Riepilogo Tecnico: Elasticità Integrabile tramite Potenziali di Domanda Neurale

Enunciato del Problema

Nella determinazione dei prezzi al dettaglio per più prodotti, una sfida centrale consiste nell'apprendere elasticità di prezzo stabili, riproducibili ed economicamente plausibili su larga scala. Le elasticità sono derivate della mappa della domanda; di conseguenza, piccole irregolarità su scala ridotta in una superficie di domanda stimata possono essere amplificate in grandi fluttuazioni rumorose o economicamente implausibili nelle stime delle elasticità. Questo problema è esacerbato negli scenari multiprodotto, dove la matrice delle elasticità accoppia tutte le Unità di Mantenimento delle Scorte (SKU) e gli effetti incrociati sui prezzi sono spesso deboli, eterogenei e difficili da identificare dai dati osservazionali a causa della correlazione tra attività di prezzo e promozionali.

Gli approcci esistenti affrontano un compromesso:

• Modelli strutturali classici (es. AIDS, QUAIDS) impongono forme funzionali rigide che possono fallire nel catturare schemi di sostituzione complessi e dipendenti dallo stato.
• Modelli di machine learning standard (es. Gradient Boosting, reti neurali generiche) spesso trattano l'elasticità come una derivata ex post di un predittore adattato. Sebbene flessibili, questi modelli non garantiscono che il campo di elasticità risultante corrisponda a una singola funzione di domanda globalmente coerente. Se le elasticità sono parametriche direttamente o derivate numericamente da una superficie irregolare, il modello può produrre elasticità localmente plausibili ma non globalmente integrabili, portando a ricostruzioni della domanda dipendenti dal percorso.

Metodologia: La Rete di Domanda Dipendente dal Contesto Integrabile (ICDN)

Gli autori propongono la Rete di Domanda Dipendente dal Contesto Integrabile (ICDN), un'architettura neurale "prima la domanda". Invece di modellare direttamente le elasticità, l'ICDN apprende il log-domanda come una funzione liscia, condizionata dal contesto, dei log-prezzi. Le elasticità sono quindi ottenute come derivate esatte e analitiche di questa superficie appresa, garantendo l'integrabilità matematica (cioè l'esistenza di una funzione potenziale).

Architettura Principale

1. Formulazione Prima la Domanda:
   Il modello definisce il log-domanda $y(u, x)$ come funzione dei log-prezzi $u = \log p$ e delle covariate contestuali $x$ (negozio, tempo, promozioni, metadati del prodotto). La matrice delle elasticità $E$ è definita come lo Jacobiano di questa superficie: $E_{ij} = \partial y_i / \partial u_j$. Per costruzione, se la superficie è sufficientemente liscia, il campo di elasticità è integrabile.

2. Rappresentazione Strutturata del Prezzo:
   Piuttosto che utilizzare un generico perceptron multistrato, l'ICDN decompone la superficie di domanda in componenti interpretabili:

   • Componenti Lineari: Termini log-log localmente lineari per gli effetti sul proprio prezzo ($\beta_{ii} u_i$) e per gli effetti incrociati diretti ($\beta_{ij} u_j$).
   • Raffinamenti Non Lineari a Spline: Spline cubiche tronche specifiche per prodotto $B_i(u_i)$ applicate ai log-prezzi. Queste permettono alla pendenza e alla curvatura della domanda di variare attraverso le regioni di prezzo specifiche per il supporto empirico di ciascuna SKU.
   • Interazioni Spline-Spline: Un termine $B_i(u_i)^\top U^{(ij)}(x) B_j(u_j)$ cattura effetti non lineari di posizionamento relativo dei prezzi tra i prodotti $i$ e $j$.

3. Condizionamento Contestuale e Sparsità:

   • Codifica Tokenizzata: Ogni SKU è mappata in un vettore latente $h_i$ tramite un codificatore condiviso che elabora token contestuali (negozio, stagionalità, ciclo di vita, ecc.).
   • Interazioni Dirette: I parametri incrociati sui prezzi sono generati da coppie ordinate $(h_i, h_j)$, permettendo effetti asimmetrici ($E_{ij} \neq E_{ji}$).
   • Attenzione Sparsa: Per garantire la scalabilità in contesti ad alta dimensionalità, un selettore di vicini sparsi identifica un piccolo insieme di concorrenti rilevanti per ciascuna SKU utilizzando l'attenzione a prodotto scalare e bonus sui metadati. Questo riduce la complessità delle interazioni incrociate sui prezzi da $O(n^2)$ a $O(nk)$.

4. Derivate Analitiche:
   Poiché le basi spline hanno derivate in forma chiusa, il modello calcola le elasticità analiticamente senza affidarsi a valutazioni numeriche dense dello Jacobiano o dell'Hessiano. Ciò garantisce la trattabilità computazionale e la trasparenza.

