기술 요약: 혼란(Confounding)에서 학습으로: 제3자 플랫폼에서의 동적 서비스 수수료 가격 결정

1. 문제 정의

본 논문은 판매자와 전략적 구매자 사이의 거래를 중개하는 제3자 플랫폼(예: 음식 배달, 승차 공유, 티켓 재판매)이 직면한 동적 가격 결정 문제를 다룬다. 플랫폼의 수익은 각 거래에 부과되는 서비스 수수료($a_t$)로부터 발생한다. 핵심 과제는 전략적 구매자와 고용량 수요 모델이 존재하는 상황에서의 혼란(confounding) 하의 수요 학습이다.

• 시장 역학: 판매자는 플랫폼이 수수료를 설정하기 전에 공급 곡선($P_{St}$)을 확정한다. 플랫폼은 공급 특성을 관찰하고 수수료 $a_t$를 설정한다. 구매자는 총 가격(공급 가격 + 서비스 수수료)에 따라 구매량을 결정하며, 이는 할인된 누적 잉여를 극대화하려는 전략적 행동을 기반으로 한다.
• 혼란 문제: 플랫폼은 오직 시장 청산 가격($P^e_t$)과 수량($Q^e_t$)만을 관찰할 수 있다. 이들은 공급, 수요, 그리고 플랫폼 자신의 수수료에 의해 공동으로 결정된다. $Q^e_t$를 $P^e_t$에 대해 단순 회귀 분석하는 것은 실패하는데, 이는 수수료 $a_t$가 수요 충격 $\epsilon_{Dt}$에 내생적(endogenous)이기 때문이며, 이로 인해 편향된 추정치(예: 잠재적으로 양(+)의 수요 기울기)가 발생한다.
• 전략적 행동: 구매자는 미래의 수수료를 조작하기 위해 수요를 허위 보고할 수 있다. 만약 구매자가 플랫폼만큼 인내심이 있다면($\gamma=1$), 어떤 알고리즘도 아선형(sublinear) 후회(regret)를 달성할 수 없다. 본 논문은 구매자가 덜 인내적인($\gamma < 1$) 경험적으로 유의미한 영역에 초점을 맞춘다.
• 모델 복잡성: 현대적 플랫폼은 수요 예측을 위해 심층 신경망(DNN)과 같은 고용량 모델을 활용한다. 표준적인 비모수적 도구 변수(IV) 이론은 일반적으로 "스타 모양(star-shapedness)" 가정을 필요로 하지만, DNN은 대개 이를 위반한다.

2. 방법론

저자들은 플랫폼 자신의 결정 변수를 학습을 위한 유효한 도구 변수로 변환하는 프레임워크를 제안하며, 동적 및 전략적 환경을 처리하기 위한 구체적인 엔지니어링 개선 사항을 결합한다.

2.1 행동-으로서-의-도구 (Actions-as-Instruments, AaI)

중심적인 방법론적 통찰은 서비스 수수료 $a_t$ 자체가 유효한 도구 변수 역할을 할 수 있다는 점이다.

• 직교성(Orthogonality): 플랫폼은 수요 충격 $\epsilon_{Dt}$가 실현되기 전에 $a_t$를 확정하므로, $a_t$는 이력(history)에 대해 $\epsilon_{Dt}$와 직교한다.
• 식별(Identification): 이를 통해 모멘트 조건 $E[(P^e_t - \beta Q^e_t - f(x_t)) a_t] = 0$을 구축할 수 있으며, 이는 표준적인 특성 직교성과 결합되어 $a_t$가 적응적으로 선택되더라도 수요 파라미터를 식별할 수 있게 한다.
• 비독립 동일 분포(Non-i.i.d.) 처리: $a_t$는 독립 동일 분포가 아니므로(과거 이력에 의존함), 저자들은 표준 i.i.d. 도구 대신 마팅게일 집중(martingale concentration) 논증을 사용하여 식별을 증명한다.

2.2 엔지니어링 개선 사항

AaI 접근법을 실제로 작동시키기 위해 세 가지 구체적인 메커니즘이 도입된다.

1. 이중 강건 보정(Doubly-Robust Correction): 추정치의 분산을 제어하고 수렴을 가속화하기 위해, 저자들은 이중 강건 구조 방정식 $E[(P^e_t - \beta Q^e_t - f(x_t))(a_t - E[a_t | x_t])] = 0$을 사용한다. 이는 수요 모델이나 수수료 예측 모델 중 하나만 올바르게 지정되어도 일관성을 보장한다.
2. 소멸하는 노이즈를 동반한 적응적 탐색: 공급 측 노이즈($\sigma^2_S$)가 낮을 때 도구 변수는 약해진다. 알고리즘은 수수료에 $t^{-1/4}$ 크기의 인공 가우시안 노이즈를 주입한다. 이 비율은 약한 도구 변수의 분산을 제어하는 것과 탐색 후회를 최소화하는 것 사이의 유일한 균형점으로 증명되었다.
3. 낮은 전환 업데이트(Low-Switching Updates): 구매자의 전략적 조작을 완화하기 위해, 정책 파라미터는 더블링 에피소드(doubling episodes) 내에서 $O(\log T)$번만 업데이트된다. 이는 미래의 수수료 감소가 기하급수적으로 할인되므로, 구매자가 수요를 허위 보고할 유인을 제한한다.

2.3 심층 신경망 처리

DNN로 프레임워크를 확장하기 위해, 저자들은 보조 함수 클래스로의 **위상 동형 사상(homeomorphism)**을 구축한다.

• 스타 모양 가정 우회: 표준 IV 이론은 함수 클래스가 참 함수 주변에서 스타 모양이어야 한다고 요구한다. 저자들은 원래 클래스와 위상 동형이지만 참 함수에 대해 스타 모양인 보조 클래스를 구축한다.
• 차원성: 이 구축은 유효 차원을 최대 1만큼 증가시켜, 스타 모양성을 가정하지 않고도 임의의 깊은 다층 퍼셉트론(MLP)에 대한 후회 경계 도출을 가능하게 한다.

3. 주요 결과

3.1 미니맥스 후회 및 상전이(Phase Transition)

본 논문은 공급 측 노이즈의 분산($\sigma^2_S$)에 따른 급격한 상전이를 드러내는 미니맥스 최적 후회율을 확립한다.

• 높은 공급 노이즈 ($\sigma^2_S \gtrsim 1/\sqrt{T}$): 자연적인 공급 변동이 충분한 탐색을 제공한다. 플랫폼은 인공 노이즈를 주입할 필요가 없다. 후회는 $T$에 대해 로그(logarithmic) 수준이다 ($\tilde{O}(1)$).
• 낮은 공급 노이즈 ($\sigma^2_S \lesssim 1/\sqrt{T}$): 공급이 너무 안정적이어서 수요를 식별하기 어렵다. 플랫폼은 $t^{-1/4}$ 노이즈를 주입하여 명시적으로 탐색해야 한다. 이 경우 후회는 $\tilde{O}(\sqrt{T})$로 스케일링된다.
• 통합 경계: 미니맥스 후회는 $\tilde{\Theta}(\sqrt{T} \wedge \sigma^{-2}_S)$이다.

3.2 전략적 구매자 후회

할인율 $\gamma < 1$인 구매자에 대해, 후회는 $1/(1-\gamma)$에 대한 다항식 의존성만을 보인다. 낮은 전환 업데이트 스케줄은 수요 곡선의 전략적 왜곡이 통제된 상태로 유지되도록 보장한다.

3.3 하한(Lower Bound) 구축

논문은 $\Omega(\sqrt{T} \wedge \frac{\log T}{\sigma^2_S})$의 일치하는 하한을 제공한다. 증명 과정에서는 수요 노이즈($\epsilon_{Dt}$)가 전달하는 정보 채널을 격리하는 새로운 구성을 도입한다. 수요 파라미터와 수요 노이즈의 크기를 동시에 조정함으로써, 저자들은 1차 및 2차 차이가 모두 사라지는 구별 불가능한 사례들을 만들어내는데, 이는 동적 가격 결정 하한 연구에서 이전에 사용되지 않은 기법이다.

4. 경험적 검증

저자들은 합성 데이터와 실제 데이터셋을 모두 사용하여 접근 방식을 검증한다.

• 합성 실험: 시뮬레이션은 $\sigma^2_S \approx 1/\sqrt{T}$에서의 상전이를 확인하며, 이중 강건 보정이 일반 IV에 비해 추정치 분산을 크게 줄임을 보여준다.
• Talabat (음식 배달): 이집트 음식 배달 플랫폼의 미시적 거래 데이터를 사용하여, 저자들은 단순 OLS 회귀가 유의미하지 않은 수요 기울기를 산출하는 반면(혼란 발생), AaI 방식은 통계적으로 유의미하고 경제적으로 타당한 수요 탄력성($\approx -0.53$)을 생성함을 보여준다. 오프라인 카운터팩추얼(counterfactual) 분석에 따르면, 평균 수수료 고정 제약 하에서 피크 및 비피크 시간대에 수수료를 동적으로 재배분함으로써 약 $5.5\times$의 수익 상승 잠재력이 있음이 시사되었다.
• Lyft (승차 공유): 보스턴 승차 공유 데이터를 이용한 연구는 트랜스포머(Transformer)를 사용하여 비선형 모델로 방법론을 확장한다. 개선 폭은 (성숙한 서지 프라이싱 특성상) 비교적 완만하지만, 이 실험은 복잡한 비분리적(non-separable) 수요 함수에 딥 IV 회귀를 적용하는 것이 가능함을 입증한다.

5. 의의 및 주장

본 논문은 세 가지 주요 기여를 주장한다:

1. 방법론적 혁신: "행동-으로서-의-도구" 프레임(martingale concentration, low-switching 등의 특정 조건이 충족되는 한)이 플랫폼 자신의 적응적 결정이 수요 학습을 위한 유효한 도구 역할을 할 수 있음을 증명함으로써 새로운 프레임워크를 도입했다.
2. 이론적 통찰: 시장 변동성이 단순한 노이즈가 아니라 정보가 되는 동적 가격 결정의 근본적인 상전이를 밝혀냈다. 수요의 학습 가능성은 근본적으로 공급 측 충격의 분산에 의해 결정된다.
3. 실무적 적용 가능성: 스타 모양성 가정을 위상 동형 사상을 통해 우회함으로써, 임의의 깊이를 가진 신경망을 사용하여 혼란이 존재하는 상황에서의 수요 학습에 대한 최초의 이론적 후회 보장을 제공한다.

저자들은 자신들의 접근 방식이 시장의 자연스러운 변동성에 맞춰 탐색을 정교하게 조정한다면, 복잡하고 전략적이며 고차원적인 환경에서 수익을 최적화하려는 제3자 플랫폼에 실행 가능한 경로를 제공한다고 결론짓는다.