[논문 리뷰] Context-Based Dynamic Pricing with Online Clustering

Sentao Miao, Xi Chen외 3명|arXiv (Cornell University)|2019. 02. 17.

Consumer Market Behavior and Pricing인용 수 13

한 줄 요약

이 논문은 실시간 클러스터링을 사용하여 수요 패턴이 유사한 저매출 제품들을 그룹화함으로써 공유된 데이터를 통해 개선된 수요 추정과 가격 결정을 가능하게 하는 컨텍스트 기반 동적 가격 설정 프레임워크를 제안한다. CSMP 알고리즘은 실시간으로 클러스터링과 가격 설정을 동시에 학습하여 실질적인 알리바바 데이터 기반으로 단일 제품 또는 글로벌 클러스터링 기준보다 낮은 회귀 손실과 더 높은 수익을 달성한다.

ABSTRACT

We consider a context-based dynamic pricing problem of online products, which have low sales. Sales data from Alibaba, a major global online retailer, illustrate the prevalence of low-sale products. For these products, existing single-product dynamic pricing algorithms do not work well due to insufficient data samples. To address this challenge, we propose pricing policies that concurrently perform clustering over product demand and set individual pricing decisions on the fly. By clustering data and identifying products that have similar demand patterns, we utilize sales data from products within the same cluster to improve demand estimation for better pricing decisions. We evaluate the algorithms using regret, and the result shows that when product demand functions come from multiple clusters, our algorithms significantly outperform traditional single-product pricing policies. Numerical experiments using a real dataset from Alibaba demonstrate that the proposed policies, compared with several benchmark policies, increase the revenue. The results show that online clustering is an effective approach to tackling dynamic pricing problems associated with low-sale products.

연구 동기 및 목표

• 부족한 판매 데이터를 가진 저매출 온라인 제품에 대한 동적 가격 설정 과제를 해결한다.
• 제품 특성 대신 유사한 수요 패턴 기반으로 제품을 클러스터링하여 데이터 부족 문제를 해결한다.
• 실시간으로 온라인 클러스터링과 동적 가격 설정을 동시에 수행하는 학습 알고리즘을 개발한다.
• 약간의 기술적 조건 하에 제안된 알고리즘의 이론적 회귀 손실 경계를 확립한다.
• 단일 제품 및 글로벌 클러스터링 기준 대비 실제 알리바바 데이터 기반에서 뛰어난 성능을 입증한다.

제안 방법

• 컨텍스트 변수를 포함한 일반화 선형 수요 함수를 사용하는 컨텍스트 기반 동적 가격 설정 모델을 제안한다.
• 온라인 클러스터링과 가격 설정을 동시에 수행하는 CSMP(컨텍스트 추정형 반조기 가격 설정) 알고리즘을 도입한다.
• 관측된 판매 데이터에 기반해 클러스터 할당을 업데이트하면서도 가격 결정을 유도하는 회귀 손실 최소화 프레임워크를 사용한다.
• 비교를 위해 K-평균과 랜덤 포레스트 기반 클러스터링을 사용하며, 클러스터 할당을 시간에 따라 동적으로 업데이트한다.
• 사전에 클러스터 정보를 알지 못한 채 변화하는 수요 패턴에 적응하기 위해 온라인 학습 기법을 적용한다.
• 기준선으로 이동 윈도우 정책을 사용하며, 파라미터는 이론적 문헌(예: Keskin과 Zeevi, 2016)에 기반해 조정된다.

실험 결과

연구 질문

• RQ1 수요 패턴 기반 온라인 클러스터링이 저매출 제품의 동적 가격 설정 성능을 향상시킬 수 있는가?
• RQ2 클러스터링과 가격 설정을 동시에 학습하는 방법이 별도 또는 정적 클러스터링 접근 방식보다 어떻게 비교되는가?
• RQ3 제안된 온라인 클러스터링 기반 가격 설정 알고리즘의 이론적 성능 보장(회귀 손실 경계)은 무엇인가?
• RQ4 모델 잘못 설정 또는 다양한 수요 역학 조건 하에서 알고리즘이 얼마나 강인한가?
• RQ5 실제 환경에서 제안된 방법이 단일 제품 가격 설정 및 글로벌 클러스터링보다 뛰어난 성능을 보이는가?

주요 결과

• 실제 알리바바 데이터 기반으로 CSMP 알고리즘이 단일 제품 동적 가격 설정 및 글로벌 클러스터링 정책보다 누적 수익 측면에서 뚜렷한 우월성을 보였다.
• 온라인 클러스터링을 통한 가격 설정은 특히 여러 클러스터에서 유래한 수요 함수가 존재할 경우 기준 정책 대비 회귀 손실을 줄였다.
• K-평균 클러스터링의 성능은 K의 선택에 민감한 반면, CSMP는 다양한 클러스터 구성에 대해 강인한 성능을 유지했다.
• 랜덤 포레스트를 로지스틱 모델 대신 사용하는 등 모델 잘못 설정 조건 하에서도 클러스터링 기반 접근 방식이 강력한 성능을 유지했다.
• 수치 실험에서 CSMP 알고리즘은 단일 제품 및 단일 클러스터 기준 대비 낮은 회귀 손실과 더 높은 수익을 달성했다.
• 결과적으로 온라인 클러스터링은 저매출 제품 환경에서 동적 가격 설정을 향상시키는 효과적인 방법임을 입증했다.