:: ECONOMY :: RECONSTRUCTION OF CUSTOMER PREFERENCE IN DIGITAL MARKETING BASED ON KERNEL MACHINE LEARNING :: ECONOMY :: RECONSTRUCTION OF CUSTOMER PREFERENCE IN DIGITAL MARKETING BASED ON KERNEL MACHINE LEARNING
:: ECONOMY :: RECONSTRUCTION OF CUSTOMER PREFERENCE IN DIGITAL MARKETING BASED ON KERNEL MACHINE LEARNING
 
UA  RU  EN
         

Світ наукових досліджень. Випуск 27

Термін подання матеріалів

22 лютого 2024

До початку конференції залишилось днів 2



  Головна
Нові вимоги до публікацій результатів кандидатських та докторських дисертацій
Редакційна колегія. ГО «Наукова спільнота»
Договір про співробітництво з Wyzsza Szkola Zarzadzania i Administracji w Opolu
Календар конференцій
Архів
  Наукові конференції
 
 Лінки
 Форум
Наукові конференції
Наукова спільнота - інтернет конференції
Світ наукових досліджень www.economy-confer.com.ua

 Голосування 
З яких джерел Ви дізнались про нашу конференцію:

соціальні мережі;
інформування електронною поштою;
пошукові інтернет-системи (Google, Yahoo, Meta, Yandex);
інтернет-каталоги конференцій (science-community.org, konferencii.ru, vsenauki.ru, інші);
наукові підрозділи ВУЗів;
порекомендували знайомі.
з СМС повідомлення на мобільний телефон.


Результати голосувань Докладніше

 Наша кнопка
www.economy-confer.com.ua - Економічні наукові інтернет-конференції

 Лічильники
Українська рейтингова система

RECONSTRUCTION OF CUSTOMER PREFERENCE IN DIGITAL MARKETING BASED ON KERNEL MACHINE LEARNING

 
20.06.2023 10:17
Автор: Leonid Lyubchyk, Dr. Sc., Professor, National Technical University “Kharkiv Polytechnic Institute”; Galyna Grinberg, Ph.D., Associate Professor, National Technical University “Kharkiv Polytechnic Institute”; Zoia Konokhova, Ph.D., Associate Professor, National Technical University “Kharkiv Polytechnic Institute”
[1. Економічні науки;]


ORCID: 0000-0003-0237-8915 Leonid Lyubchyk


ORСID: 0000-0002-0774-5414 Galyna Grinberg


ORCID: 0000-0003-3672-4847 Zoia Konokhova



Digital marketing is the avenue of electronic communication that is used by marketers to dorse goods and services in the marketplace. Digital marketing includes a wide range of marketing tactics to promote products, services, and brands. It is crucial for businesses to modify their marketing methods in order to help businesses looking to improve their digital marketing efforts in order to customize their marketing plans. 

Companies must comprehend the variables influencing consumers' preferences and consumer behavior change toward digital channels. It is very important to identify the most influential factors, that drive consumers' preference for product characteristics and digital marketing channels. With the rapid advancement of e-commerce, knowing the consumer's propensity to purchase different products has become a significant challenge for a product manager who determines marketing strategies for a marketplace platform. Consumer preference analysis explains what aspects of a product affect and how they affect a consumer’s purchasing decision [1]. 

Consumer preference reconstruction from sales data can assist the product manager to know consumer preferences in the context of e-commerce. Recently, customer preferences are usually measured by the distribution of customer willingness to pay (WTP) [2]. We will assume that customer preferences follow some cumulative distribution function, thus, the purchasing probability of each customer is P(x)=1-F(x). When the WTP distribution is initially unknown, suitable methods of data analysis are used for its estimation. Machine Learning methods are widely used to forecast customer demand. The corresponding models mainly include customer arrival rate and distribution of customer willingness to pay (WTP). 

In this paper, we propose a method for the reconstruction of customer preference functions based on the kernel method of machine learning [3,4]. 

Each product item is characterized by a feature vector zk=(xk1,xk2, ...,xkm, pk), that includes individual indicators measured on the appropriate scales and the price  of the corresponding product item. Let us perform a preliminary data clustering by dividing the set of each product’s units for sale into a set of  clusters z∈ Ωi (z ̄i),  k=¯(1,M),  i=¯(1,n) with centers z ̄i, that combine products with similar characteristics. We will use a training dataset that includes the number of sales of a certain product on a fixed sales horizon for each cluster si, i=¯(1,n). The conditional expectation of the number of sales is defined as





where   is the customer arrival rate to the marketplace.


To build an additive model, we perform a logarithmic transformation log⁡(si )=log⁡v T+log⁡P (z ̄i).


