[논문 리뷰] Pricing from Observational Data

Dimitris Bertsimas, Nathan Kallus|arXiv (Cornell University)|2016. 05. 08.

Monetary Policy and Economic Impact참고 문헌 9인용 수 4

한 줄 요약

이 논문은 관찰 데이터에서 최적 가격 설정을 위한 원인 인과 기반 프레임워크를 제안하며, 예측 기반 접근 방식이 반대되는 수요를 누락시켜 진정한 이윤 최적화 가격을 특정하지 못하는 한계를 해결한다. 식별 가능성 조건을 설정하고, 이론적 보장을 갖춘 비모수적 및 모수적 알고리즘을 개발하며, 자동차 대출 데이터셋에서 예측 기반 접근 방식이 손실하는 이윤의 36–70%를 복구함을 입증한다.

ABSTRACT

Given observational data on price and demand, the price optimization problem is sometimes addressed in the literature by a predictive approach: (a) fit a model to the data that best predicts demand given price and (b) substitute the predictive model into the overall profit and optimize for price. We show that, because historical demand at all prices but the observed one is missing, the price optimization problem is not well specified by the data, and in particular, the predictive approach fails to find the optimal price. We bound the suboptimality of the predictive approach, even when the optimal price cannot be identified from the data, by leveraging the special structure of the problem. Drawing from the causal inference literature, we provide su cient conditions for the optimal price to be identifiable from the data. Given these conditions, we provide parametric and non-parametric algorithms for the price optimization problem. In the non-parametric case we prove consistency and asymptotic normality and establish rates of convergence. We develop a hypothesis test for asymptotic profit optimality of any algorithm for pricing from observational data. We use this test to demonstrate empirically in an auto loan dataset that both parametric and non-parametric predictive approaches lose significant profit relative to the optimum and that our prescriptive parametric framework leads to profit that cannot be distinguished from the optimal one, recovering 36-70% of profits lost by the predictive approaches.

연구 동기 및 목표

• 예측 기반 접근 방식의 근본적인 결함을 해결하기 위해, 반대되는 수요 데이터가 누락되어 진정한 최적 가격을 특정할 수 없는 문제를 해결한다.
• 원인 인과 원리에 기반하여 관찰 데이터에서 최적 가격이 식별 가능한 충분한 조건을 설정한다.
• 이 조건 하에서 일관성 있고 점근적으로 정규분포를 따르는 비모수적 및 모수적 알고리즘을 개발하여 가격 최적화를 수행한다.
• 관찰 데이터에서 어떤 가격 설정 알고리즘이 점근적으로 이윤 최적화를 달성하는지 평가하기 위한 귀무가설 검정을 제공한다.
• 실제 데이터에서 제안된 프레임워크가 표준 예측 기반 방법보다 뛰어나다는 실증적 증거를 제시한다.

제안 방법

• 원인 인과 모델을 활용하여 관찰 데이터에서 최적 가격이 식별 가능한 조건을 규명한다.
• 핵심 방법을 사용하여 수요 함수를 추정하는 비모수적 알고리즘을 제안하며, 일관성과 점근적 정규성의 증명이 있다.
• 수요를 가격에 대한 구조적 가정 하에 함수로 모델링하는 모수적 프레임워크를 개발하여 효율적인 최적화를 가능하게 한다.
• 어떤 가격 설정 알고리즘이 점근적으로 이윤 최적화를 달성하는지 평가하기 위한 귀무가설 검정을 도입한다.
• 최적 가격이 완전히 식별되지 않더라도 비모수적 추정기로 예측 기반 접근 방식의 비최적성 범위를 제한한다.
• 두 단계 추정 절차를 활용한다: 먼저 수요 함수를 추정하고, 그 다음 추정된 모델을 사용해 이윤을 최적화한다.

실험 결과

연구 질문

• RQ1 관찰된 가격과 수요 데이터에서 이윤 최적화 가격을 언제 식별할 수 있는가?
• RQ2 반대되는 수요가 관측되지 않을 경우, 예측 기반 접근 방식의 비최적성은 진정한 최적 가격과 비교해 어떻게 되는가?
• RQ3 가격 최적화 맥락에서 비모수적 수요 추정 방법이 일관성과 점근적 정규성을 달성할 수 있는가?
• RQ4 어떤 가격 설정 알고리즘이 점근적으로 이윤 최적화를 달성하는지 평가하기 위한 통계적 검정이 존재하는가?
• RQ5 실제 환경에서 표준 예측 기반 접근 방식은 최적 솔루션 대비 얼마나 많은 이윤을 잃는가?

주요 결과

• 예측 기반 가격 최적화 접근 방식은 관측된 데이터에 잘 맞더라도 반대되는 수요가 누락되어 근본적으로 비최적임을 입증한다.
• 제안된 비모수적 알고리즘은 일관성과 점근적 정규성을 갖추며, 추정된 수요 함수에 대해 수렴 속도가 명시되어 있다.
• 자동차 대출 데이터셋에서 예측 기반 접근 방식은 상당한 이윤 손실을 입는다—최대로는 달성 가능한 이윤의 70%를 상실한다.
• 제안된 모수적 프레임워크는 최적 이윤과 통계적으로 구별할 수 없을 정도의 가격 결정을 도출하며, 예측 기반 방법이 손실한 이윤의 36–70%를 복구한다.
• 제안된 귀무가설 검정은 점근적으로 이윤 최적화를 달성하는 알고리즘을 성공적으로 식별하여 가격 전략의 실증적 검증을 가능하게 한다.
• 이 연구는 원인 인과 이론에서 유도된 특정 구조적 조건 하에서 최적 가격의 식별 가능성이 가능하다는 것을 입증한다.