Consumer Behavior Modeling with Big Data for Marketing Resource Allocation

• Project/Area Number: 17K03988
• Research Category: Grant-in-Aid for Scientific Research (C)
• Allocation Type: Multi-year Fund
• Section: 一般
• Research Field: Commerce
• Research Institution: Tohoku University
• Principal Investigator: ISHIGAKI Tsukasa 東北大学, 経済学研究科, 准教授 (20469597)
• Project Period (FY): 2017-04-01 – 2020-03-31
• Project Status: Completed (Fiscal Year 2019)
• Budget Amount: ¥3,120,000 (Direct Cost: ¥2,400,000、Indirect Cost: ¥720,000); Fiscal Year 2019: ¥650,000 (Direct Cost: ¥500,000、Indirect Cost: ¥150,000); Fiscal Year 2018: ¥650,000 (Direct Cost: ¥500,000、Indirect Cost: ¥150,000); Fiscal Year 2017: ¥1,820,000 (Direct Cost: ¥1,400,000、Indirect Cost: ¥420,000)
• Keywords: マーケティング / ビッグデータ活用 / ベイズモデリング / 推薦システム / ビッグデータ / 消費者行動モデリング / ベイズモデル / データベースマーケティング / 機械学習 / 階層ベイズモデル / パーソナライゼーション / マーケティング・オートメーション / 階層ベイズモデリング

Outline of Final Research Achievements

In this study, we conducted a consumer behavior modeling with big data to optimize marketing resource allocation. The results are summarized in three parts. 1. A consumer behavior model with big data has been developed. 2. We have organized types of issues that are solved to optimize the marketing resource allocation using the model. 3. We have developed recommender systems using big data.

Academic Significance and Societal Importance of the Research Achievements

学術的意義：大規模な潜在変数を採用したマーケティングモデルを開発・進展させた。そこでは、機械学習法とマーケティングモデルをベイズモデリングにより統合した確率的生成モデルを開発し、実データでの実証を行った。
社会的意義：マーケティング資源配分の最適化を議論した。加えて、推薦システムへの応用を行った。そこでは、推薦精度のみではなく、推薦の新規性やありきたりな推薦を行わないため新しい手法を開発した。

Research Products

• [Journal Article] D2D-TM: A Cycle VAE-GAN for Multi-Domain Collaborative Filtering (2019)
  • Author(s): L. Nguyen, T. Ishigaki
  • Journal Title: Proceedings of the 2019 IEEE International Conference on Big Data Volume: 1 Pages: 1175-1180
  • DOI: 10.1109/bigdata47090.2019.9006461
  • Peer Reviewed
• [Journal Article] Matching Novelty while Training: Novel Recommendation based on Personalized Pairwise Loss Weighting (2019)
  • Author(s): K. Lo, T. Ishigaki
  • Journal Title: Proceedings of the 2019 IEEE International Conference on Data Mining Volume: 1 Pages: 468-477
  • DOI: 10.1109/icdm.2019.00057
  • Peer Reviewed
• [Journal Article] Collaborative Multi-key Learning with an Anonymization Dataset for a Recommender System (2019)
  • Author(s): L. Nguyen, T. Ishigaki
  • Journal Title: Proceedings of the 2019 International Joint Conference on Neural Networks Volume: 1 Pages: 1-9
  • DOI: 10.1109/ijcnn.2019.8852157
  • Peer Reviewed
• [Journal Article] Personalized Market Response Analysis for a Wide Variety of Products from Sparse Transaction Data (2018)
  • Author(s): T. Ishigaki, N. Terui, T. Sato and G.M. Allenby
  • Journal Title: International Journal of Data Science and Analytics Volume: 5-4 Issue: 4 Pages: 233-248
  • DOI: 10.1007/s41060-018-0099-9
  • Peer Reviewed / Open Access / Int'l Joint Research
• [Journal Article] Domain-to-Domain Translation Model for Recommender System (2018)
  • Author(s): L. Nguyen, T. Ishigaki
  • Journal Title: arXiv Volume: 1812.06229 Pages: 1-8
  • Open Access
• [Presentation] Customer Data Analysis on Graph Signal Processing (2019)
  • Author(s): T. Ishigaki
  • Organizer: International Workshop on Marketing and Data Science
  • Int'l Joint Research
• [Presentation] レビューデータを用いたトピックモデルによる利用ホテル・利用場面・評判要因の同時分析 (2019)
  • Author(s): 酒井洋輔、五十嵐未来、石垣司
  • Organizer: 日本マーケティング・サイエンス学会、マーケティングの統計的モデリング研究部会