[論文レビュー] Studying Product Competition Using Representation Learning

Fanglin Chen, Xiao Liu+3 more|arXiv (Cornell University)|May 21, 2020

Consumer Market Behavior and Pricing参考文献 15被引用数 6

ひとこと要約

本稿では、Word2Vecに基づく表現学習手法であるProduct2Vecを紹介する。この手法は、ショッピングバスケットデータから低次元の製品埋め込み表現を生成し、製品レベルの競合関係をモデル化することを目的としている。価格の影響を排除するようにWord2Vecを変更するとともに、経済理論を統合することで、需要と価格の価格弾力性の予測が高精度かつ高速に可能となり、最先端のモデルを上回る性能を発揮する。また、補完的製品と代替的製品を区別できる。

ABSTRACT

Studying competition and market structure at the product level instead of brand level can provide firms with insights on cannibalization and product line optimization. However, it is computationally challenging to analyze product-level competition for the millions of products available on e-commerce platforms. We introduce Product2Vec, a method based on the representation learning algorithm Word2Vec, to study product-level competition, when the number of products is large. The proposed model takes shopping baskets as inputs and, for every product, generates a low-dimensional embedding that preserves important product information. In order for the product embeddings to be useful for firm strategic decision making, we leverage economic theories and causal inference to propose two modifications to Word2Vec. First of all, we create two measures, complementarity and exchangeability, that allow us to determine whether product pairs are complements or substitutes. Second, we combine these vectors with random utility-based choice models to forecast demand. To accurately estimate price elasticities, i.e., how demand responds to changes in price, we modify Word2Vec by removing the influence of price from the product vectors. We show that, compared with state-of-the-art models, our approach is faster, and can produce more accurate demand forecasts and price elasticities.

研究の動機と目的

• eコマースプラットフォームで数百万の製品にわたる製品レベルの競合関係を分析する計算上の課題に対処すること。
• 人為的入力や事前定義された市場セグメントを必要とせず、ブランド間およびブランド内での競合関係を自動的に特定できるスケーラブルな手法を開発すること。
• 経済理論を表現学習に統合することで、需要予測および価格弾力性推定の精度を向上させること。
• 学習された埋め込み表現を用いて、製品の補完的関係と代替的関係を区別し、戦略的製品ライン最適化を可能にすること。
• 既存のモデルと比較して、計算負荷を低減しつつ予測精度を維持または向上させること。

提案手法

• 本手法は、ショッピングバスケットを文とみなし、製品を語彙とみなしてWord2Vecを変更し、共起パターンを保持する低次元埋め込み表現を生成する。
• ベクトル類似度に基づいて導出される2つの指標、補完性（complementarity）と交換可能性（exchangeability）を用いて、製品ペアを補完的か代替的かに分類する。
• 価格弾力性を正確に推定するため、価格の内生性を解消するために制御関数アプローチを用いて、製品埋め込み表現から価格の影響を除去する。
• 埋め込み表現をランダムユーティリティベースの選択モデルと組み合わせることで、消費者の選択行動を予測し、予測の高速化と精度向上を実現する。
• 本手法は大規模なバスケットデータで学習され、GPU依存の代替手法とは異なり、標準的なハードウェアでも効率的に動作する。
• SHOPPERなどの最先端モデルと比較した結果、出先サンプルのヒット率および価格弾力性推定値の妥当性を検証した。

実験結果

リサーチクエスチョン

• RQ1 数百万の製品にわたるスケールで製品レベルの競合関係をモデル化するため、表現学習をどのように適合させられるか。
• RQ2 ショッピングバスケットから得られる製品埋め込み表現は、補完的製品と代替的製品を効果的に区別できるか。
• RQ3 埋め込みベースのモデルは、従来の固定効果モデルや属性ベースのモデルと比較して、需要予測の精度と速度をどの程度向上できるか。
• RQ4 製品埋め込み表現から価格の影響を除去することで、価格弾力性の推定にどのような影響が生じるか。
• RQ5 最近の大規模選択モデル（例：SHOPPER）と比較して、本手法は性能および効率性においてどの程度優れているか。

主な発見

• Product2Vecモデルは、製品固定効果または観察可能な属性を用いた従来の選択モデルと比較して、学習時間を94%短縮した。
• 消費者の選択を予測する際、出先サンプルのヒット率が14.2%から14.8%へ4%向上した。
• SHOPPERモデルと比較すると、20次元のベクトルを用いた場合、Product2Vecは14.1%の出先サンプルヒット率を達成したのに対し、SHOPPERは12.8%であった。
• モデルが推定した価格弾力性係数は−3.166と高く、SHOPPERの−1.701よりも顕著に高い値を示しており、価格の内生性をより適切に扱っている可能性を示唆している。
• 補完性および交換可能性の指標は、上位3位までの補完的製品および代替的製品を正しく同定でき、経済的解釈可能性が裏付けられた。
• 本手法は非常にスケーラブルであり、GPUに依存するモデル（例：SHOPPER）とは異なり、標準的な個人用コンピュータでも効率的に動作する。