Simple Science

La science de pointe expliquée simplement

# Informatique# Apprentissage automatique

Évaluation des promotions en e-commerce : une nouvelle stratégie

Découvrez comment le Profit Incremental par Conversion transforme la mesure des promotions.

― 6 min lire


Repenser les promotionsRepenser les promotionse-commercel'efficacité des promotions.Une nouvelle façon d'évaluer
Table des matières

Les Promos, c’est un truc super important pour les sites de shopping en ligne pour attirer les clients et les faire revenir. Ils utilisent souvent des rabais et des coupons pour engager les utilisateurs. Mais ces promos, ça coûte de l'argent, et on ne le voit que quand un client achète quelque chose. Du coup, c’est galère de mesurer vraiment l’efficacité de ces promos, surtout quand certains clients n'achètent rien du tout.

Le Défi de Mesurer le Profit

Habituellement, les entreprises testent les promos en divisant les utilisateurs en deux groupes : un groupe reçoit la promo et l'autre non. C'est pour voir si la promo fait acheter plus. Mais souvent, ces promos ne marchent que pour une petite partie des clients. Les entreprises doivent découvrir quels groupes profiteront le plus d'une promo pour ne pas perdre de l’argent.

Estimer combien de profit une promo rapporte, c'est pas simple. Les méthodes actuelles demandent souvent d'utiliser plusieurs modèles pour analyser les données, ce qui complique les résultats. En plus, beaucoup de clients ne convertissent pas, ce qui fait plein de valeurs nulles dans les calculs de profit. Les entreprises ont aussi des soucis avec le bruit dans les données à cause du faible nombre d'achats comparé au nombre total de visites.

Une Nouvelle Approche : Profit Incrémental par Conversion

Pour résoudre ces problèmes, une nouvelle mesure appelée Profit Incrémental par Conversion (IPC) a été proposée. Cette mesure vise à évaluer le succès des promos de manière plus efficace. Elle utilise seulement les données des clients qui ont acheté, ce qui simplifie l'analyse. En se concentrant sur ceux qui ont vraiment converti, le processus réduit le bruit et les complications liées aux clients qui n’ont rien acheté.

L'IPC donne une idée plus claire de l’efficacité financière d’une promo en montrant combien de profit une entreprise peut attendre de chaque conversion. Cette approche nécessite moins de données et peut être estimée avec un seul modèle, ce qui rend les choses plus rapides et plus simples pour les entreprises.

L'Importance du Modèle d'Uplift

Le modèle d'uplift est une technique qui aide les entreprises à comprendre comment différentes promos influencent le comportement d'achat. En analysant les données des clients lors de tests où certains reçoivent des promos et d'autres non, les entreprises peuvent identifier qui est le plus susceptible de réagir positivement à une promo.

Au lieu de se concentrer uniquement sur les taux de conversion globaux, qui peuvent être trompeurs, le modèle d'uplift se concentre sur des groupes spécifiques de clients. Ça aide les entreprises à adapter leurs promotions à ceux qui en tireront le plus de bénéfice, améliorant ainsi leur rentabilité.

Limitations des Méthodes Traditionnelles

Beaucoup de méthodes actuelles pour évaluer les promos se concentrent sur le maximum de Conversions. Mais ça peut mener à des coûts accrus qui ne mènent pas forcément à plus de Profits. Par exemple, si les dépenses supplémentaires de la promo dépassent les revenus générés, les entreprises peuvent se retrouver avec un profit négatif.

En plus, essayer de maximiser les taux de conversion ignore souvent les nuances des différents segments de clients. Cela rend plus difficile pour les entreprises d'atteindre leurs objectifs financiers. Des modèles qui ne regardent que les profits totaux peuvent négliger des détails vitaux, comme la façon dont certaines promos résonnent avec différents clients.

Résoudre les Problèmes avec l'IPC

La méthode IPC répond à ces défis traditionnels de plusieurs manières. D’abord, elle se base sur les achats réels pour évaluer le succès d’une promo, évitant ainsi les complications liées à l'analyse des non-convertisseurs. Ça aide à simplifier les calculs et à se concentrer sur les données les plus pertinentes pour mesurer le profit.

Ensuite, elle permet aux entreprises de voir le rapport entre conversions et coûts, au lieu de se concentrer uniquement sur les profits totaux. Ça donne une compréhension plus claire de ce que valent réellement les promos en termes financiers.

Évaluer l'Efficacité de l'IPC

Pour valider la mesure IPC, les chercheurs ont utilisé des simulations synthétiques basées sur des campagnes de coupons de réduction. En créant un jeu de données fictif qui imite les scénarios réels, ils peuvent évaluer comment l'IPC performe pour prédire les augmentations de profit provenant de diverses promos.

Les résultats montrent que l'IPC peut surpasser d'autres modèles tout en nécessitant beaucoup moins de temps de calcul. Cette efficacité est particulièrement précieuse pour les entreprises qui veulent optimiser leurs campagnes sans dépenser trop de ressources en analyse de données.

Importance du Ciblage

Pour que les promos soient vraiment efficaces, il faut cibler les bons clients. Le modèle d'uplift et l'IPC ensemble améliorent la capacité à identifier les segments de clients les plus prometteurs. En faisant ça, les entreprises peuvent concentrer leurs efforts marketing sur ceux qui sont susceptibles de donner les meilleurs retours.

Conclusion

Les promos sont vitales pour booster les ventes en e-commerce, et comprendre leur vrai impact est essentiel pour maintenir la rentabilité. L'introduction du Profit Incrémental par Conversion fournit une manière plus ciblée de mesurer l’efficacité des campagnes promo. En combinant cette approche avec le modèle d'uplift, les entreprises peuvent dépenser leur budget marketing de manière plus avisée, ciblant les promos vers les clients les plus susceptibles de réagir positivement.

Alors que le paysage du e-commerce continue d'évoluer, des méthodes qui simplifient l'analyse tout en offrant des insights exploitables seront la clé pour que les entreprises réussissent. En adoptant l'IPC et des innovations similaires, les entreprises peuvent mieux gérer leurs stratégies promo, menant finalement à des marges de profit plus saines et une meilleure satisfaction client.

Source originale

Titre: Incremental Profit per Conversion: a Response Transformation for Uplift Modeling in E-Commerce Promotions

Résumé: Promotions play a crucial role in e-commerce platforms, and various cost structures are employed to drive user engagement. This paper focuses on promotions with response-dependent costs, where expenses are incurred only when a purchase is made. Such promotions include discounts and coupons. While existing uplift model approaches aim to address this challenge, these approaches often necessitate training multiple models, like meta-learners, or encounter complications when estimating profit due to zero-inflated values stemming from non-converted individuals with zero cost and profit. To address these challenges, we introduce Incremental Profit per Conversion (IPC), a novel uplift measure of promotional campaigns' efficiency in unit economics. Through a proposed response transformation, we demonstrate that IPC requires only converted data, its propensity, and a single model to be estimated. As a result, IPC resolves the issues mentioned above while mitigating the noise typically associated with the class imbalance in conversion datasets and biases arising from the many-to-one mapping between search and purchase data. Lastly, we validate the efficacy of our approach by presenting results obtained from a synthetic simulation of a discount coupon campaign.

Auteurs: Hugo Manuel Proença, Felipe Moraes

Dernière mise à jour: 2023-08-09 00:00:00

Langue: English

Source URL: https://arxiv.org/abs/2306.13759

Source PDF: https://arxiv.org/pdf/2306.13759

Licence: https://creativecommons.org/licenses/by/4.0/

Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.

Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.

Plus d'auteurs

Articles similaires