Technische Samenvatting: Integreerbare Elasticiteit via Neuronale Vraagpotentialen

Probleemstelling

Bij de prijsbepaling van meerdere producten is een centrale uitdaging het leren van stabiele, reproduceerbare en economisch plausibele prijselasticiteiten op grote schaal. Elasticiteiten zijn afgeleiden van de vraagfunctie; bijgevolg kunnen kleine onregelmatigheden in een geschatte vraagoppervlakte worden versterkt tot grote, ruisende of economisch onwaarschijnlijke schommelingen in de schattingen van elasticiteiten. Dit probleem wordt verergerd in situaties met meerdere producten, waarbij de elasticiteitsmatrix alle Stock Keeping Units (SKUs) koppelt en waarbij kruiselingse prijseffecten vaak zwak, heterogeen en moeilijk te identificeren zijn uit observationele data vanwege gecorreleerde prijsbepaling en promotionele activiteiten.

Bestaande benaderingen staan voor een afweging:

• Klassieke structurele modellen (bijv. AIDS, QUAIDS) leggen rigide functionele vormen op die kunnen falen in het vastleggen van complexe, staat-afhankelijke substitutiepatronen.
• Standaard machine learning-modellen (bijv. Gradient Boosting, generieke neurale netwerken) behandelen elasticiteit vaak als een post-hoc afgeleide van een gefit voorspeller. Hoewel deze modellen flexibel zijn, garanderen ze niet dat het resulterende elasticiteitsveld overeenkomt met één enkele, globaal coherente vraagfunctie. Als elasticiteiten direct worden geparametriseerd of numeriek worden afgeleid van een onregelmatig oppervlak, kan het model lokaal plausibele elasticiteiten produceren die niet globaal integreerbaar zijn, wat leidt tot pad-afhankelijke vraagreconstructies.

Methodologie: Het Integreerbare Context-afhankelijke Vraagnetwerk (ICDN)

De auteurs stellen het Integreerbare Context-afhankelijke Vraagnetwerk (ICDN) voor, een "vraag-eerst" neurale architectuur. In plaats van elasticiteiten direct te modelleren, leert ICDN de log-vraag als een gladde, context-geconditioneerde functie van log-prijzen. Elasticiteiten worden vervolgens verkregen als exacte, analytische afgeleiden van dit geleerde oppervlak, wat wiskundige integreerbaarheid garandeert (d.w.z. het bestaan van een potentiaalfunctie).

Kernarchitectuur

1. Vraag-eerst Formulering:
   Het model definieert de log-vraag $y(u, x)$ als een functie van log-prijzen $u = \log p$ en contextuele covariaten $x$ (winkel, tijd, promoties, productmetadata). De elasticiteitsmatrix $E$ wordt gedefinieerd als de Jacobiaan van dit oppervlak: $E_{ij} = \partial y_i / \partial u_j$. Door constructie is, als het oppervlak voldoende glad is, het elasticiteitsveld integreerbaar.

2. Gestructureerde Prijsrepresentatie:
   In plaats van een generiek meerlaags perceptron te gebruiken, decomposeert ICDN de vraagoppervlakte in interpreteerbare componenten:

   • Lineaire Componenten: Lokaal lineaire log-log termen voor eigen-prijs ($\beta_{ii} u_i$) en gerichte kruis-prijs ($\beta_{ij} u_j$) effecten.
   • Niet-lineaire Spline-Verfijningen: Product-specifieke afgeknotte-power kubische splines $B_i(u_i)$ toegepast op log-prijzen. Deze staan toe dat de helling en kromming van de vraag variëren over prijsregio's die specifiek zijn voor de empirische ondersteuning van elke SKU.
   • Spline-Spline Interacties: Een term $B_i(u_i)^\top U^{(ij)}(x) B_j(u_j)$ vangt niet-lineaire relatieve prijspositioneringseffecten tussen producten $i$ en $j$ op.

3. Contextuele Conditionering en Sparsiteit:

   • Getokeniseerde Encodering: Elke SKU wordt via een gedeelde encoder, die contextuele tokens verwerkt (winkel, seizoensgebondenheid, levenscyclus, enz.), afgebeeld op een latent vector $h_i$.
   • Gerichte Interacties: Kruis-prijs parameters worden gegenereerd uit geordende paren $(h_i, h_j)$, wat asymmetrische effecten toestaat ($E_{ij} \neq E_{ji}$).
   • Spaarzame Attention: Om schaalbaarheid in hoogdimensionale omgevingen te waarborgen, identificeert een spaarzame buur-selecteur een kleine set relevante concurrenten voor elke SKU met behulp van geschaalde dot-product attention en metadata-bonussen. Dit reduceert de complexiteit van kruis-prijs interacties van $O(n^2)$ naar $O(nk)$.

4. Analytische Afgeleiden:
   Omdat de spline-bases gesloten-vorm afgeleiden hebben, berekent het model elasticiteiten analytisch zonder afhankelijkheid van dichte numerieke Jacobiaan- of Hessiaan-evaluaties. Dit zorgt voor computationele haalbaarheid en transparantie.

