Volver a la biblioteca

Pregunta clave Nuevo

Procesado con IA · Aprobado por los autores

¿Cómo pueden las empresas distribuir cupones promocionales de forma más rentable sin provocar el rechazo de los clientes?

Theory-Informed Dynamic Coupon Distribution via Graph-Augmented Offline Reinforcement Learning
Juntao Wu, Hongfei Bao · International Conference on Information Systems (ICIS) · 2026
Ilustración para: ¿Cómo pueden las empresas distribuir cupones promocionales de forma más rentable sin provocar el rechazo de los clientes?

Carga el reproductor de Spotify; Spotify puede utilizar cookies. Este dispositivo recuerda su elección.

Hallazgos clave

  • El marco propuesto logró una tasa de canje del 19,05 % y un ROI de 0,615, demostrando mejoras estadísticamente significativas en las tasas de canje y de coincidencia en comparación con nueve métodos de referencia (p < 0,01).
  • El marco superó de manera estadísticamente significativa a ocho de los nueve modelos de referencia en retorno de la inversión (p < 0,05 o p < 0,001), mientras que mostró una diferencia de ROI positiva pero no significativa en comparación con la línea base de muestreo ponderado de importancia por decisión (p = 0,30).
  • Las regresiones de ablación en múltiples ventanas de prueba confirmaron que la descomposición Q de doble objetivo, que separa la conversión de la sostenibilidad a largo plazo, aportó la mayor contribución marginal a la reducción del error de prueba (p < 0,01).
  • El entrenamiento conjunto de extremo a extremo y las incrustaciones de texto guiadas por la teoría del comportamiento también produjeron reducciones de error estadísticamente significativas en comparación con los enfoques genéricos orientados a la predicción (p < 0,01).

Qué significa para usted

CIO / Ejecutivo de TI

Allocate budget to initiate an offline reinforcement learning pilot (such as the GRACE framework) that merges transactional, relational, and LLM-derived customer review data instead of relying solely on standard short-term predictive conversion models.

Director de TI

Audit existing customer data pipelines to ensure transactional, graph relational structures, and text-based review profiles can be ingested jointly for graph attention network and offline RL model training.

Estratega empresarial

Restructure current promotional guidelines away from simple volume-driving discounts toward a dual-objective metric that explicitly balances immediate sales conversion against long-term brand equity and customer psychological resistance.

Investigador

Investigate how behavioral theory-guided text embeddings and dual-objective Q-decomposition can be adapted to mitigate consumer manipulation fatigue and improve long-term ROI in offline RL setups.

Responsable de políticas

Draft guidelines requiring retailers to transparently disclose how customer review data and relational profiles are utilized by algorithmic pricing and dynamic coupon targeting systems to protect consumer privacy.

Resumen

Este estudio desarrolla GRACE, un marco de aprendizaje por refuerzo offline para la asignación dinámica de cupones que integra datos transaccionales, relacionales y reseñas de clientes. El sistema combina redes de atención de grafos, elaboración de perfiles psicológicos mediante modelos de lenguaje extensos y descomposición de valor de doble objetivo para equilibrar la conversión de ventas inmediata con el valor de marca a largo plazo. El enfoque se evalúa en un conjunto de datos empíricos que comprende 2,68 millones de registros de cupones de una importante cadena minorista de bebidas de té.

Problema

La mayoría de las promociones minoristas fracasan porque los cupones no se canjean o subsidian innecesariamente compras que los clientes habrían realizado de todos modos. Además, los modelos convencionales de recomendación y aprendizaje por refuerzo se centran únicamente en las ganancias económicas a corto plazo, sin tener en cuenta la resistencia psicológica del consumidor ante la manipulación percibida ni el riesgo de erosionar el valor de la marca mediante descuentos excesivos.

Transcripción
Host: Bienvenidos a A.I.S. Insights — powered by Living Knowledge. Soy Anna Ivy Summers, y hoy analizaremos un estudio titulado "Distribución dinámica de cupones fundamentada en la teoría mediante aprendizaje por refuerzo offline aumentado con grafos", desarrollado por los investigadores Juntao Wu y Hongfei Bao, presentado en la International Conference on Information Systems de 2026. Para examinar los detalles técnicos y prácticos de este trabajo, me acompaña nuestro analista Alex Ian Sutherland. Hola, Alex.

