[논문 리뷰] Counterfactual Inference for Consumer Choice Across Many Product Categories

Robert Donnelly, Francisco J. R. Ruiz외 2명|arXiv (Cornell University)|2019. 06. 06.

Consumer Market Behavior and Pricing참고 문헌 53인용 수 17

한 줄 요약

이 논문은 잠재 인자 분해와 소비자 이질성을 활용하여 여러 제품 카테고리에 걸쳐 소비자 선호도를 동시에 추정하는 확장 가능한 베이지안 계층 모델을 제안한다. 시간에 따라 변화하는 가격과 재고 소진 사건을 통합함으로써, 고립된 카테고리 모델 대비 대체적 추론(특히 가격 민감도와 개인 맞춤 프ом모션에 대한)을 향상시키며, 보류된 데이터에서 예측 정확도와 개인 맞춤화 효과성에 있어 뚜렷한 향상을 보였다.

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.

연구 동기 및 목표

• 여러 제품 카테고리에 걸쳐 소비자 수요를 동시에 모델링하여 다중 카테고리 간 선호도 상관관계를 포착한다.
• 특히 낮은 구매 빈도 제품에 대해 가격 민감도와 이질성을 개선하여 추정한다.
• 개인 맞춤 할인과 가격 변화에 대한 소비자 반응에 대한 정확한 대체적 예측을 가능하게 한다.
• 구매력이 낮은 소비자에게도 데이터 풀링을 통해 카테고리 간 정보를 활용하여 추론을 향상시키는 모델을 개발한다.
• 예측 정확도보다는 대체적 성능을 기반으로 하이퍼파rameter를 조정함으로써 실세계 적용가치를 향상시킨다.

제안 방법

• 제품 특성, 가격 민감도, 소비자 선호도에 대한 잠재 인자로 소비자 유틸리티를 분해하는 내재된 인자 분해 모델을 사용한다.
• 대규모 데이터셋에 스케일링하기 위해 평균 필드 가우시안 근사와 함께 변분 추론을 적용한다.
• 가격과 가용성이 일정한 '세션'을 도입하여 시간에 따라 변화하는 조건과 재고 소진 사건을 모델링할 수 있도록 한다.
• 증거 하한 bound(ELBO) 최적화를 위해 확률적 경량 최적화를 위한 재정의 기법을 활용한다.
• 제품 수준과 카테고리 수준의 잠재 인자를 포함하며, 비가격 특성과 가격 민감도에 대해 별도의 차원을 설정한다.
• 예측 정확도보다는 대체적 성능을 우선시하여, 대체적 가격 변화와 재고 소진 사건에 대한 검증을 통해 하이퍼파rameter를 조정한다.

실험 결과

연구 질문

• RQ1 고립된 카테고리 모델 대비 다중 카테고리 통합 모델링이 소비자 가격 민감도 추정에 어떻게 기여하는가?
• RQ2 특정 카테고리에서 전혀 또는 거의 구매한 기록이 없는 소비자에 대해 모델이 얼마나 정확하게 선호도를 추론할 수 있는가?
• RQ3 더 풍부한 잠재 구조를 통해 모델의 대체적 결과 예측 능력(예: 타겟팅 할인의 영향)은 어떻게 향상되는가?
• RQ4 시간에 따라 변화하는 가격과 재고 소진 사건을 통합함으로써 모델 성능에 어떤 영향을 미치는가?
• RQ5 예측 정확도 기반 조정이 아닌 대체적 성능 기반 조정을 통해 하이퍼파rameter를 조정할 경우, 모델의 실용성은 어떻게 향상되는가?

주요 결과

• 내재 인자 분해 모델은 중앙값 자체 가격 민감도를 -1.7121로 추정하여 다항 로짓 모델(-1.1841)과 중첩 로짓 모델(-1.2976)보다 유의미하게 더 음수로 추정하여 더 강한 가격 민감도를 반영한다.
• 혼합 로짓 모델 대비 제품 간 평균 민감도의 표준편차를 감소시켜(SD(Mean) = 1.2008), 민감도 추정이 더 일관되게 유지됨을 보였다 (혼합 로짓 모델: SD(Mean) = 1.7822).
• 가격 변화와 재고 소진에 대한 소비자 반응을 예측하는 데 있어 뛰어난 성능을 보였으며, 보류된 데이터에서 대체적 정확도가 향상되었다.
• 카테고리 간 정보 풀링을 통해, 어떤 카테고리에서도 구매 이력이 없는 소비자에 대해서도 선호도 추정이 정확해졌으며, 희귀 품목에 대한 추론이 향상되었다.
• 대체적 성능 기반 하이퍼파rameter 조정은 예측 정확도 기반 조정보다 더 높은 실세계 적용가치를 제공하였다.
• 제품 특성에 대해 80차원의 잠재 인자와 가격 민감도에 대해 20차원의 잠재 인자를 포함하며, 선형 가격 항까지 포함한 모델이 가격 변화 사건에 대한 검증 기반으로 최적의 모델로 선정되었다.