Training en Regularisatie

Het trainingsdoelwijdte balanceert voorspellende nauwkeurigheid met economische regelmaat:

• Robuuste Fit: Gebruikt een Huber-verlies op de log-vraag om outliers en heteroscedasticiteit te hanteren.
• Gladheidsstraf: Straft de gekwadrateerde tweede afgeleide (kromming) van de eigen-prijsrespons af om kunstmatige oscillaties in de vraagoppervlakte te voorkomen.
• Elasticiteitsband-Straf: Legt zachte beperkingen op aan de impliciete elasticiteiten. Eigen-prijs elasticiteiten worden aangemoedigd negatief te zijn (binnen $[-5, 0]$), en kruis-prijs elasticiteiten worden afgeraden ongewoon groot te zijn (binnen $[-1, 1]$), wat empirische priors voor biervraag weerspiegelt.
• Tekenbeperkingen: De lineaire eigen-prijs coëfficiënt wordt via een softplus-transformatie beperkt tot niet-positief, hoewel de totale elasticiteit lokaal nog kan variëren door niet-lineaire termen.

Belangrijkste Bijdragen

1. Vraag-eerst Principe: Formuleert elasticiteitsschatting als een probleem van het leren van een gladde vraagoppervlakte, waardoor ervoor wordt gezorgd dat afgeleide elasticiteiten wiskundig integreerbaar en globaal consistent zijn.
2. Gestructureerde Neuronale Architectuur (ICDN): Introduceert een model dat expliciete prijsbases, analytische spline-afgeleiden en spaarzame, gerichte kruis-prijs interacties combineert, waardoor het praktisch is voor hoogdimensionale retailpanelen.
3. Analytische Tractabiliteit: Benut gesloten-vorm afgeleiden van spline-bases om elasticiteiten efficiënt te berekenen, en vermijdt zo de computationele knelpunten van generieke automatische differentiatie op dichte matrices.
4. Contextuele Heterogeniteit: Implementeert SKU-specifieke conditionering en spaarzame attention om heterogene en directionele substitutiepatronen vast te leggen zonder symmetrie op te leggen.

Empirische Resultaten

De auteurs evalueren ICDN op het Dominick's Finer Foods scannerdataset voor de biercategorie, waarbij ze het vergelijken met een klassiek gericht log-log OLS-benchmark.

• Voorspellende Prestaties: ICDN toont superieure generalisatie buiten de steekproef. Over vijf temporele validatiefolds behaalt ICDN een hogere $R^2$ en lagere Mean Absolute Error (MAE) en Root Mean Squared Error (RMSE) in de meerderheid van de gekoppelde winkel-SKU-fold-triplets in vergelijking met de benchmark.
• Elasticiteitsstabiliteit:
  • Eigen-prijs: ICDN produceert aanzienlijk stabielere elasticiteitsschattingen. Bij bootstrap-resampling levert ICDN smallere betrouwbaarheidsintervallen op (mediaan breedte 1,018 versus 2,683 voor de benchmark) en lagere standaardafwijkingen. Het houdt zich ook strikt aan de economische prior van een dalende vraag (100% negatieve schattingen versus 99,1% voor de benchmark).
  • Kruis-prijs: Hoewel kruis-prijs effecten inherent ruiziger zijn, produceert ICDN reproduceerbaardere schattingen met smallere betrouwbaarheidsintervallen en lagere temporele dispersie. Opmerkelijk is dat ICDN overwegend positieve kruis-prijs elasticiteiten oplevert (91% van de paren), consistent met substitutie, terwijl de benchmark een gemengd signaal toont.
• Onzekerheidsdiagnostiek: Het artikel merkt op dat hoewel ICDN de stabiliteit verbetert, de onzekerheidskalibratie imperfect is. Eigen-prijs intervallen zijn lichtjes conservatief (over-dekking), terwijl kruis-prijs intervallen onder-dekking tonen ten opzichte van fold-gebaseerde variatie, wat suggereert dat hoewel de schattingen stabieler zijn, ze de ware causale onzekerheid niet perfect vastleggen.

Betekenis en Claims

Het artikel beweert dat ICDN een principiële aanpak biedt voor retailvraagmodellering die de kloof overbrugt tussen de flexibiliteit van deep learning en de structurele vereisten van economische theorie. Door elasticiteiten te behandelen als afgeleiden van één enkele, gladde vraagpotentiaal, vermijdt het model de inconsistentie van het leren van elasticiteiten als onafhankelijke lokale objecten.

De auteurs benadrukken dat hun resultaten gebaseerd zijn op observationele data en niet geïnterpreteerd moeten worden als causale identificatie van prijseingrepen. In plaats daarvan ligt de bijdrage in het produceren van stabielere, reproduceerbaardere en economisch coherente elasticiteitsschattingen die beter geschikt zijn voor operationele taken zoals scenario-simulatie, omzetoptimalisatie en prijsdiagnostiek. Het model biedt een raamwerk waarin zakelijke priors (bijv. dalende vraag) direct in het trainingsdoelwijdte worden ingebed, waardoor ervoor wordt gezorgd dat de geleerde vraagoppervlakte interpreteerbaar blijft en robuust is tegen ruis.