[論文レビュー] Counterfactual Inference for Consumer Choice Across Many Product Categories

Robert Donnelly, Francisco J. R. Ruiz+2 more|arXiv (Cornell University)|Jun 6, 2019

Consumer Market Behavior and Pricing参考文献 53被引用数 17

ひとこと要約

本稿では、製品属性と消費者の多様性の潜在的要因分解を活用することで、複数の製品カテゴリーにわたる消費者嗜好を統合的に推定するスケーラブルなベイジアン階層モデルを提案する。時間変動する価格と在庫切れの状況を組み込むことで、個別カテゴリーのモデルに比べて、価格感受性やパーソナライズドプロモーションに関する反実仮想的推論が向上し、保留データにおける予測精度とパーソナライゼーション効果の両面で顕著な向上を達成した。

ABSTRACT

This paper proposes a method for estimating consumer preferences among discrete choices, where the consumer chooses at most one product in a category, but selects from multiple categories in parallel. The consumer's utility is additive in the different categories. Her preferences about product attributes as well as her price sensitivity vary across products and are in general correlated across products. We build on techniques from the machine learning literature on probabilistic models of matrix factorization, extending the methods to account for time-varying product attributes and products going out of stock. We evaluate the performance of the model using held-out data from weeks with price changes or out of stock products. We show that our model improves over traditional modeling approaches that consider each category in isolation. One source of the improvement is the ability of the model to accurately estimate heterogeneity in preferences (by pooling information across categories); another source of improvement is its ability to estimate the preferences of consumers who have rarely or never made a purchase in a given category in the training data. Using held-out data, we show that our model can accurately distinguish which consumers are most price sensitive to a given product. We consider counterfactuals such as personally targeted price discounts, showing that using a richer model such as the one we propose substantially increases the benefits of personalization in discounts.

研究の動機と目的

• 多数の製品カテゴリーにわたる消費者需要を同時にモデル化し、カテゴリー間の嗜好相関を捉える。
• とりわけ低頻度購入製品の価格感受性と多様性の推定を改善する。
• パーソナライズドディスカウントや価格変更に対する消費者反応の正確な反実仮想的予測を可能にする。
• 購入履歴が希な消費者の推論を高めるために、カテゴリー間でデータをプールするモデルを構築する。
• 予測精度よりも反実仮想的性能に基づいてハイパーパrameterをチューニングすることで、実世界での実用性を向上させる。

提案手法

• 製品属性、価格感受性、消費者嗜好の潜在的要因に分解するネストドファクタリゼーションモデルを採用する。
• 大規模データセットへのスケーラビリティを確保するため、平均場ガウス近似を用いた変分推論を適用する。
• 価格と供給状況が一定である「セッション」を導入し、時間変動する条件および在庫切れイベントのモデリングを可能にする。
• 証拠下限界（ELBO）を最適化するため、確率的勾配降下法に再パrameter化トリックを適用する。
• 製品レベルおよびカテゴリーレベルの潜在的要因を組み込み、非価格的属性と価格感受性のための別々の次元を設ける。
• 予測精度よりも反実仮想的性能（価格変更および在庫切れイベントの検証）を最優先してハイパーパrameterをチューニングする。

実験結果

リサーチクエスチョン

• RQ1 複数カテゴリーにわたる統合的モデリングは、個別カテゴリーのモデルに比べて、消費者の価格感受性の推定をどの程度改善するか？
• RQ2 あるカテゴリーで購入履歴がゼロまたは少ない消費者の嗜好を、モデルはどの程度正確に推定できるか？
• RQ3 より洗練された潜在的構造を備えることで、ターゲットディスカウントの影響といった反実仮想的結果の予測能力はどの程度向上するか？
• RQ4 時間変動する価格および在庫切れイベントの組み込みが、モデルの性能に及ぼす影響は何か？
• RQ5 予測精度ではなく反実仮想的性能に基づいてハイパーパrameterをチューニングすることで、モデルの実用性は標準的な予測指標に基づくチューニングに比べてどの程度向上するか？

主な発見

• ネストドファクタリゼーションモデルは、中央値の自価格価格弾力率が -1.7121 に達し、多項ロジットモデル（-1.1841）やネストドロジットモデル（-1.2976）に比べて顕著に負の値を示しており、より強い価格感受性が推定されていることを示している。
• 混合ロジットモデル（SD(Mean) = 1.7822）に比べ、製品間の平均弾力率の標準偏差が小さく（SD(Mean) = 1.2008）、より一貫性のある弾力率推定が可能であることが示された。
• 価格変更および在庫切れに対する消費者反応の予測において、保留データ上での反実仮想的精度が向上し、優れた性能を示した。
• カテゴリー間での情報プールにより、あるカテゴリーで一度も購入したことがない消費者の嗜好推定が正確に行えるようになり、レアアイテムの推論が向上した。
• 反実仮想的性能に基づくハイパーパrameterチューニングは、予測品質のみに基づくチューニングに比べ、より優れた実世界での実用性をもたらした。
• 製品属性に80次元の潜在的要因、価格感受性に20次元の潜在的要因を設定し、線形価格項を併用したモデルが、価格変更イベントの検証に基づき最適とされた。