Causal Forecasting for Pricing

要約

この論文では、価格設定の観点から需要を予測するための新しい方法を提案します。
ここで、小売業者は下流の意思決定問題において（利益）最適な方法で価格を設定することを目指しているため、需要への入力変数としての価格間の因果関係をモデル化することが重要です。
私たちの手法は、因果推論のための Double Machine Learning 手法と最先端のトランスフォーマーベースの予測モデルを組み合わせたものです。
広範な実証実験により、一方では、合成された、しかし現実的なデータを介して完全に制御された設定で、私たちの方法が因果関係をより適切に推定できることを示しました。
一方、実世界のデータでは、ポリシー設定以外の設定 (つまり、価格設定ポリシーに変更がある場合) では、私たちの手法が予測手法よりも優れている一方、ポリシー設定の場合にはわずかに劣ることが実証されています。

要約(オリジナル)

This paper proposes a novel method for demand forecasting in a pricing context. Here, modeling the causal relationship between price as an input variable to demand is crucial because retailers aim to set prices in a (profit) optimal manner in a downstream decision making problem. Our methods bring together the Double Machine Learning methodology for causal inference and state-of-the-art transformer-based forecasting models. In extensive empirical experiments, we show on the one hand that our method estimates the causal effect better in a fully controlled setting via synthetic, yet realistic data. On the other hand, we demonstrate on real-world data that our method outperforms forecasting methods in off-policy settings (i.e., when there’s a change in the pricing policy) while only slightly trailing in the on-policy setting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google