🤖 machine learning

Optimizing ARDL Models for Retail Sales Forecasting and Fair Pricing

Questo articolo propone un framework di pricing al dettaglio consapevole dell'equità che utilizza modelli ARDL log-log con vincoli ancorati all'indice dei prezzi al consumo (CPI) e l'ottimizzazione tramite Simulated Annealing per prevenire lo sfruttamento dei consumatori, affrontando le elasticità di prezzo positive causate dall'inflazione e bilanciando al contempo gli obiettivi di vendita con il benessere dei consumatori.

Autori originali: Sujay Uday Rittikar

Pubblicato 2026-07-14✓ Author reviewed ⓘ

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Sujay Uday Rittikar

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere il capitano di una gigantesca nave alimentare che naviga attraverso le acque nebbiose del mercato canadese. Il tuo compito è vendere cibo — mele, uova, latte, pane e caffè — a milioni di persone. Vuoi assicurarti che la tua nave sia piena (massimizzando le vendite), ma vuoi anche evitare di derubare i tuoi passeggeri alla luce del sole.

Per molto tempo, alcuni capitani hanno utilizzato il "prezzo dinamico", che è come un surfista che cavalca le onde della domanda: se tutti vogliono una tavola da surf, alzi il prezzo fino alla luna. Ma questo articolo pone una domanda difficile: è giusto? Se alzi troppo i prezzi, potresti sfruttare le persone, specialmente quando il costo della vita sta già aumentando.

La Sfera di Cristallo Magica (Il modello ARDL)

Per risolvere questo problema, l'autore, Sujay, ha costruito una speciale sfera di cristallo chiamata modello ARDL. Pensa a questo modello come a una calcolatrice che viaggia nel tempo per indovinare il futuro. Non si limita a guardare quante mele sono state vendute il mese scorso; guarda come il prezzo delle mele allora ha influenzato le vendite ora, e come il prezzo di prima ancora ha influenzato le vendite allora.

L'autore ha nutrito questa sfera di cristallo con i dati da gennaio 2017 ad agosto 2024, coprendo tutto il Canada. L'obiettivo era semplice: prevedere come impostare i prezzi per vendere più cibo, ma con una regola ferrea: non puoi far pagare più di quanto il "Indice dei Prezzi al Consumo" (CPI) dichiari sia equo. Il CPI è come un termometro governativo che misura quanto stanno aumentando i prezzi in tutto il paese a causa dell'inflazione.

La Sorpresa: Il Glitch della "Pendenza Ascendente"

È qui che la storia diventa strana. Quando l'autore ha analizzato i numeri dei prezzi "nominali" (gli importi effettivi in dollari sullo scaffale, non corretti per l'inflazione), la sfera di cristallo ha raccontato una storia bizzarra.

Suggeriva che prezzi più alti portano in realtà a vendite più alte.

Sì, hai letto bene. In questa specifica simulazione, il modello pensava che se alzavi il prezzo del latte o delle uova, la gente ne avrebbe comprati di più. Questo è come un glitch in un videogioco dove l'acquisto di una spada rende il tuo personaggio più forte, anche se nella vita reale le spade costose di solito ti portano a comprarne meno.

Il documento spiega che questo non accade perché la gente ama pagare di più; accade perché tutto sta aumentando contemporaneamente. I prezzi stanno salendo, e le vendite totali stanno salendo, tutto perché dell'inflazione generale. Il modello si è confuso e ha pensato che l'aumento dei prezzi fosse la causa dell'aumento delle vendite.

I Due Navigatori: Il Robot contro l'Umano

Per determinare il prezzo migliore, l'autore ha usato due diversi "navigatori" per guidare la nave:

Il Robot (Programmazione Lineare): Questo navigatore è una macchina di logica rigorosa. Vede la regola glitchata "prezzo più alto = più vendite" e pensa: "Ok, per vendere il massimo, devo applicare il prezzo massimo consentito!". Quindi, spinge ogni prezzo verso il limite massimo del CPI. È come un robot che dice: "Se il limite di velocità è 100, io guiderò a 100,0001". Trova l'estremo matematico, ma non è molto amichevole con i passeggeri.
L'Umano (Simulated Annealing): Questo navigatore è un po' più cauto. Utilizza un metodo chiamato "Simulated Annealing" (Ricottura Simulata), che è come un metallo che si raffredda. Parte da un prezzo casuale e "raffredda" lentamente le sue scelte, testando diversi prezzi per vedere cosa funziona. Non si limita a correre verso il limite massimo. Invece, trova un "punto ottimale" nel mezzo. Suggerisce prezzi che sono più bassi del limite massimo, risparmiando denaro per gli acquirenti, pur raggiungendo gli obiettivi di vendita.

I Risultati: Cosa ha Funzionato Davvero?

L'autore ha testato questi metodi su cinque alimenti specifici: Mele, Uova, Latte, Pane Bianco e Caffè Tostato/Macinato.

