[论文解读] Optimization Beyond Prediction: Prescriptive Price Optimization

Shinji Ito, Ryohei Fujimaki|arXiv (Cornell University)|May 18, 2016

Advanced Bandit Algorithms Research参考文献 13被引用 7

一句话总结

本文提出了一种预测性价格优化框架，利用机器学习衍生的需求模型，通过将问题建模为二元二次规划（BQP），同时为数百种产品确定最优价格。该框架引入了一种基于SDP松弛的快速近似求解器，灵感源自Goemans-Williamson的Max-Cut方法，在真实零售数据上实现了8.2%的毛利提升，且计算时间实际可行。

ABSTRACT

This paper addresses a novel data science problem, prescriptive price optimization, which derives the optimal price strategy to maximize future profit/revenue on the basis of massive predictive formulas produced by machine learning. The prescriptive price optimization first builds sales forecast formulas of multiple products, on the basis of historical data, which reveal complex relationships between sales and prices, such as price elasticity of demand and cannibalization. Then, it constructs a mathematical optimization problem on the basis of those predictive formulas. We present that the optimization problem can be formulated as an instance of binary quadratic programming (BQP). Although BQP problems are NP-hard in general and computationally intractable, we propose a fast approximation algorithm using a semi-definite programming (SDP) relaxation, which is closely related to the Goemans-Williamson's Max-Cut approximation. Our experiments on simulation and real retail datasets show that our prescriptive price optimization simultaneously derives the optimal prices of tens/hundreds products with practical computational time, that potentially improve 8.2% of gross profit of those products.

研究动机与目标

• 解决利用复杂、基于机器学习的需求模型，为大规模产品组合推导最优、同步定价策略的挑战。
• 通过开发一种可扩展的近似方法，克服大规模定价优化中BQP问题的计算不可行性。
• 以一种可泛化于各行业的通用方式，将预测分析与预测性决策制定相结合，避免领域特定假设。
• 通过稀疏学习技术减轻因模型估计误差导致的利润高估风险。

提出的方法

• 该方法首先在历史数据上训练非线性回归模型，以捕捉复杂的需求-价格关系，包括价格弹性和产品间替代效应。
• 将这些预测模型转化为依赖于产品价格的利润函数，作为优化的目标。
• 将优化问题表述为二元二次规划（BQP）问题，其中二元变量表示相对于基线价格的变动。
• 对BQP问题应用半定规划（SDP）松弛，利用类似于Goemans-Williamson Max-Cut算法的技术实现快速近似求解。
• SDP松弛为大规模问题提供了可处理且可扩展的解决方案路径，使混合整数规划在该场景下变得不可行。
• 应用稀疏学习以减少过拟合，并缓解由模型估计误差引起的利润高估问题。

实验结果

研究问题

• RQ1 基于机器学习的需求模型能否有效集成到数学优化框架中，以推导出多产品最优定价策略？
• RQ2 如何通过一种可扩展且高效的近似方法，解决定价优化中大规模BQP问题的NP难性质？
• RQ3 所提出的SDP松弛方法在解的质量和计算时间方面，相较于传统混合整数规划方法，优势有多大？
• RQ4 机器学习模型中的估计误差如何影响利润预测？这些误差是否能在优化框架中得到缓解？

主要发现

• 所提出的预测性价格优化框架在包含50种啤酒产品的实际零售数据集中，实现了8.2%的毛利提升。
• 基于SDP松弛的求解器使数百种产品的同步优化在实际计算时间内完成，其可扩展性和解的质量优于现有最先进方法。
• 实证评估表明，机器学习模型中的估计误差可能导致预期利润的显著高估。
• 稀疏学习被证明能有效降低利润高估风险，通过过滤掉预测模型中的噪声或无关特征。
• 该框架在多种产品类型和定价动态（包括交叉价格效应和弹性）下表现出稳健性与可泛化性。
• 即使在需求预测存在噪声或不准确的情况下，该方法仍能保持高解的质量，尤其在结合正则化技术时。