[논문 리뷰] Predictive and Prescriptive Analytics for Location Selection of Add-on Retail Products

Teng Huang, David Bergman외 1명|arXiv (Cornell University)|2018. 04. 03.

Consumer Market Behavior and Pricing참고 문헌 30인용 수 3

한 줄 요약

이 논문은 기계학습을 통해 파생 수요를 예측하고 혼합정수최적화를 통해 영향력 있는 위치를 선정하여 추가 상품 유통망 확장을 최적화하는 통합 예측 및 의사결정 분석 프레임워크를 제안한다. 기존 정책 대비 예상 매출을 최대 14.25% 향상시키며, 거리 감쇠 공간 가중치 행렬을 통해 모델링된 공간 자기상관이 예측 정확도를 크게 향상시킨다.

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.

연구 동기 및 목표

• 소매 체인에서 추가 상품 유통망 확장을 위한 최적의 위치를 선정하기 위한 데이터 기반 프레임워크를 개발하기 위해.
• 실물 매장에서의 기본 상품 판매에 의존하는 추가 상품 판매 수요에 기인한 유도 수요 문제를 해결하기 위해.
• 예측 모델링과 최적화를 통합하여 기존 기본 상품 판매 히ュ리스틱을 초월한 자동화되고 향상된 확장 결정을 도모하기 위해.
• 소매 확장에서 공간 자기상관이 예측 정확도와 최적화 성능에 미치는 영향을 평가하기 위해.

제안 방법

• 점포 판매 데이터, 인구통계 데이터(소득, 인구) 및 공간 가중치 행렬을 기반으로 다수의 기계학습 모델(선형 회귀, 선형 커널 SVR, 반경 커널 SVR)을 훈련한다.
• 기본 상품 수요의 공간 자기상관을 모델링하기 위해 거리에 따라 감쇠하는 공간 가중치 행렬을 통합한다.
• 모라인의 I 검정을 통해 공간 자기상관을 검증하고 예측 모델에 공간 특징을 포함할 시기를 결정한다.
• 예측 성능이 가장 뛰어난 모델의 예측 결과를 기반으로, 능력 제약 조건 하에서 최적의 확장 지점 집합을 선정하는 혼합정수최적화 모델(EO-P*)을 제작한다.
• 다양한 예측 모델(LR, LK, RK)을 대비로 EO-P* 해를 평가하여 해의 안정성과 신뢰성을 점검한다.
• 비선형 예측 모델이 도입한 복잡성을 고려하여, 예상 매출을 극대화하는 의사결정 최적화 프레임워크를 구현한다.

실험 결과

연구 질문

• RQ1 기본 상품 수요의 공간 자기상관이 추가 상품 수요 예측 모델의 정확도에 어떤 영향을 미치는가?
• RQ2 공간 가중치 행렬을 통합할 경우, 유도 수요 예측 모델의 성능에 어떤 영향을 미치는가?
• RQ3 예측-의사결정 통합 프레임워크가 기본 상품 판매에 기반한 기존 정책보다 우월한가?
• RQ4 다양한 예측 모델과 데이터 구성에서 최적의 확장 결정은 얼마나 견고한가?
• RQ5 비선형 예측 모델의 맥락에서 모델 복잡도와 최적화 성능 사이의 상충 관계는 어떠한가?

주요 결과

• 예측 모델은 표본 외 평균 백분율 오차가 약 20%로, 유사한 맥락에서 기존 문헌 대비 뛰어난 성능을 보였다.
• 공간 가중치 행렬을 포함할 경우, 모라인의 I 검정을 통해 확인된 바와 같이 공간 자기상관이 존재할 때에만 예측 정확도가 향상되었다.
• EO-P* 최적화 프레임워크는 기존 정책 대비 예상 매출을 최대 14.25% 향상시켰으며, 여러 지역과 예측 모델에서 일관된 성과를 기록했다.
• 모든 테스트된 예측 모델에서 EO-P* 해는 기존 방법을 일관되게 뛰어넘었으며, 오직 Region 2의 LK 모델에서 한 번의 예외를 제외하고는 강력한 견고성을 보였다.
• 최적화 모델의 구조와 복잡도는 예측 모델의 비선형성에 직접적으로 영향을 받았으며, 예측과 의사결정 모델링 간의 상호의존성을 강조했다.
• 견고성 검증을 통해 EO-P* 해는 대안 예측 모델에서도 여전히 뛰어난 성능을 유지함을 확인하여, 관리자들이 제안 사항에 대해 더 높은 신뢰를 가질 수 있게 되었다.