[論文レビュー] Predictive and Prescriptive Analytics for Location Selection of Add-on Retail Products

Teng Huang, David Bergman+1 more|arXiv (Cornell University)|Apr 3, 2018

Consumer Market Behavior and Pricing参考文献 30被引用数 3

ひとこと要約

本論文は、機械学習を用いて誘導需要を予測し、混合整数最適化を用いて高インパクトな場所を選択することで、アドオン小売製品の拡張を最適化する統合的予測・意思決定分析フレームワークを提案する。空間自己相関を距離減衰空間重み行列でモデル化した場合、予測精度が著しく向上し、ベースライン方針に比べて予想売上高が最大14.25%向上する。

ABSTRACT

In this paper, we study an analytical approach to selecting expansion locations for retailers selling add-on products whose demand is derived from the demand of another base product. Demand for the add-on product is realized only as a supplement to the demand of the base product. In our context, either of the two products could be subject to spatial autocorrelation where demand at a given location is impacted by demand at other locations. Using data from an industrial partner selling add-on products, we build predictive models for understanding the derived demand of the add-on product and establish an optimization framework for automating expansion decisions to maximize expected sales. Interestingly, spatial autocorrelation and the complexity of the predictive model impact the complexity and the structure of the prescriptive optimization model. Our results indicate that the models formulated are highly effective in predicting add-on product sales, and that using the optimization framework built on the predictive model can result in substantial increases in expected sales over baseline policies.

研究の動機と目的

• 小売チェーンにおけるアドオン製品販売の最適な拡張場所を特定するデータ駆動型フレームワークの開発を目的とする。
• 物理的場所におけるベース製品販売に依存する誘導需要という課題に取り組むことを目的とする。
• 予測モデリングと最適化を統合し、単純なベース製品販売ヒューリスティクスをはるかに超える自動化と意思決定の改善を図ることを目的とする。
• 空間自己相関が小売拡張における予測精度と最適化パフォーマンスに与える影響を評価することを目的とする。

提案手法

• 小売販売データ、所得・人口などの人口統計データ、および空間重み行列を用いて、複数の機械学習モデル（線形回帰、線形カーネルSVR、径方向カーネルSVR）を訓練する。
• 距離に応じて減少する空間重み行列を導入し、ベース製品需要における空間自己相関をモデル化する。
• モランのI検定を用いて空間自己相関を検証し、空間特徴量を予測モデルに組み込むべきかどうかを判断する。
• 予測性能が最良のモデルの予測結果を用いて、容量制約下で最適な拡張拠点の集合を選択する混合整数最適化モデル（EO-P*）を定式化する。
• EO-P*の解のロバストネスを評価するため、代替の予測モデル（LR、LK、RK）を用いて解をテストし、一貫性と信頼性を確認する。
• 非線形予測モデルが引き起こす複雑性を考慮し、予想売上高を最大化する意思決定最適化フレームワークを実装する。

実験結果

リサーチクエスチョン

• RQ1 ベース製品需要における空間自己相関は、アドオン製品販売予測モデルの予測精度にどのように影響するか？
• RQ2 空間重み行列を組み込むことで、誘導需要の予測モデルのパフォーマンスにどのような影響を与えるか？
• RQ3 統合的予測・意思決定フレームワークは、ベース製品販売にのみ依存するベースライン拡張方針を上回るか？
• RQ4 異なる予測モデルおよびデータ構成において、最適な拡張意思決定はどの程度ロバストか？
• RQ5 非線形予測モデルの文脈において、モデルの複雑さと最適化パフォーマンスのトレードオフは何か？

主な発見

• 予測モデルは、サンプル外での平均絶対誤差が約20%に達し、類似した文脈における既存の文献を上回る性能を示した。
• 空間重み行列の組み込みは、モランのI検定により空間自己相関が確認された場合にのみ、予測精度を向上させた。
• EO-P*最適化フレームワークは、ベースライン方針に比べて予想売上高を最大14.25%向上させ、複数の地域および予測モデルで一貫した向上効果を示した。
• EO-P*の解は、テストされたすべての予測モデルでベースライン手法を上回ったが、1つの例外（地域2のLKモデル）を除き、強いロバストネスを示した。
• 最適化モデルの構造と複雑さは、予測モデルの非線形性に直接的に影響を受けており、予測と意思決定モデリングの相互依存性を強調している。
• ロバストネスのチェックにより、EO-P*の解は代替の予測モデルでも優れたパフォーマンスを維持することが確認され、意思決定者が提言に高い信頼を寄せられるようになった。