Optimizing ARDL Models for Retail Sales Forecasting and Fair Pricing

당신이 캐나다 시장이라는 안개 자욱한 바다를 항해하는 거대한 식료품선의 선장이라고 상상해 보십시오. 당신의 임무는 사과, 달걀, 우유, 빵, 커피 같은 식품을 수백만 명의 사람들에게 파는 것입니다. 당신은 배를 가득 채우고 싶지만(매출 극대화), 동시에 승객들의 주머니를 털어서는 안 됩니다.

오랫동안 일부 선장들은 '다이내믹 프라이싱(동적 가격 결정)'을 사용해 왔습니다. 이는 마치 파도를 타는 서퍼와 같습니다. 만약 모두가 서프보드를 원한다면, 가격을 달까지 올려버리는 식이죠. 하지만 이 논문은 까다로운 질문을 던집니다. 그것이 과연 공정할까요? 만약 생활비가 이미 상승하고 있는 상황에서 가격을 너무 높게 올린다면, 당신은 사람들을 착취하는 것일 수도 있습니다.

마법의 수정구슬 (ARDL 모델)

이 문제를 해결하기 위해 저자 수제이(Sujay)는 ARDL 모델이라는 특별한 수정구슬을 만들었습니다. 이 모델을 과거를 보고 미래를 예측하는 시간 여행 계산기라고 생각하십시오. 이 모델은 단순히 지난달에 사과가 얼마나 팔렸는지만 보는 것이 아닙니다. '그때'의 사과 가격이 '지금'의 판매량에 어떤 영향을 미쳤는지, 그리고 '그 전'의 가격이 '그 당시'의 판매량에 어떤 영향을 미쳤는지를 살펴봅니다.

저자는 이 수정구슬에 2017년 1월부터 2024년 8월까지 캐나다 전역의 데이터를 입력했습니다. 목표는 간단했습니다. 가격을 어떻게 설정해야 식품을 가장 많이 팔 수 있을지 예측하되, 엄격한 규칙 하나를 두는 것입니다. 소비자 물가 지수(CPI)가 정당하다고 말하는 수준보다 더 많이 청구해서는 안 된다는 규칙입니다. CPI는 인플레이션으로 인해 전국적으로 물가가 얼마나 오르고 있는지를 측정하는 정부의 온도계와 같습니다.

놀라운 발견: "상향 곡선"의 오류

이야기가 이상해지는 지점은 바로 여기입니다. 저자가 '명목 가격'(인플레이션이 조정되지 않은, 실제 선반에 적힌 달러 금액)에 대해 수치를 돌렸을 때, 수정구슬은 기묘한 이야기를 들려주었습니다.

모델은 높은 가격이 오히려 높은 판매로 이어진다고 제안했습니다.

네, 맞습니다. 이 특정 시뮬레이션에서 모델은 우유나 달걀의 가격을 올리면 사람들이 그것을 더 많이 살 것이라고 생각했습니다. 이것은 마치 비디오 게임의 버그처럼, 현실에서는 비싼 검일수록 사람들이 덜 사게 되는데도 불구하고, 검을 사면 캐릭터가 더 강해진다고 설정된 것과 같습니다.

논문은 이것이 사람들이 더 높은 비용을 지불하고 싶어 하기 때문이 아니라, 모든 것이 동시에 오르고 있기 때문이라고 설명합니다. 가격이 오르고 있고, 총 판매량도 오르고 있는데, 이 모든 것이 일반적인 인플레이션 때문입니다. 모델은 혼란에 빠져서 상승하는 가격이 상승하는 판매량을 '유발'한다고 생각한 것입니다.

두 명의 항해사: 로봇 vs 인간

최적의 가격을 결정하기 위해 저자는 배를 조종할 두 가지 서로 다른 "항해사"를 사용했습니다.

