スポンサー付きリスティングのランキングアルゴリズムの進展

スポンサー付きリスティングは、AmazonやWalmart、Alibabaみたいな人気のあるオンラインマーケットプレイスが使ってるオンライン広告の一種なんだ。これらのリスティングは、第三者の売り手が自分の商品をもっと目立たせるためにお金を払うことができるよ。お客さんが商品を検索すると、通常の検索結果と一緒にスポンサー付きのアイテムがリストに表示されるんだ。スポンサー付きのアイテムが売れると、売り手には手数料がかかるんだ。

このスポンサー付きアイテムのランキングがめっちゃ重要なんだ。マーケットプレイスは、できるだけお金を稼ぎつつ、消費者に高品質で関連性のあるアイテムを見せないといけないから、ちょっと難しい仕事なんだよ。良いランキングは、顧客が商品を買いやすくなって満足度が上がるけど、スポンサー付きアイテムを表示することで得られる収益も考えなきゃいけないんだ。

#スポンサー付きリスティングランキングの課題

スポンサー付きリスティングのランキングプロセスは、よく「スポンサー付きリスティングランキング（SLR）」って呼ばれてるんだ。SLRの大きな課題の一つは、収益を最大化しつつ、顧客に価値のあるおすすめを提供するバランスを見つけることなんだ。ランキングが良ければ、売上が増えて顧客も幸せになるかもしれないけど、マーケットプレイスは自分たちのランキングの決定がもたらす金銭的な側面も意識する必要があるんだ。

スピードの要求に応えるために、多くのオンラインプラットフォームは現在、スコアベースのランキングアルゴリズムに依存してるよ。これらのアルゴリズムは、いろんな基準に基づいて商品にスコアを付けて、そいつに基づいてランキングを作るんだ。でも最近の研究では、線形計画法（LP）を使うことで、スポンサー付きリスティングのランキングがより良くなるかもしれないことが示唆されてるんだ。

#研究の概要

この研究では、主要なオンラインマーケットプレイスと提携して、スコアベースのランキングアルゴリズムとLPベースのアルゴリズムの性能を比較したんだ。数日間にわたるフィールド実験を行い、大量の訪問者を対象にしたよ。LPベースのアプローチは、以前のスコアベースのアプローチと比べて、収益や購入率、全体の売上価値を改善することがわかったんだ。

分析の結果、LPベースのアルゴリズムは、顧客に関連するアイテムを提供する能力が高いこともわかったよ。LPアルゴリズムを実践するために、アイテムをランキングするための厳しい速度要件を満たす効率的な二重ベースのアルゴリズムを作ったんだ。さらに、マーケットプレイスの長期目標を考慮する柔軟さも持ってるかどうか見てみたよ。

#スポンサー付きリスティングの重要性

スポンサー付きリスティングは、多くのオンラインマーケットプレイスにとって重要なんだ。これらは主要な収益源を代表してるからね。例えば、AmazonやGoogleは最近の数年間でスポンサー付きリスティングからかなりの収益を上げたことを報告してるよ。でも、これらのリスティングは収益を増やすけど、表示されるアイテムがお客さんに興味があるとは限らないんだ。

普通、もっとスポンサー付きリスティングを表示すると収益が増えるんだけど、単にアイテムを増やすだけでは必ずしも良い結果を得られるわけではないんだ。重要なのは、適切なアイテムを選んで、顧客を惹きつけるようにランキングすることと、依然として財務的なリターンに焦点を当てることなんだ。

#ランキングアルゴリズムにおける重要な考慮点

スポンサー付きリスティングのランキング用アルゴリズムを設計する際には、いくつかの重要な要素を考慮する必要があるんだ：

• 効率性：アルゴリズムは、ウェブページ上でリスティングを表示するためのリアルタイムのニーズを満たすくらい十分に早く動く必要があるよ。

• 明確さ：アルゴリズムは、意思決定プロセスが理解しやすく追跡しやすくなるように、明確な目標と制約を持っていなきゃいけないんだ。

• 柔軟性：アルゴリズムは、さまざまなシナリオに基づき、異なる目標や要件に適応できるものにする必要があるよ。

通常、SLR問題を解決するための業界標準は、二段階プロセスを含むんだ：顧客の購入行動を予測してから、その予測に基づいて表示するアイテムの選択を最適化することだよ。ほとんどの解決策は、予め定義された基準に基づいてアイテムを評価するスコアベースのアルゴリズムに焦点を当ててるんだ。

