Optimizing ARDL Models for Retail Sales Forecasting and Fair Pricing

Resumo Técnico: Otimização de Modelos ARDL para Previsão de Vendas no Varejo e Preços Justos

Definição do Problema
Os varejistas enfrentam um desafio duplo: maximizar a receita por meio de preços dinâmicos enquanto evitam a exploração do consumidor e a percepção de injustiça. Embora o preço dinâmico seja eficaz para a maximização do lucro, ele frequentemente se baseia em vieses comportamentais ou estratégias opacas que podem levar a resultados antiéticos, particularmente quando os preços são desconectados das avaliações genuínas dos consumidores. O artigo aborda o risco específico de exploração do consumidor no setor de varejo alimentar canadense. O problema central é desenvolver uma estrutura de previsão e precificação que maximize as vendas no varejo, mas que adira estritamente a restrições de justiça, garantindo que os preços não excedam níveis justificados pelas tendências de inflação.

Metodologia
A metodologia proposta integra modelagem econométrica com otimização restrita para criar um sistema de precificação consciente da justiça (fairness-aware).

1. Dados e Variáveis: O estudo utiliza dados mensais do Statistics Canada (janeiro de 2017 – agosto de 2024), incluindo o Índice de Preços ao Consumidor (IPC) para alimentos, preços de varejo para cinco itens alimentares específicos (maçãs, ovos, leite, pão branco, café torrado/moído) e o total de vendas do comércio varejista.
2. Especificação do Modelo: Os autores utilizam um modelo de Defasagem Distribuída Autorregressiva (ARDL) log-log. Esta especificação é escolhida porque:
   • Acomoda séries temporais não estacionárias (confirmadas via testes de Dickey–Fuller aumentados, mostrando integração I(1)).
   • Permite a inclusão de variáveis exógenas (preços) e variáveis dependentes defasadas (vendas).
   • O coeficiente sobre o log-preço ($\gamma$) representa diretamente a elasticidade-preço das vendas.
   • O modelo é testado em duas configurações: Produto único (um preço como variável exógena) e Multi-produto (todos os cinco preços como variáveis exógenas).
3. Estrutura de Otimização: O problema de precificação é formulado como a maximização das vendas previstas ($\ln \hat{y}$) sujeita a dois conjuntos de restrições:
   • Restrições de Justiça: Os preços são limitados por um teto ajustado pelo IPC ($p_{max}$) e um limite inferior ($p_{min} = 0,65 \times p_{max}$). Isso ancora os preços à inflação, impedindo aumentos ilimitados.
   • Restrições de Plausibilidade: As vendas previstas são limitadas dentro de uma faixa realista derivada da volatilidade histórica.
4. Algoritmos de Solução:
   • Programação Linear (LP): Utilizada para resolver o problema de otimização de forma exata. Dada a linearidade da função objetivo e as restrições de caixa, a solução de LP resulta em "pontos de canto", levando os preços aos seus limites superiores ou inferiores, dependendo do sinal da elasticidade.
   • Simulated Annealing (SA): Uma abordagem metaheurística usada para explorar o espaço de soluções estocamente. Diferente da LP, o SA não se compromete com uma solução de vértice. Ele é empregado para encontrar preços "interiores" que sejam inferiores ao teto do IPC, mas que ainda atendam às metas de vendas, realizando uma troca de uma margem pequena de vendas previstas por reduções significativas nos custos do consumidor.

Principais Resultados

• Elasticidades Nominais Positivas: Um achado diagnóstico crítico é que as elasticidades nominais ajustadas ($\gamma$) nos modelos de produto único são positivas. Isso implica que, nos dados brutos, preços mais altos correlacionam-se com vendas agregadas mais altas. Consequentemente, um maximizador de vendas sem restrições (a solução de LP) levaria cada preço ao seu limite máximo permitido (o teto do IPC).
• Artefato de Inflação: O artigo demonstra que essas elasticidades positivas são, em grande parte, um artefato da inflação geral. Quando as vendas e os preços são deflacionados pelo IPC (especificação em termos reais), as elasticidades para o pão e o café tornam-se negativas (economicamente sensatas), e outras diminuem em direção a zero. Isso confirma que o modelo nominal captura tendências inflacionárias em vez de uma resposta de demanda causal.
• Desempenho Algorítmico:
  • LP vs. SA: Os modelos de LP produzem recomendações de preços extremas (frequentmente +10% a +25% acima da linha de base) para maximizar as vendas. Em contraste, os modelos de SA estabelecem preços interiores conservadores, resultando em custos menores para o consumidor (mudanças percentuais negativas em relação ao teto do IPC) enquanto ainda atingem as metas de vendas.
  • Precisão de Previsão: Os modelos ARDL não superam as bases univariadas simples (Naive, Seasonal Naive, ARIMA, SARIMA) em termos de precisão bruta de previsão (RMSE/MAPE). De fato, as bases simples alcançaram taxas de erro menores.
  • Multi-produto vs. Produto Único: O modelo ARDL-SA multi-produto geralmente mostrou melhores pontuações de variação percentual e MAPE para produtos específicos em comparação com as configurações de produto único.

Significância e Alegações
O artigo enquadra explicitamente sua contribuição como interpretabilidade e justiça, em vez de poder preditivo bruto.

• Transparência: O principal valor do modelo ARDL não é sua capacidade de prever vendas de forma mais precisa do que uma previsão ingênua, mas sim sua capacidade de fornecer uma relação interpretável entre preço e vendas baseada em elasticidade. Essa transparência é essencial para incorporar restrições de justiça no processo de otimização.
• Mecanismo de Justiça: O estudo prova que, sem restrições externas (como o teto do IPC), um maximizador de vendas baseado em dados sistematicamente exploraria os consumidores, elevando os preços ao limite máximo permitido devido à correlação impulsionada pela inflação nos dados.
• Utilidade Prática: A abordagem de Simulated Annealing oferece um mecanismo prático para varejistas atenderem aos objetivos de vendas enquanto adotam voluntariamente estratégias de preços interiores mais amigáveis ao consumidor, equilibrando efetivamente os objetivos de negócio com o bem-estar do consumidor.

Limitações
Os autores reconhecem modestamente algumas limitações:

• A análise depende de dados agregados nacionais com um conjunto de teste limitado (18 meses), o que restringe o poder estatístico.
• O modelo é descritivo, não causal; ele não realiza testes formais de cointegração nem aborda a endogeneidade de preços.
• As elasticidades nominais positivas são reconhecidas como um fator de confusão impulsionado pela inflação, e não um fenômeno genuíno de demanda.
• O objetivo de otimização é linear, tornando a solução de LP um ponto de canto degenerado; assim, a metaheurística (SA) é usada não para escapar de ótimos locais, mas para gerar soluções interiores viáveis.