아이템 가격 탄력성을 결정하기 위한 Monodense 심층 신경망 모델

Monodense Deep Neural Model for Determining Item Price Elasticity

아이템 가격 탄력성은 소비자의 수요가 아이템 가격 변화에 얼마나 민감하게 반응하는지를 정량화하는 지표로, 기업들이 가격 전략을 수립하고 수익 관리를 최적화하는 데 활용됩니다. 소매점, 전자 상거래, 소비재 등 다양한 분야에서 과거 판매 및 가격 데이터를 기반으로 얻은 탄력성 정보는 다양한 아이템에 대한 구매 행동, 소비자의 할인 민감도, 그리고 수요 탄력적인 상품군에 대한 이해를 제공합니다. 특히, 이러한 정보는 경쟁적인 시장 환경과 자원 제약적인 상황에서 기업들이 수익성과 시장 점유율을 극대화하기 위한 의사 결정을 내리는 데 매우 중요합니다. 또한, 가격 탄력성은 시간이 지남에 따라 소비자의 반응이 어떻게 변화하는지에 대한 역사적 정보를 제공합니다. 본 논문에서는 대규모 거래 데이터를 활용하여 아이템 단위의 가격 탄력성을 모델링하고, 실험군과 대조군이 없는 환경에서도 작동할 수 있는 새로운 탄력성 추정 프레임워크를 제안합니다. 제안하는 프레임워크는 다음과 같은 머신러닝 기반 알고리즘을 사용하여 테스트합니다. (1) Monodense-DL 네트워크: 임베딩, 완전 연결(dense), Monodense 레이어를 결합한 하이브리드 신경망 아키텍처 (2) DML: 회귀 모델을 사용하는 이중 머신러닝 (Double Machine Learning) 설정 (3) LGBM: Light Gradient Boosting Model. 백테스팅 프레임워크를 사용하여 수백만 건의 거래 데이터를 포함하는 다중 카테고리 소매 데이터에 대한 모델 성능을 평가한 결과, 제안하는 신경망 모델이 위에 언급된 다른 일반적인 머신러닝 방법보다 우수한 성능을 보이는 것을 확인했습니다.

Item Price Elasticity is used to quantify the responsiveness of consumer demand to changes in item prices, enabling businesses to create pricing strategies and optimize revenue management. Sectors such as store retail, e-commerce, and consumer goods rely on elasticity information derived from historical sales and pricing data. This elasticity provides an understanding of purchasing behavior across different items, consumer discount sensitivity, and demand elastic departments. This information is particularly valuable for competitive markets and resource-constrained businesses decision making which aims to maximize profitability and market share. Price elasticity also uncovers historical shifts in consumer responsiveness over time. In this paper, we model item-level price elasticity using large-scale transactional datasets, by proposing a novel elasticity estimation framework which has the capability to work in an absence of treatment control setting. We test this framework by using Machine learning based algorithms listed below, including our newly proposed Monodense deep neural network. (1) Monodense-DL network -- Hybrid neural network architecture combining embedding, dense, and Monodense layers (2) DML -- Double machine learning setting using regression models (3) LGBM -- Light Gradient Boosting Model We evaluate our model on multi-category retail data spanning millions of transactions using a back testing framework. Experimental results demonstrate the superiority of our proposed neural network model within the framework compared to other prevalent ML based methods listed above.