强化学习模型对客户零售旅程进行建模以优化布局

研究人员开发了一个新的强化学习（RL）框架来模拟零售环境中的客户移动，旨在为商店布局优化提供实际见解。该方法将客户轨迹预测视为最大熵强化学习问题，在奖励与随机性之间取得平衡，以考虑有限理性。使用真实便利店数据的实验表明，RL生成的轨迹比传统的TSP和PNN等方法更准确，从而能更准确地估算冲动购买和货架客流量。RL方法还能制定更有效的与实际客户行为一致的产品重新定位策略，使高级布局优化更加易于实现。 AI

影响 为零售商提供了一种更易于访问且基于行为的方法来优化商店布局和预测客户购买行为。

排序理由 该集群包含一篇学术论文，详细介绍了使用强化学习对客户行为进行建模的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• Customer Trajectories
• Probabilistic Nearest Neighbours
• Reinforcement Learning
• Retail

• 论文
• 产品
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →