Dynamic Wholesale Pricing under Censored-Demand Learning

1. 문제 정의 (Problem Definition)

• 배경: 현대 공급망에서는 재고 부족으로 인해 실제 수요가 아닌 '판매된 수량'만 관찰됩니다. 이는 데이터가 '검열 (Censored)'되었음을 의미하며, 기존의 베이지안 학습 기법들이 많은 표준 수요 분포에서 켤레성 (Conjugacy) 을 잃어 해석적 어려움을 초래합니다.
• 게임 구조:
  • 참여자: 제조사 (Manufacturer, M) 와 소매업자 (Retailer, R).
  • 정보: 두 당사자는 모두 동일한 판매 데이터 (Public Information) 를 관찰하며, 공통된 사후 확률 분포 (Common Posterior) 를 업데이트합니다.
  • 순서: 각 기간 $t$에서 제조사가 도매가 ($w_t$) 를 설정하고, 소매업자가 이를 관찰한 후 주문량 ($q_t$) 을 결정합니다.
  • 목표: 유한 기간 ($T$) 동안의 기대 이윤을 극대화하는 **마르코프 완전 균형 (Markov Perfect Equilibrium, MPE)**을 찾는 것입니다.
• 수학적 모델:
  • 수요는 미지의 매개변수 $\theta$에 의존하며, 뉴스벤더 (Newsvendor) 가족 분포를 따릅니다 ($F(y|\theta) = 1 - e^{-\theta \ell(y)}$).
  • 켤레 사전 분포 (Conjugate Prior) 로 감마 분포를 사용하여, 베이지안 업데이트 후에도 분포 형태가 유지되도록 합니다.
  • 상태 변수는 사전 분포의 모수인 $(a_t, b_t)$ (모양 파라미터, 비율 파라미터) 로 정의됩니다.

2. 방법론 (Methodology)

논문은 다음과 같은 수학적 기법을 통해 문제를 해결합니다.

1. 차원 축소 (Dimensionality Reduction):

   • Weibull 수요 ($\ell(y) = y^k$) 의 경우, Lariviere and Porteus (1999) 의 기법을 확장하여 적용합니다.
   • 상태 공간이 $(a_t, b_t)$ 두 차원인 문제를, 표준화된 (Standardized) 문제로 변환하여 $b_t$에 대한 의존성을 제거하고 $a_t$ (모양 파라미터) 만으로 문제를 재구성합니다.
   • 이를 통해 제조사의 균형 도매가가 $b_t$ (수요의 규모) 에 무관하고, 오직 $a_t$ (관측된 불검열 수요 횟수) 와 시간 $t$에만 의존함을 보입니다.

2. 표준화 마르코프 완전 해 (SMPS):

   • 원래 게임의 MPE 존재성을 증명하기 위해, 차원 축소된 '표준화된 게임'에 대한 해 (SMPS) 를 먼저 구성합니다.
   • **Berge 최대 정리 (Berge's Maximum Theorem)**를 활용하여 최적화 문제의 해가 존재하고, 가치 함수가 연속적임을 증명합니다.

3. 역방향 귀납법 (Backward Induction):

   • **지수 분포 (Exponential Demand, $k=1$)**의 경우, 표준화된 해가 **유일 (Unique)**함을 증명하고, 최적화 문제를 풀지 않고도 단순한 역방향 재귀 (Backward Recursion) 를 통해 해를 구할 수 있는 명시적 공식을 유도합니다.

3. 주요 기여 (Key Contributions)

1. 검열된 수요 학습을 통한 동적 계약 모델링:
   • 기존 문헌이 단일 행위자 (Single-agent) 나 외생적 정보 업데이트에 집중했던 것과 달리, 제조사와 소매업자가 공유된 검열 데이터를 통해 전략적으로 학습하는 동적 스택겔베르크 게임 (Dynamic Stackelberg Game) 을 정립했습니다.
2. MPE 존재성 증명:
   • Weibull 수요 하에서 차원 축소 기법을 사용하여 전략적 학습 환경에서의 MPE 존재성을 최초로 증명했습니다.
3. 계산 효율성 및 유일성:
   • 지수 수요의 경우 균형이 유일하며, 복잡한 최적화 문제 없이 재귀적으로 계산 가능함을 보였습니다.
4. 균형의 구조적 통찰:
   • 제조사의 가격 정책이 수요의 규모 (Scale) 에 민감하지 않음을 보였습니다. 즉, $b_t$가 증가하여 평균 수요가 커져도 제조사는 가격을 조정하지 않으며, 소매업자의 주문량만 비례하여 증가합니다.

4. 주요 결과 (Key Results)

• Weibull 수요 (일반적 경우):
  • MPE 의 존재성이 보장됩니다.
  • 제조사의 균형 도매가 $w^*_t$는 초기 믿음과 $t$까지 발생한 **불검열 수요 관측 횟수 ($n_t$)**에만 의존하며, 관측된 판매량의 절대적 크기 ($b_t$) 에는 의존하지 않습니다.
  • 소매업자의 주문량 $q^*_t$는 $b_t^{1/k}$에 비례하여 스케일링됩니다.
• 지수 수요 (Exponential Demand, $k=1$):
  • 균형이 유일합니다.
  • 균형 도매가와 주문량은 다음과 같은 재귀 관계를 따릅니다:
    $$w^*_t(a) = \left( p + V^R_{t+1}(a+1) - V^R_{t+1}(a) \right) \left[ 1 - \frac{1}{a} + \frac{c}{a w^*_t(a)} - \frac{V^M_{t+1}(a+1) - V^M_{t+1}(a)}{a (\dots)} \right]$$
  • 이 식을 통해 각 단계에서 최적화 문제를 풀지 않고도 해를 구할 수 있습니다.
• 통계적 통찰:
  • 수요 분포가 $b$에 대해 확률적으로 증가할수록 (평균 수요 증가), 소매업자의 주문량과 양쪽의 이윤은 증가하지만, 제조사의 가격 전략은 불변입니다. 이는 가격 결정이 '수요의 불확실성 (Shape)'에만 반응하고 '수요의 규모 (Scale)'에는 반응하지 않음을 의미합니다.

5. 의의 및 시사점 (Significance)

• 이론적 기여: 공급망 계약 이론과 베이지안 학습 이론을 결합하여, 불완전 정보 하에서의 동적 게임 해법을 확장했습니다. 특히 검열된 데이터 환경에서의 MPE 존재성을 증명한 것은 중요한 이론적 진전입니다.
• 실무적 시사점:
  • 데이터 공유의 중요성: 제조사와 소매업자가 POS 데이터를 공유하여 공통된 학습을 할 때, 재고 부족으로 인한 정보 손실이 어떻게 가격과 주문량에 영향을 미치는지 규명했습니다.
  • 계약 설계: 단기 B2B 계약이 빈번한 현대 시장에서, 수요 불확실성이 높은 상황에서도 제조사가 어떻게 가격을 책정해야 하는지에 대한 지침을 제공합니다.
  • 계산 가능성: 복잡한 동적 게임 문제를 표준화된 재귀 문제로 축소함으로써, 실제 산업 환경에서의 적용 가능성을 높였습니다.

이 논문은 불확실한 수요 환경에서 공급망 참여자들이 어떻게 협력적 학습을 통해 최적의 의사결정을 내리는지에 대한 강력한 수학적 틀을 제시합니다.