[논문 리뷰] Model Distillation for Revenue Optimization: Interpretable Personalized Pricing

Max Biggs, Wei Sun외 1명|arXiv (Cornell University)|2020. 07. 03.

Explainable Artificial Intelligence (XAI)참고 문헌 47인용 수 30

한 줄 요약

이 논문은 수익 최적화되고 해석 가능한 가격 트리에서 지식 증류의 활용을 연구하고, 순진한 회귀 트리 접근법의 잠재적 함정들을 지적하며 수익을 극대화하는 처방적 트리를 제안한다.

ABSTRACT

Data-driven pricing strategies are becoming increasingly common, where customers are offered a personalized price based on features that are predictive of their valuation of a product. It is desirable for this pricing policy to be simple and interpretable, so it can be verified, checked for fairness, and easily implemented. However, efforts to incorporate machine learning into a pricing framework often lead to complex pricing policies which are not interpretable, resulting in slow adoption in practice. We present a customized, prescriptive tree-based algorithm that distills knowledge from a complex black-box machine learning algorithm, segments customers with similar valuations and prescribes prices in such a way that maximizes revenue while maintaining interpretability. We quantify the regret of a resulting policy and demonstrate its efficacy in applications with both synthetic and real-world datasets.

연구 동기 및 목표

• 수익 최적화에서 해석 가능하고 처방적 가격 책정 모델의 필요성을 제시한다.
• 수익 극대화를 목표로 할 때 순진한 교사-학생 증류의 함정을 보여준다.
• 수익을 직접 최적화하는 처방적 트리 프레임워크를 제안한다.
• 토이 및 합성 설정에서 처방적 트리를 순진한 회귀 트리 접근법과 비교한다.

제안 방법

• 수요와 가격 효과를 모델링하기 위해 교사-학생 증류 관점을 사용한다.
• 토이 예제로 순진한 회귀 트리가 수익 측면에서 처방적 트리에 비해 성능이 떨어질 수 있음을 보인다.
• 깊이-k의 축정 방향 이진 트리를 개발하여 특징 공간을 하이퍼직사각형으로 분할하고 각 리프에서 수익을 최대화한다.
• 트리의 깊이와 분할이 성능에 미치는 영향을 보이는 이론적 후회 경계를 제시한다.
• 대체 증류 방법과 처방적 트리를 비교하기 위한 합성 실험을 수행한다.
• 가격 개인화에서 실제 데이터(Dunnhumby)에 사용된 전처리 단계와 이산화(discretization) 과정을 논의한다.

실험 결과

연구 질문

• RQ1 가격 설정에서 처방적 결정 트리가 순진한 회귀 트리보다 수익을 직접적으로 더 잘 극대화할 수 있는가?
• RQ2 트리 깊이와 데이터 분할이 수익 성능에 어떤 영향을 미치는가?
• RQ3 토이 및 합성 시나리오에서 증류 기반 접근 방식이 기존의 처방적 방법에 비해 어떤 성과를 보이는가?
• RQ4 실세계 데이터로 처방적 가격 책정을 적용할 때의 실용적 고려사항은 무엇인가? (예: 가격 이산화, 수요 비탄력성)

주요 결과

• 토이에서 비탄력적 수요 설정에서 순진한 회귀 트리 접근법은 처방적 트리의 약 절반 정도의 수익을 낼 수 있다.
• 수익을 직접 최적화하는 처방적 트리는 합성 데이터 세트 전반에서 회귀자 기반 증류 방법보다 더 높은 수익을 달성한다.
• 트리 깊이를 증가시키면 어느 정도까지 수익이 향상되며, 처방적 트리가 순진한 접근법을 능가한다.
• 교사의 수요 예측만을 모방하는 증류 기반 대안은 유사한 수익을 달성하기 위해 훨씬 더 큰 깊이가 필요하고 여전히 처방적 트리보다 성능이 떨어진다.
• 부록 자료는 처방적 문제에 학생-교사 프레임워크를 순진하게 적용하는 잠재적 함정을 보여준다.