A Neural Network Based Choice Model for Assortment Optimization

要約

離散選択モデルは、経済学、マーケティング、収益管理において、顧客の購入確率を予測するために、たとえば、提供される品揃えの価格やその他の特徴の関数として使用されます。
これらは顧客の異質性や行動を表現力豊かに捉えていることが示されていますが、公共料金などの多くの目に見えないものに基づいていることが多く、推定するのも困難です。
さらに、顧客の行動の多くの顕著な特徴をまだ捉えられていません。
他のコンテキストでの成功を考えると、当然の疑問は、ニューラル ネットワークによって、コンテキスト依存の顧客行動モデルを慎重に構築し、推定を手作業でコーディングして調整する必要性を排除できるかどうかということです。
しかし、このようなニューラル ネットワークに品揃え効果をどのように組み込むのか、また、選択確率のブラ​​ック ボックス生成モデルを使用して品揃えをどのように最適化するのかは不明です。
この論文では、最初に、単一のニューラル ネットワーク アーキテクチャが、さまざまなコンテキストから、さまざまなモデルと仮定の下で生成されたデータセットの購入確率を予測できるかどうかを調査します。
次に、既製の整数計画法ソルバーで解ける品揃え最適化定式化を開発します。
私たちは、シミュレートされたデータセットだけでなく現実世界のデータセットでもさまざまなベンチマーク離散選択モデルと比較し、途中でトレーニング トリックを開発して、ニューラル ネットワークの予測とその後の最適化を堅牢にし、代替モデルと同等のパフォーマンスを実現します。

要約(オリジナル)

Discrete-choice models are used in economics, marketing and revenue management to predict customer purchase probabilities, say as a function of prices and other features of the offered assortment. While they have been shown to be expressive, capturing customer heterogeneity and behaviour, they are also hard to estimate, often based on many unobservables like utilities; and moreover, they still fail to capture many salient features of customer behaviour. A natural question then, given their success in other contexts, is if neural networks can eliminate the necessity of carefully building a context-dependent customer behaviour model and hand-coding and tuning the estimation. It is unclear however how one would incorporate assortment effects into such a neural network, and also how one would optimize the assortment with such a black-box generative model of choice probabilities. In this paper we investigate first whether a single neural network architecture can predict purchase probabilities for datasets from various contexts and generated under various models and assumptions. Next, we develop an assortment optimization formulation that is solvable by off-the-shelf integer programming solvers. We compare against a variety of benchmark discrete-choice models on simulated as well as real-world datasets, developing training tricks along the way to make the neural network prediction and subsequent optimization robust and comparable in performance to the alternates.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google