Expert: Hola, Anna. Un gusto estar aquí para revisar los resultados de este estudio.

Host: Alex, este estudio aborda un sistema denominado GRACE, diseñado para optimizar promociones minoristas usando datos de transacciones, relaciones de clientes y reseñas de texto. Para comenzar, ¿cuál es el problema concreto que enfrentan las empresas al emitir cupones de descuento?

Expert: En el sector minorista, una proporción sustancial de las promociones no genera los resultados esperados. Con frecuencia, los cupones no se canjean, o bien terminan subsidiando compras que los clientes habrían efectuado de todos modos a precio completo. Además, la mayoría de los algoritmos de recomendación tradicionales se optimizan exclusivamente para maximizar transacciones inmediatas. Esto omite dos factores críticos: la resistencia psicológica de los consumidores cuando perciben manipulación promocional, y la pérdida gradual de valor de marca que provocan los descuentos excesivos y continuos.

Host: Ante esa dificultad, ¿cuál es el enfoque metodológico que propone el estudio?

Expert: Los autores desarrollaron un marco de aprendizaje por refuerzo offline llamado GRACE. Este modelo se entrenó y evaluó utilizando un conjunto de datos empíricos de 2,68 millones de registros de cupones provenientes de una cadena de bebidas de té. El sistema integra tres componentes clave: redes de atención sobre grafos para capturar patrones relacionales entre clientes y productos; modelos de lenguaje para extraer perfiles conductuales a partir de reseñas de texto; y una descomposición de valor de doble objetivo, que modela por separado la probabilidad de conversión a corto plazo y la preservación del valor de marca a largo plazo.

Host: Hablemos de los resultados empíricos que arrojó la evaluación frente a otros modelos.

Expert: En las pruebas, el marco alcanzó una tasa de canje del 19,05 % y un retorno de la inversión de 0,615. Frente a nueve métodos de referencia convencionales, las mejoras en la tasa de canje y en la tasa de coincidencia fueron estadísticamente significativas con un valor p menor a 0,01.

Host: ¿Y qué ocurrió con el retorno de la inversión?

Expert: Respecto al retorno de la inversión, el modelo superó de manera estadísticamente significativa a ocho de los nueve modelos comparados, con niveles de significancia de p menor a 0,05 o p menor a 0,001. No obstante, al compararse con la línea base de muestreo ponderado por importancia de decisiones, la diferencia en retorno de la inversión fue positiva pero no estadísticamente significativa, registrando un valor p de 0,30. Por otra parte, los análisis de ablación demostraron que separar la función de valor en dos objetivos aportó la mayor reducción del error de prueba, también con significancia de p menor a 0,01.

Host: Es un dato relevante para entender los límites y fortalezas de la técnica. Ahora, Alex, ¿qué aplicaciones directas tiene esto para los directores de marketing y analistas de datos?

Expert: La principal implicación práctica es que los equipos de analítica pueden diseñar políticas de cupones más eficientes sin depender de experimentación en vivo que afecte los precios reales, ya que el aprendizaje por refuerzo offline utiliza historiales existentes. Además, muestra la viabilidad de incorporar texto no estructurado, como opiniones de clientes, directamente en las decisiones de precios dinámicos. Por último, confirma que restringir los algoritmos para que consideren el impacto en la percepción de marca reduce el subsidio innecesario de ventas base sin deteriorar la rentabilidad operativa.

Host: En resumen, el estudio muestra cómo equilibrar la conversión inmediata con la sostenibilidad del negocio mediante un modelado de decisiones basado en datos históricos y retroalimentación textual. Alex, muchas gracias por compartir este análisis.

Expert: Gracias a ti, Anna.

Host: A nuestros oyentes, gracias por acompañarnos en este episodio de A.I.S. Insights — powered by Living Knowledge. Hasta la próxima entrega.
Artificial Intelligence & Automation Information Systems & Management Human-Computer Interaction Data Analytics & Big Data Digital Transformation & Strategy Cybersecurity & Privacy Cloud & Infrastructure E-Commerce & Digital Platforms Operations & Supply Chain Sustainability & Green IS

dynamic coupon distribution, promotion reactance theory, graph neural networks, offline reinforcement learning, theory-informed analytics, customer targeting