#スコアベースアルゴリズムの制限

スコアベースのアルゴリズムは一般的だけど、いくつかの欠点があるんだ。まず、最終的なランキングの品質は、スコア関数がどれだけうまく定義されているかに大きく依存してるから、マーケットプレイスが最適なスコアの基準を選ぶのが難しいんだ。これが、重要な経済要素を正確に反映してないスコアが選ばれると、最適でないランキングにつながることがあるんだよ。

さらに、マルチオブジェクティブなスコア関数を使うことで、すべての目標が適切に達成されることを保証する能力が複雑になるんだ。スコアベースの方法は、リソースの制約や、在庫のレベルや売り手間の公平さなどの他の考慮事項を必ずしも考慮しないよ。

これらの問題に対処するために、私たちはSLR問題のための新しいLPベースのアルゴリズムを提案したんだ。ランキングの課題に対して混合整数プログラミング（MIP）による定式化を行い、その後解決プロセスを簡素化するためにLP問題に緩めたんだ。でも、最良のLPソルバーでも、オンラインマーケットプレイスが求めているレイテンシーに対応するためにLP問題をすぐに解けなかったんだ。

#二重ベースアルゴリズム

レイテンシーの問題を克服するために、私たちはSLR問題のMIP定式化を効果的に処理するための二重ベースのアルゴリズムを開発したんだ。このアプローチによって、迅速に実現可能でほぼ最適な解を得ることができたよ。

さらに、Marketplace Aとパートナーシップを結んで、LPベースのアルゴリズムと以前のスコアベースのアプローチを経験的に評価するためのフィールドスタディも行ったんだ。結果は、LPベースのアルゴリズムが重要なパフォーマンス指標を大幅に改善したことを示したよ。

#研究の重要な貢献

この研究は、いくつかの重要な貢献をしたんだ：

1. フィールドスタディ：LPベースのアルゴリズムと既存のスコアベースのアプローチを比較する大規模なフィールド実験を実施し、LPメソッドの収益と購入指標における優れたパフォーマンスを示したよ。

2. 新しいLPベースのアルゴリズム：SLR問題のための効率的なLPベースのアルゴリズムを開発し、オンラインマーケットプレイスのための新しい実用的な解決策を提供したんだ。

3. 長期目標の考慮：LPモデルを拡張して、マーケットプレイスの追加的な制約や全体的な計画ニーズを考慮に入れるようにしたよ。

これらの発見は、LPベースのアルゴリズムをスポンサー付きリスティングや他のランキング課題に適用したいオンライン小売業者にとって重要な洞察を提供するんだ。

#実際のスポンサー付きリスティングランキング

オンラインマーケットプレイスは、消費者の検索にマッチするように、さまざまな売り手からのアイテムを厳選したリストを提供することを目指してるんだ。これには、キーワードランキング（KR）とスポンサー付きリスティングランキング（SLR）の二つの主要なランキング問題に取り組むことが含まれるよ。消費者がプラットフォームで検索すると、入力されたキーワードの関連性に基づいてアイテムのリストが表示されるんだ。SLRは、消費者が元々探しているものと並んで、消費者が興味を持ちそうなアイテムを推薦することを目指してるんだ。

私たちが研究したMarketplace Aは、スポンサー付きリスティングからかなりの収益を上げてるんだ。その収益は、手数料（オーガニック収益）とスポンサーシップ手数料（広告収益）の二つの主要なソースから来てるよ。売り手は、販売価格の一定割合を手数料としてマーケットプレイスに支払うんだ。

Marketplace Aの過去のデータによると、オーガニック収益は購入数と密接に関連してることがわかってるよ。購入率が高いと収益が増えるけど、スポンサー付きリスティングの増加は時にはオーガニック収益を減少させることもあるよ。

#現在のスコアベースのランキング方法

Marketplace Aでは、スコアベースのランキングアルゴリズムがスポンサー付きリスティングに使われる主要な方法なんだ。このアプローチは、以下の三つの主要なステップを含んでるよ：