1. 로봇 (선형 계획법): 이 항해사는 엄격한 논리 기계입니다. 이 '높은 가격 = 더 많은 판매'라는 버그 섞인 규칙을 보고, "좋아, 최대한 많이 팔려면 허용된 최대 가격을 청구해야겠군!"이라고 생각합니다. 그래서 모든 가격을 CPI 한계치까지 밀어 올립니다. 이는 마치 "속도 제한이 100이라면, 나는 100.0001로 달리겠다"라고 말하는 자동차와 같습니다. 수학적 극단치를 찾아내지만, 승객들에게는 전혀 친절하지 않습니다.
2. 인간 (시뮬레이티드 어닐링 - 담금질 기법): 이 항해사는 조금 더 신중합니다. '시뮬레이티드 어닐링'이라는 방법을 사용하는데, 이는 금속이 식는 과정과 비슷합니다. 무작위 가격에서 시작하여 선택지를 천천히 "식히며", 무엇이 효과적인지 테스트합니다. 단순히 최대 한계치로 달려가는 것이 아니라, 중간의 "스윗 스팟(최적점)"을 찾아냅니다. 이 방식은 최대 한계치보다 낮은 가격을 제안하여 쇼핑객들의 돈을 아껴주는 동시에 판매 목표를 달성합니다.

결과: 실제로 무엇이 효과적이었나?

저자는 이 방법들을 다섯 가지 특정 식품에 테스트했습니다: 사과, 달걀, 우유, 화이트 브레드(흰 빵), 그리고 로스티드/분쇄 커피.

• 로봇의 계획: 가격을 천장까지 밀어 올리려 했습니다. 예를 들어, 사과의 경우 가격을 +25% 인상할 것을 제안했습니다.
• 인간의 계획: 시뮬레이티드 어닐링 방식은 훨씬 더 보수적인 가격을 제안했습니다. 사과의 경우, 최대 허용치보다 낮은 가격인 -6.57%(즉, 최대치보다 저렴하게)를 제안했습니다.

저자가 이 방법들이 미래 판매량을 얼마나 잘 예측하는지 확인했을 때, "인간" 방식(시뮬레이티드 어닐링)이 장부를 관리하는 데 더 나은 성과를 보였습니다. 이 방식은 소비자에게 더 공정하면서도 판매 목표를 달성할 수 있는 가격을 찾아냈습니다.

현실 점검: "인플레이션 아티팩트(인플레이션 흔적)"

이 논문은 주요한 한계점에 대해 매우 솔직합니다. 저자는 '높은 가격 = 더 많은 판매'라는 결과가 아마도 인플레이션으로 인한 버그일 것이라고 인정합니다.

이를 증명하기 위해 저자는 실험을 다시 수행했는데, 이번에는 숫자를 "디플레이션(물가 하락 조정)" 처리했습니다. 이는 마치 밀려오는 파도의 사진을 찍은 뒤, 실제 바닥의 바위가 보이도록 수면의 높이를 빼는 것과 같습니다. 숫자를 인플레이션에 맞춰 조정했을 때(명목 가격 대신 '실질' 가격을 보았을 때), 그 이상한 버그는 사라졌습니다.

• 화이트 브레드와 커피의 경우, 관계가 정상적으로 돌아왔습니다. 즉, 실질 가격이 높아지면 판매량은 감소했습니다.
• 다른 품목들의 경우, 그 효과는 아주 작아지거나 0이 되었습니다.

이는 "로봇"이 가짜 신호(인플레이션)에 반응한 것이며, "인간" 방식은 중간 지점을 유지함으로써 그 함정을 우연히 피했다는 것을 의미합니다.

결론

이 논문은 가격 결정의 미스터리를 영원히 풀었다고 주장하는 것이 아닙니다. 사실, 저자는 단순히 다음 달에 얼마나 많은 품목이 팔릴지 예측하고 싶다면, 이 화려한 모델보다 단순한 추측(예: "지난달과 같을 것이다")이 오히려 더 정확할 수 있다고 인정합니다.

하지만, 이 논문의 진짜 승리는 공정성에 있습니다.
만약 당신이 단순히 판매를 극대화하기 위해 표준 컴퓨터 프로그램을 사용한다면, 그 프로그램은 법적으로 허용된 가장 높은 가격을 청구하려 할 것입니다. 그러나 더 똑똑하고 "인간적인" 탐색 방법(시뮬레이티드 어닐링)을 사용하고 가격을 CPI에 고정한다면, 소매업체는 절충안을 찾을 수 있습니다. 그들은 가격을 절대적인 한계치까지 밀어붙이지 않고도 상품을 팔 수 있으며, 이를 통해 "착취"를 제거할 수 있습니다.

이 논문은 수학이 까다로워질 수 있고 때로는 인플레이션에 의해 혼란을 겪을 수 있지만, 이러한 도구들을 사용하여 식료품 가격을 단순히 최고 이익을 쫓는 것이 아니라, 실제 생활비에 기반하여 공정하고 투명하게 유지할 수 있는 방법이 있다는 것을 보여줍니다.