ライブラリに戻る

中心となる問い 新着

AI処理済み · 著者確認済み

顧客の反発を招かずに、より収益性の高い販促クーポンを配布するにはどうすればよいか?

Theory-Informed Dynamic Coupon Distribution via Graph-Augmented Offline Reinforcement Learning
Juntao Wu, Hongfei Bao · International Conference on Information Systems (ICIS) · 2026
イラスト: 顧客の反発を招かずに、より収益性の高い販促クーポンを配布するにはどうすればよいか?

Spotifyのプレーヤーを読み込みます。SpotifyによりCookieが設定される場合があります。選択内容はこの端末に保存されます。

主な知見

  • 提案フレームワークは19.05%のクーポン利用率と0.615のROIを達成し、9つのベースライン手法と比較して利用率とマッチング率において統計的に有意な改善を示した(p < 0.01)。
  • 本フレームワークはROIにおいて9つのベンチマークモデル中8つを統計的に有意に上回り(p < 0.05またはp < 0.001)、決定ごと重み付き重点サンプリングのベースラインに対しても有意差はないもののプラスのROI差を示した(p = 0.30)。
  • 複数のテスト期間にわたるアブレーション回帰分析により、購買転換と長期的持続可能性を分離する二重目的Q分解が、テスト誤差削減に最も大きく寄与していることが確認された(p < 0.01)。
  • エンドツーエンドの共同学習と行動理論に基づくテキスト埋め込みも、一般的な予測重視型アプローチと比較して統計的に有意な誤差削減をもたらした(p < 0.01)。

実践への示唆

CIO / IT役員

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.

ITマネージャー

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.

経営戦略担当者

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.

研究者

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.

政策立案者

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.

要約

本研究では、購買取引、関係性、顧客レビューの各データを統合して動的なクーポンターゲティングを行うオフライン強化学習フレームワーク「GRACE」を開発している。本システムは、グラフアテンションネットワーク、大規模言語モデルを用いた心理プロファイリング、および二重目的値分解を組み合わせることで、短期的な購買転換と長期的なブランドエクイティの維持を両立させる。大手茶系飲料チェーンの268万件のクーポン履歴からなる実証データセットを用いて提案手法の評価を行っている。

課題

小売における多くのプロモーションは、クーポンが利用されないか、配布しなくても購入した顧客に不要な値引きを行ってしまうために失敗している。さらに従来の推薦や強化学習モデルは短期的な経済的利益のみを重視しており、操られていると感じる消費者の心理的反発や、過度な割引によるブランド価値毀損のリスクを考慮できていない。

文字起こし
Host: こんにちは。「A.I.S. Insights — powered by Living Knowledge」へようこそ。ホストのAnna Ivy Summersです。本日は、Juntao Wu氏とHongfei Bao氏による研究「理論に基づくグラフ拡張オフライン強化学習による動的クーポン配信」を取り上げます。Alex Ian Sutherlandさん、この研究の概要を教えていただけますか。
Expert: よろしくお願いします、Anna。この研究では、購買取引データ、顧客間の関係性データ、そして顧客レビューのテキストデータを統合して動的にクーポンを配信する、オフライン強化学習フレームワーク「GRACE」が提示されています。大手茶系飲料チェーンの268万件におよぶクーポン履歴データを用いて検証が行われています。
Host: クーポン施策は小売業界で広く使われていますが、実務ではどのような課題が存在しているのでしょうか。
Expert: 小売プロモーションにおける大きな課題は二つあります。一つは、配布しても利用されない無駄な配信、もう一つは、クーポンがなくても定価で購入したはずの顧客に不要な値引きを行ってしまう問題です。また、従来の推薦システムや強化学習モデルは短期的な経済的利益に偏る傾向があり、頻繁なプロモーションに対して消費者が心理的反発を抱くリスクや、過度な割引によるブランド価値の毀損といった長期的な影響を考慮できていませんでした。
Host: 目先の転換率と長期的なブランド維持の両立ですね。この研究ではどのような手法でその課題に取り組んでいるのですか。
Expert: 提案されているGRACEは、主に3つの要素で構成されています。まず、顧客、店舗、商品の多層的な関係性をモデル化するグラフアテンションネットワーク。次に、大規模言語モデルを活用して顧客レビューから心理的傾向を抽出する、行動理論に基づいたテキスト埋め込みです。そして3つ目が二重目的値分解です。これは短期的な購買転換と、顧客維持やブランド価値といった長期的な持続可能性を別々の指標として分離し、オフライン強化学習によって両者のバランスを取りながら配信判断を最適化する手法です。
Host: その手法によって、具体的にどのような実証結果が得られたのでしょうか。
Expert: 268万件の実データを用いた検証において、GRACEは19.05%のクーポン利用率と、0.615のROIを達成しました。クーポンの利用率とターゲティングのマッチング率において、比較対象となった9つのベースライン手法すべてに対して統計的に有意な改善が確認されています。この場合のp値は0.01未満でした。
Host: 投資対効果、つまりROIの比較結果についてはいかがでしたか。
Expert: ROIに関しては、9つのベンチマークモデルのうち8つに対して統計的に有意に上回る結果を示しました。p値は0.05未満、または0.001未満です。残る1つの手法である「決定ごと重み付き重点サンプリング」に対してもプラスのROI差を示しましたが、この差については統計的に有意ではありませんでした。p値は0.30です。
Host: 各技術要素がどの程度パフォーマンスに貢献しているかも分析されていますね。
Expert: はい。複数のテスト期間にわたるアブレーション回帰分析によると、購買転換と長期的な持続可能性を分離する二重目的Q分解が、テスト誤差の削減に最も大きく寄与していることが確認されました。この寄与のp値は0.01未満です。さらに、エンドツーエンドの共同学習や行動理論に基づくテキスト埋め込みも、一般的な予測重視型アプローチと比較して、統計的に有意に誤差を削減していることが示されています。こちらもp値は0.01未満でした。
Host: これらの結果は、企業のマーケティング実務にとってどのような意味を持ちますか。
Expert: 実務における重要な示唆は、クーポンの配信判断を行う際に、単なる短期的な利用予測だけでなく、顧客の心理状態や長期的なブランド価値への影響を分離して評価する設計の有用性です。レビューから得られる定性的な顧客の受け止め方と購買履歴を組み合わせることで、過剰値引きを抑えつつ、顧客との持続的な関係を損なわないプロモーション方針を策定できます。また、オフライン強化学習を用いているため、実際の店舗環境でリスクを冒して実験を行うことなく、既存の蓄積データから最適な配信ルールを導出できる点も実務的な利点と言えます。
Host: 短期的な売上獲得と長期的な顧客関係の保護を同時に評価・設計するアプローチですね。Alex、詳しい解説をありがとうございました。
Expert: ありがとうございました。
Host: リスナーの皆様、お聴きいただきありがとうございました。「A.I.S. Insights — powered by Living Knowledge」、また次回お会いしましょう。
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