预之间的关系。我们提出了一种新颖的基于归因的决策算法，名为模型无关的近似贝叶斯学习，它通过与消费者互动来维护每个状态特定干预的近似信念，并证明了我们算法的渐进最优性和收敛速度。我们展示了在校准到真实世界的电子邮件营销数据集的大规模模拟中，我们的算法显著优于传统方法。