1. 候補の選択：アルゴリズムは、シードアイテムや消費者の閲覧履歴に基づいて、表示候補となるアイテムを絞り込むんだ。

2. 購入率（PTR）予測：アルゴリズムは、さまざまなアイテムの特徴や顧客の嗜好に基づいて、消費者がそのアイテムを購入する可能性を予測するよ。

3. ランキング：最後に、アルゴリズムは予測されたオーガニック収益と広告収益に基づいて各アイテムにスコアを付け、それに従ってアイテムをランキングするんだ。

スコアベースのランキング方法は、時間をかけてかなり最適化されてきたけど、効果的なスコア関数を定義するのが難しいという制限があるんだ。

#提案されたLPベースのランキングアプローチ

私たちは、線形計画法（LP）に基づく代替のランキング方法を提案するよ。これには以下のステップが含まれるんだ：

1. 問題の定式化：SLR問題は、期待される収益を最大化しつつ、一定レベルの関連性を保証することを目指すMIP問題として定式化されるよ。

2. 緩和：MIP問題は複雑なので、それをLP問題に緩めて、より効率的に解決できるようにするんだ。

3. 二重ベースアルゴリズム：迅速に実現可能な解を見つけるために、二分法を使う新しいアルゴリズムを開発したよ。

私たちの研究では、このLPベースの方法が、従来のスコアベースのアルゴリズムとの並列比較において複数の指標で高いパフォーマンスを示すことがわかったんだ。

#実験と結果

私たちの発見を検証するために、Marketplace Aで無作為化されたフィールド実験を行ったんだ。A/Bテストでは、LPベースのアルゴリズムと既存のスコアベースの方法のパフォーマンスを19日間比較したよ。顧客の相互作用を注意深く記録して、収益、購入率、全体の売上に与える影響を評価したんだ。

結果は、LPベースのアルゴリズムが大幅な改善を示したんだ。購入率や総商品価値（GMV）などの重要な指標が、スコアベースのアプローチと比べて増加したんだ。これにより、LPベースの方法がより多くの収益を生み出すだけでなく、消費者への関連性も向上させることが確認できたよ。

#財務パフォーマンス分析

私たちの分析では、消費者の相互作用に基づいて、二つのアルゴリズムの財務パフォーマンスに焦点をあてたんだ。収益 per 消費者、GMV per 消費者、購入数などの指標を見たよ。

LPベースのアルゴリズムは、スコアベースの方法と比較して、これらの指標で一貫して改善を示したんだ。これは、LPベースのアプローチが顧客の興味を効果的に捉え、より多くの売上を促進しながら、価格を上げることなく実現できていることを示しているよ。

#回帰分析

データを深く掘り下げるために、パフォーマンスの違いに寄与する要因を特定するために回帰分析を行ったんだ。この分析では、LPベースのアルゴリズムがスコアベースのアルゴリズムよりも多くの収益と購入を生み出していることがわかったけど、平均価格を上げることはなかったんだ。

#処置効果の探求

私たちは、異なる条件がLPベースのアルゴリズムのパフォーマンスにどのように影響するかも調べたんだ。結果は、LPベースのモデルが、複数購入が一度のインプレッションで行われた場合や、推薦されたアイテムが高い購入率を持っているときに、より良い収益結果を生み出すことを示したんだ。

#収益と関連性のトレードオフ

LPモデルは収益と関連性のトレードオフを効果的に示したんだ。関連性の強調を高めると、期待される収益が減少し、その逆もあることがわかったよ。

関連性を制御するハイパーパラメータのさまざまな設定を調査するために別のA/Bテストを行い、収益と購入率のトレードオフをさらに確認したんだ。

#LPベースの方法による全体的な計画

私たちは、オンラインマーケットプレイスが直面するかもしれない追加の制約、例えば在庫制限や売り手の目標なども考慮したんだ。LPベースのアプローチは、これらの制約をランキングプロセスに自然に組み込むことができるから、マーケットプレイスが広告に柔軟に対応できるようになるんだ。

この全体的な計画アプローチは、歴史的データを活用して、個々のリスティングと広範なマーケットプレイスの目標の両方を考慮した包括的なランキング戦略を構築するんだ。

#結論

結局、私たちの研究は、スポンサー付きリスティングランキングにおけるLPベースのアルゴリズムの利点を強調してるんだ。この研究は、LPメソッドがいくつかの重要な指標で伝統的なスコアベースのアルゴリズムを上回ることを示したんだ。ランキングに対する構造化されたアプローチを強調することによって、オンラインマーケットプレイスは収益を増やし、顧客の満足度を改善することから大きな利益を得ることができるよ。

この研究の結果は、LPベースの方法の証拠を提供するだけでなく、今後の仕事におけるスポンサー付きリスティングのさらなる探求と最適化への道を開くんだ。