Il Piano del Robot: Voleva spingere i prezzi verso il soffitto. Per esempio, per le mele, suggeriva un aumento di prezzo del +25%.
Il Piano dell'Umano: Il metodo Simulated Annealing suggeriva prezzi molto più conservativi. Per le mele, suggeriva una variazione di prezzo del -6,57% (ovvero più economico del massimo consentito).

Quando l'autore ha controllato quanto bene questi metodi prevedevano le vendite future, il metodo "Umano" (Simulated Annealing) ha fatto un lavoro migliore nel bilanciare i conti. Ha trovato prezzi che erano più equi per i consumatori ma che soddisfacevano comunque gli obiettivi di vendita.

Il Controllo della Realtà: L'"Artefatto dell'Inflazione"

Il documento è molto onesto riguardo a un limite importante. L'autore ammette che la scoperta "prezzo più alto = più vendite" è probabilmente un glitch causato dall'inflazione.

Per dimostrarlo, l'autore ha ripetuto l'esperimento, ma questa volta ha "deflatato" i numeri. Immagina di scattare una foto a una marea crescente e poi di sottrarre il livello dell'acqua per vedere le rocce reali sottostanti. Quando ha regolato i dati per l'inflazione (osservando i prezzi "reali" invece dei semplici importi in dollari), il bizzarro glitch è scomparso.

Per il Pane Bianco e il Caffè, la relazione si è invertita nel modo normale: prezzi reali più alti significavano meno vendite.
Per gli altri articoli, l'effetto è diventato minimo o nullo.

Questo significa che il "Robot" stava reagendo a un segnale falso (l'inflazione), mentre il metodo "Umano", rimanendo nel mezzo, ha evitato accidentalmente la peggiore delle trappole.

Il Punto Fondamentale

Questo articolo non sostiene di aver risolto il mistero della determinazione dei prezzi per sempre. Anzi, l'autore ammette che se vuoi solo prevedere quanti articoli saranno venduti il mese prossimo, un semplice indovinare (come "sarà uguale al mese scorso") è in realtà più accurato di questo sofisticato modello.

Tuttavia, la vera vittoria del documento è la giustizia.
Dimostra che se utilizzi un normale programma per computer per massimizzare le vendite, questo cercherà di farti pagare il prezzo più alto possibile consentito dalla legge. Ma usando un metodo di ricerca più intelligente e "umano" (Simulated Annealing) e ancorando i prezzi al CPI, i rivenditori possono trovare una via di mezzo. Possono ancora vendere i loro prodotti senza spingere i prezzi al limite assoluto, eliminando l'equazione dello "sfruttamento".

Il documento suggerisce che, sebbene la matematica possa diventare complicata e talvolta confusa dall'inflazione, esiste un modo per usare questi strumenti per mantenere i prezzi alimentari equi, trasparenti e ancorati al costo reale della vita, piuttosto che limitarsi a inseguire il massimo profitio possibile.

Sintesi Tecnica: Ottimizzazione dei Modelli ARDL per la Previsione delle Vendite al Dettaglio e il Pricing Equo

Definizione del Problema
I rivenditori affrontano una doppia sfida: massimizzare i ricavi attraverso il dinamismo dei prezzi e, contemporaneamente, evitare lo sfruttamento dei consumatori e la percezione di iniquità. Sebbene il pricing dinamico sia efficace per la massimizzazione dei profitti, spesso si basa su bias comportamentali o strategie opache che possono portare a esiti non etici, in particolare quando i prezzi sono scollati dai reali valori percepiti dai consumatori. Il documento affronta il rischio specifico di sfruttamento dei consumatori nel settore della vendita al dettaglio alimentare in Canada. Il problema centrale è lo sviluppo di un framework di previsione e pricing che massimizzi le vendite al dettaglio ma aderisca rigorosamente a vincoli di equità, garantendo che i prezzi non superino i livelli giustificati dai trend inflattivi.

Metodologia
La metodologia proposta integra la modellazione econometrica con l'ottimizzazione vincolata per creare un sistema di pricing consapevole dell'equità.