We choose the model in the quasilinear form log⁡v T=w_0,  log⁡P (z)=φT (z)w, where, in accordance with the kernel machine learning methodology, the coordinate functions φ(z) are selected as φT (z)φ(z*)=κ(z,z*)=σ-2  exp⁡{-‖z-z* ‖}.


Then the measurement model will be presented in the form







where εn- vector characterizing measurement errors, and 1=[1 1... 1]T.


Estimates of the model parameters can be found as a solution to the regularized constrained optimization problem






Using the Lagrange function with indefinite multipliers λ




we get the solution (4) from kernel matrix Kn=[κ(z ̄i,z ̄j)]i,j=1n,n




Finally, estimates of the buyers' preference function and the intensity of their arrival are obtained in the form





The proposed methods can be used in digital marketing systems and pricing strategies to improve sales efficiency.


References


1.Mengzhuo Guo, Xiuwu Liao, Jiapeng Liu, Qingpeng Zhang. Consumer preference analysis: A data-driven multiple criteria approach integrating online information, Omega, vol. 96, 2020, 102074.


2.Yang Yang, Wan-Ling Chu, Cheng-Hung Wu. Learning customer preferences and dynamic pricing for perishable products, Computers & Industrial Engineering, vol. 171, 2022, 108440.


3.L. Lyubchyk, A. Galuza, G. Grinberg. Semi-supervised Learning to Rank with Nonlinear Preference Model, In: Shahbazova, S., Sugeno, M., Kacprzyk, J. (Eds), Recent Developments in Fuzzy Logic and Fuzzy Sets. Studies in Fuzziness and Soft Computing, vol. 391, 2020, Springer, Cham. 


4.L. Lyubchyk, G. Grinberg. Pairwise kernel-based preference learning for multiple criteria decision making, 2017 IEEE First Ukraine Conference on Electrical and Computer Engineering (UKRCON), 2017, pp. 818-821.


Creative Commons Attribution Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License

допомогаЗнайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter


 Інші наукові праці даної секції
ПОДАТКОВІ ПЕРЕВІРКИ ТА ОСОБЛИВОСТІ ЇХ ПРОВЕДЕННЯ В УМОВАХ ВОЄННОГО СТАНУ
30.05.2023 17:22
ПОПИТ НА РИНКУ ПРАЦІ ФАХІВЦІВ У СФЕРІ МАРКЕТИНГУ
22.06.2023 12:05
ЯКІСНО-ЦІНОВЕ ПОЗИЦІОНУВАННЯ ВИРОБНИКІВ В СТРУКТУРІ ЦІНОУТВОРЕННЯ НА РИНКУ ГАЗОБЕТОНУ УКРАЇНИ
20.06.2023 17:50
СИСТЕМНО-ДИНАМІЧНИЙ ПІДХІД ДО МОДЕЛЮВАННЯ МЕХАНІЗМУ ФІНАНСУВАННЯ ІННОВАЦІЙНОЇ ДІЯЛЬНОСТІ
20.06.2023 13:54
ПОТЕНЦІЙНІ МОЖЛИВОСТІ ГІДРОЛОГІЧНИХ РЕКРЕАЦІЙНИХ РЕСУРСІВ УКРАЇНИ
20.06.2023 13:08
ОСОБЛИВОСТІ РЕКРЕАЦІЙНИХ РЕСУРСІВ УКРАЇНИ
20.06.2023 13:05
ТЕНДЕНЦІЇ РОЗВИТКУ ЕКОЛОГІЧНОГО ТУРИЗМУ В СУЧАСНИХ ЕКОНОМІЧНИХ РЕАЛІЯХ
14.06.2023 15:40
ІНСТИТУЦІЙНЕ ЗАБЕЗПЕЧЕННЯ РОЗВИТКУ ЗОВНІШНЬО-ЕКОНОМІЧНОЇ ДІЯЛЬНОСТІ ПІДПРИЄМСТВ В УМОВАХ ЄВРОІНТЕГРАЦІЇ
13.06.2023 23:14
GLOBAL TRADE POLICY WITHIN RADICAL CHANGES IN THE 21ST CENTURY: POSSIBILITIES OF UKRAINE'S EUROPEAN INTEGRATION
13.06.2023 10:06
ОРГАНІЗАЦІЯ ОБЛІКУ ТА АНАЛІЗ ВИТРАТ ПЕРІОДУ МЕТАЛУРГІЙНОГО ПІДПРИЄМСТВА
10.06.2023 23:41




© 2010-2024 Всі права застережені При використанні матеріалів сайту посилання на www.economy-confer.com.ua обов’язкове!
Час: 0.168 сек. / Mysql: 1338 (0.129 сек.)