跨店借力！迁移学习让数百门店需求估计更准、收入更高
Borrowing Strength Across Stores: Transfer Learning for Choice-Based Revenue Management
📖 AI 总结
该研究针对大型零售连锁在门店层面需求数据有限、难以准确估计本地偏好的问题，提出在多项Logit需求模型下用迁移学习平衡本地估计与跨店数据池化。作者设计了一种收缩估计量，将门店特定需求估计与其他门店汇总信息相结合。由于非线性MNL似然无法直接进行偏差—方差分解，研究利用其类自协调性质，建立了有限样本性能保证，刻画了信息迁移在何种条件下改善需求估计，以及收缩程度如何取决于本地样本量、特征维度和跨店异质性，并进一步推导了下游品类与定价决策的遗憾界。数值实验显示收缩方法在不同数据环境下均带来运营收益；基于欧洲服装零售商数百家门店数据的实证研究表明，相比纯本地估计和完全池化，收缩方法改善了样本外产品优先级排序与收入获取。
🔑 关键词速览
| 迁移学习 | 一种机器学习方法，将从一个任务或领域学到的知识应用到另一个相关任务或领域，以提高学习效率和性能。 |
| 多项式逻辑模型 (MNL) | 一种常用的离散选择模型，用于描述决策者在多个选项中进行选择的行为，基于随机效用理论。 |
| 收缩估计量 | 一种统计估计方法，通过将局部估计与全局信息相结合，将估计值向全局均值“收缩”，以平衡偏差和方差。 |
| 遗憾界 | 在在线学习和决策理论中，衡量算法性能的指标，表示算法累积损失与最优策略累积损失之间的差距上界。 |
| 产品组合 | 零售商决定销售的产品种类和数量的决策，通常涉及选择哪些产品以及如何分配货架空间等。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