São Paulo — InkDesign News —
Um novo estudo permite a estimativa de elasticidades de preços em produtos utilizando modelos hierárquicos Bayesianos, um avanço significativo em machine learning que aprimora a combinação de dados de diferentes produtos para melhores decisões de precificação.
Arquitetura de modelo
Modelos hierárquicos Bayesianos (HB) organizam parâmetros em diferentes níveis, permitindo que dados de produtos sejam agrupados por categoria e tempo. Essa estrutura facilita a recuperação de elasticidades específicas para produtos, utilizando algoritmos baseados em Bayesian updating para informar estimativas de elasticidade.
“Essa metodologia é flexível o suficiente para adicionar ou remover hierarquias conforme necessário”
(“This methodology is flexible enough to add or remove hierarchies as needed.”)— Autor, Cargo, Instituição
Os parâmetros globais se aplicam a todos os dados, enquanto os parâmetros de grupo e individuais ajustam-se para refletir as características de cada produto e categoria. Os modelos permitem pool de informações, utilizando a relação entre parâmetros e suas distribuições probabilísticas para produção de resultados significativos.
Treinamento e otimização
O treinamento foi realizado utilizando o pacote NumPyro em Python, que facilita a implementação de modelos probabilísticos. O método Stochastic Variational Inference (SVI) foi utilizado, permitindo a otimização rápida em dados extensos. A meta é minimizar a divergência KL entre a distribuição proposta e a real, melhorando a eficiência do processo de aprendizado.
“As estimações de elasticidades nos permitem decisões mais rápidas no nível de detalhamento da performance de produtos”
(“Estimating elasticities allows for quicker decisions on product performance levels.”)— Autor, Cargo, Instituição
A validação do modelo revela um erro médio absoluto (MAE) ao redor de 0,0724, mostrando que as estimativas do modelo estão próximas às reais, com uma precisão adequada para aplicações do mundo real.
Resultados e métricas
Os resultados mostram elasticidades médias que seguem com precisão as elasticidades verdadeiras. Além disso, as elasticidades para categorias e global também se mostraram confiáveis, considerando intervalos de confiança que cobrem os parâmetros verdadeiros.
“As avaliações de desempenho mostram que as elasticidades globais e de categoria mantêm a validade estatística em seus limites de confiança”
(“Performance evaluations show that global and category elasticities maintain statistical validity in their confidence bounds.”)— Autor, Cargo, Instituição
As implicações práticas desse modelo são vastas, abrangendo desde a maximização da receita em varejos até a aplicação em sistemas de recomendação. A pesquisa sugere que, por meio de abordagens como o HB, empresas podem agilizar processos de precificação e previsão de demanda, beneficiando-se de informações coletadas de produtos semelhantes.
A implementação desses modelos hierárquicos é promissora no campo da análise de dados e poderá impactar positivamente diversas áreas de atuação. Pesquisas futuras devem se concentrar em aprimoramentos na estrutura de priors e análise de robustez da variância posterior.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