Addestramento e Regularizzazione

L'obiettivo di addestramento bilancia l'accuratezza predittiva con la regolarità economica:

• Adattamento Robusto: Utilizza una perdita di Huber sul log-domanda per gestire valori anomali ed eteroschedasticità.
• Penalità di Liscezza: Penalizza la seconda derivata quadrata (curvatura) della risposta sul proprio prezzo per prevenire oscillazioni artificiali nella superficie di domanda.
• Penalità a Fascia di Elasticità: Impone vincoli morbidi sulle elasticità implicite. Le elasticità sul proprio prezzo sono incoraggiate a essere negative (entro $[-5, 0]$), e le elasticità incrociate sono scoraggiate dall'essere insolitamente grandi (entro $[-1, 1]$), riflettendo prior empirici per la domanda di birra.
• Vincoli di Segno: Il coefficiente lineare sul proprio prezzo è vincolato a essere non positivo tramite una trasformazione softplus, sebbene l'elasticità totale possa ancora variare localmente a causa dei termini non lineari.

Contributi Chiave

1. Principio Prima la Domanda: Formula la stima delle elasticità come un problema di apprendimento di una superficie di domanda liscia, garantendo che le elasticità derivate siano matematicamente integrabili e globalmente coerenti.
2. Architettura Neurale Strutturata (ICDN): Introduce un modello che combina basi di prezzo esplicite, derivate analitiche a spline e interazioni incrociate sui prezzi sparse e dirette, rendendolo pratico per pannelli di vendita al dettaglio ad alta dimensionalità.
3. Trattabilità Analitica: Sfrutta le derivate in forma chiusa delle basi spline per calcolare le elasticità in modo efficiente, evitando i colli di bottiglia computazionali della differenziazione automatica generica su matrici dense.
4. Eterogeneità Contestuale: Implementa il condizionamento specifico per SKU e l'attenzione sparsa per catturare schemi di sostituzione eterogenei e direzionali senza imporre simmetria.

Risultati Empirici

Gli autori valutano l'ICDN sul dataset scanner di Dominick's Finer Foods per la categoria birra, confrontandolo con un benchmark OLS log-log diretto classico.

• Prestazioni Predittive: L'ICDN dimostra una generalizzazione fuori campione superiore. Attraverso cinque fold di validazione temporale, l'ICDN ottiene un $R^2$ più alto e un Errore Assoluto Medio (MAE) e un Errore Quadratico Medio Radice (RMSE) più bassi nella maggior parte delle triple negozio-SKU-fold abbinate rispetto al benchmark.
• Stabilità delle Elasticità:
  • Proprio Prezzo: L'ICDN produce stime di elasticità significativamente più stabili. Nel ricampionamento bootstrap, l'ICDN genera intervalli di confidenza più stretti (larghezza mediana 1.018 contro 2.683 per il benchmark) e deviazioni standard più basse. Aderisce inoltre rigorosamente al prior economico di una domanda a pendenza negativa (100% di stime negative contro il 99.1% per il benchmark).
  • Prezzo Incrociato: Sebbene gli effetti incrociati sui prezzi siano intrinsecamente più rumorosi, l'ICDN produce stime più riproducibili con intervalli di confidenza più stretti e una dispersione temporale inferiore. In particolare, l'ICDN produce prevalentemente elasticità incrociate positive (91% delle coppie), coerenti con la sostituzione, mentre il benchmark mostra un segnale misto.
• Diagnostica dell'Incertezza: Il documento nota che, sebbene l'ICDN migliori la stabilità, la calibrazione dell'incertezza non è perfetta. Gli intervalli sul proprio prezzo sono leggermente conservativi (sovra-copertura), mentre gli intervalli incrociati mostrano sotto-copertura rispetto alla variazione basata sui fold, suggerendo che, sebbene le stime siano più stabili, non catturano perfettamente l'incertezza causale di verità fondamentale.

Significato e Affermazioni

Il documento afferma che l'ICDN offre un approccio principiato alla modellazione della domanda al dettaglio che colma il divario tra la flessibilità del deep learning e i requisiti strutturali della teoria economica. Trattando le elasticità come derivate di un singolo potenziale di domanda liscio, il modello evita l'incoerenza di apprendere le elasticità come oggetti locali indipendenti.

Gli autori sottolineano che i loro risultati si basano su dati osservazionali e non dovrebbero essere interpretati come identificazione causale di interventi sui prezzi. Piuttosto, il contributo risiede nella produzione di stime di elasticità più stabili, riproducibili ed economicamente coerenti che sono meglio adatte a compiti operativi come la simulazione di scenari, l'ottimizzazione dei ricavi e la diagnostica dei prezzi. Il modello fornisce un quadro in cui i prior aziendali (es. domanda a pendenza negativa) sono incorporati direttamente nell'obiettivo di addestramento, garantendo che la superficie di domanda appresa rimanga interpretabile e robusta al rumore.