Dati e Variabili: Lo studio utilizza dati mensili da Statistics Canada (gennaio 2017 – agosto 2024), inclusi l'Indice dei Prezzi al Consumo (CPI) per gli alimentari, i prezzi al dettaglio di cinque articoli alimentari specifici (mele, uova, latte, pane bianco, caffè tostato/macinato) e il totale delle vendite al dettaglio.
Specificazione del Modello: Gli autori impiegano un modello Autoregressivo a Ritardi Distribuiti (ARDL) log-log. Questa specificazione è stata scelta perché:
- Accoglie serie temporali non stazionarie (confermate tramite i test di Augmented Dickey–Fuller che mostrano integrazione I(1)).
- Permette l'inclusione di variabili esogene (prezzi) e variabili dipendenti ritardate (vendite).
- Il coefficiente sul log-prezzo ( $\gamma$ ) rappresenta direttamente l'elasticità del prezzo rispetto alle vendite.
- Il modello è testato in due configurazioni: Prodotto singolo (un prezzo come variabile esogena) e Multi-prodotto (tutti i cinque prezzi come variabili esogene).
Framework di Ottimizzazione: Il problema del pricing è formulato come la massimizzazione delle vendite previste ( $\ln \hat{y}$ $ln \overset{y}{^}$ ) soggetta a due set di vincoli:
- Vincoli di Equità: I prezzi sono limitati da un tetto massimo aggiustato per l'inflazione ( $p_{max}$ ) e da un limite inferiore ( $p_{min} = 0,65 \times p_{max}$ ). Questo ancora i prezzi all'inflazione, impedendo aumenti illimitati.
- Vincoli di Plausibilità: Le vendite previste sono limitate entro un intervallo realistico derivato dalla volatilità storica.
Algoritmi di Soluzione:
- Programmazione Lineare (LP): Utilizzata per risolvere il problema di ottimizzazione in modo esatto. Data la linearità della funzione obiettivo e i vincoli a scatola (box constraints), la soluzione LP produce "punti di angolo" (corner points), spingendo i prezzi verso i loro limiti superiori o inferiori a seconda del segno dell'elasticità.
- Simulated Annealing (SA): Un approccio meta euristico utilizzato per esplorare lo spazio delle soluzioni in modo stocastico. A differenza della LP, la SA non si impegna su un vertice della soluzione. Viene impiegata per trovare prezzi "interiori" che siano inferiori al tetto CPI pur soddisfacendo gli obiettivi di vendita, scambiando una quantità marginale di vendite previste con riduzioni significative dei costi per il consumatore.

Risultati Chiave

Elasticità Nominali Positive: Un risultato diagnostico critico è che le elasticità nominali stimate ( $\gamma$ ) nei modelli a prodotto singolo sono positive. Ciò implica che, nei dati grezzi, prezzi più elevati correlano con vendite aggregate più elevate. Di conseguenza, un massimizzatore di vendite non vincolato (la soluzione LP) spingerebbe ogni prezzo al suo limite massimo consentito (il tetto CPI).
Artefatto Inflattivo: Il documento dimostra che queste elasticità positive sono in gran parte un artefatto dell'inflazione generale. Quando le vendite e i prezzi vengono deflazionati tramite il CPI (specificazione in termini reali), le elasticità per pane e caffè diventano negative (economicamente sensate) e altre si riducono verso lo zero. Ciò conferma che il modello nominale cattura i trend inflattivi piuttosto che una risposta della domanda causale.
Performance Algoritmica:
- LP vs. SA: I modelli LP producono raccomandazioni di prezzi estreme (spesso +10% o +25% sopra la base) per massimizzare le vendite. Al contrario, i modelli SA si assestano su prezzi interiori più conservativi, risultando in costi inferiori per il consumatore (variazioni percentuali negative rispetto al tetto CPI) pur raggiungendo gli obiettivi di vendita.
- Accuratezza della Previsione: I modelli ARDL non superano i semplici baseline univariati (Naive, Seasonal Naive, ARIMA, SARIMA) in termini di pura accuratezza della previsione (RMSE/MAPE). Infatti, i semplici baseline hanno ottenuto tassi di errore inferiori.
- Multi-prodotto vs. Prodotto Singolo: Il modello ARDL-SA multi-prodotto ha generalmente mostrato punteggi migliori di variazione percentuale e MAPE per prodotti specifici rispetto alle configurazioni a prodotto singolo.

Significatività e Rivendicazioni
Il documento inquadra esplicitamente il proprio contributo come interpretabilità e equità piuttosto che come pura potenza predittiva.

Trasparenza: Il valore primario del modello ARDL non è la sua capacità di prevedere le vendite in modo più accurato di una previsione ingenua, ma la sua capacità di fornire una relazione interpretabile tra prezzo e vendite basata sull'elasticità. Questa trasparenza è essenziale per inserire vincoli di equità nel processo di ottimizzazione.
Meccanismo di Equità: Lo studio dimostra che, senza vincoli esterni (come il tetto CPI), un massimizzatore di vendite basato sui dati sistematicamente sfrutterebbe i consumatori aumentando i prezzi al limite massimo consentito a causa della correlazione guidata dall'inflazione nei dati.
Utilità Pratica: L'approccio Simulated Annealing offre un meccanismo pratico per i rivenditori per soddisfare gli obiettivi di vendita adottando volontariamente strategie di pricing interiore più favorevoli ai consumatori, bilanciando efficacemente gli obiettivi aziendali con il benessere del consumatore.

Limitazioni
Gli autori riconoscono modestamente alcune limitazioni:

L'analisi si basa su dati aggregati nazionali con un set di test limitato (18 mesi), il che restringe la potenza statistica.
Il modello è descrittivo, non causale; non esegue test formali di cointegrazione né affronta l'endogeneità del prezzo.
Le elasticità nominali positive sono riconosciute come un fattore confondente guidato dall'inflazione piuttosto che un genuino fenomeno della domanda.
L'obiettivo di ottimizzazione è lineare, rendendo la soluzione LP un punto di angolo degenere; pertanto, la meta euristica (SA) è usata non per sfuggire a ottimi locali, ma per generare soluzioni interiore fattibili.