Mechanism-Aware Causal Elasticity Modeling | DataGlass Research

Working paper เวอร์ชัน 1.1 พฤษภาคม 2026 วิธีอ้างอิง: Bhum Soonjun and DataGlass Labs Research, "Mechanism-Aware Hierarchical Causal Elasticity Modeling for Platform E-Commerce," DataGlass Labs Research working paper, May 2026.

คำสำคัญ Price elasticity, อีคอมเมิร์ซ, platform economics, hierarchical Bayesian models, double machine learning, mechanism design, Bundle Deal, dynamic pricing, second-degree price discrimination, demand estimation

บทคัดย่อ

Price elasticity of demand (ความยืดหยุ่นของอุปสงค์ต่อราคา) เป็นองค์ประกอบพื้นฐานที่สุดของงานตั้งราคาเชิงประจักษ์ แต่ตัวประมาณค่ามาตรฐานที่พัฒนาขึ้นสำหรับค้าปลีกออฟไลน์และงาน structural industrial organization กลับใช้กับอีคอมเมิร์ซบนแพลตฟอร์มสมัยใหม่ได้ไม่ดีนัก ผู้ขายบนมาร์เก็ตเพลสอย่าง Shopee, Lazada และ TikTok Shop เผชิญพื้นผิวราคาที่ (i) ถูกอัลกอริทึมคั่นกลางผ่านการจัดอันดับการค้นหาและระบบแนะนำ (ii) อยู่ภายใต้กลไกโปรโมชันเชิงโครงสร้าง ได้แก่ Bundle Deal, FlexiCombo, voucher ที่ใช้ซ้อนกัน และ flash sale ซึ่งทำหน้าที่เป็นการแบ่งแยกราคา (price discrimination) ระดับที่สองและสาม (iii) มี SKU หลากหลายอย่างยิ่งและเกิด cold start บ่อย และ (iv) มีปัญหา price endogeneity รุนแรง เพราะผู้ขายปรับราคาตอบสนองต่อสัญญาณจากอัลกอริทึมและสัญญาณอุปสงค์อยู่ตลอด เราทบทวนประวัติการประมาณค่า elasticity ตั้งแต่ Marshall (1890) ผ่าน Berry, Levinsohn, and Pakes (1995) จนถึง double machine learning สมัยใหม่ (Chernozhukov et al., 2018) และชี้ช่องว่างเชิงโครงสร้างสามประการของงานวิจัยเดิมเมื่อนำมาใช้กับอีคอมเมิร์ซบนแพลตฟอร์ม ได้แก่ การจัดการการแบ่งแยกราคาที่เกิดจากกลไกโปรโมชันไม่เพียงพอ การรับมือ SKU แบบ cold start ได้ไม่ดี และการวัดความไม่แน่นอนที่ไม่พอสำหรับการตัดสินใจเชิงบริหาร เราจึงเสนอ Mechanism-Aware Hierarchical Causal Elasticity Model (MA-HCEM) กรอบงานเดียวที่รวม (a) โครงหลักแบบ hierarchical Bayesian ที่ทำ partial pooling ข้าม SKU, หมวดหมู่ และร้านค้า (b) ขั้นตอน identification ด้วย double machine learning เพื่อกำจัด confounder จากอัลกอริทึมออกจากความแปรผันของราคาที่สังเกตได้ (c) ส่วน structural likelihood ที่จำลอง Bundle Deal และ voucher เป็นการแบ่งแยกราคาระดับที่สองอย่างชัดเจน และ (d) การรบกวนราคาแบบสุ่มเล็กน้อย (randomized micro-perturbation) เป็น experimental prior เราระบุและปกป้องผล identification ของตัวประมาณค่าที่เสนอ พัฒนาการแยกส่วนประกอบของอคติ (bias decomposition) เชิงทฤษฎีเพื่อชี้โหมดความล้มเหลวเชิงโครงสร้างของ baseline มาตรฐานแต่ละตัวเมื่อเทียบกับกระบวนการสร้างข้อมูลของแพลตฟอร์มมาร์เก็ตเพลส และอธิบายวิธีทำ posterior inference ด้วย stochastic variational inference ร่วมกับ control variates ผลงานนี้เป็นเชิงระเบียบวิธีและทฤษฎี เราไม่อ้างผลเชิงประจักษ์หรือผลจำลอง และวางวาระการทำซ้ำ (replication agenda) ไว้อย่างชัดเจนสำหรับการพิสูจน์ด้วยข้อมูลจริง

1. บทนำ

พารามิเตอร์ที่มีผลมากที่สุดในการตั้งราคาค้าปลีกคือ price elasticity of demand หรือเปอร์เซ็นต์ที่ปริมาณอุปสงค์เปลี่ยนไปเมื่อราคาเปลี่ยนหนึ่งเปอร์เซ็นต์ (Marshall, 1890; Varian, 1992) ค่านี้อยู่ในสูตรตำราทุกสูตรของ markup ที่ทำกำไรสูงสุด (Lerner, 1934) ความลึกของส่วนลดที่เหมาะสม (Tellis, 1988) การออกแบบอัตราค่าบริการแบบไม่เป็นเส้นตรง (Wilson, 1993) และมูลค่าของลูกค้าต่อธุรกิจ (Gupta and Lehmann, 2003) นอกจากนั้นยังอยู่ในระบบ dynamic pricing สมัยใหม่ทุกระบบ (Phillips, 2005; Talluri and van Ryzin, 2004) อัลกอริทึม revenue management ทุกตัว (den Boer, 2015) และ pipeline causal inference ทุกชุดที่ใช้วัดผลโปรโมชัน (Athey and Imbens, 2019)

แต่แม้เศรษฐมิติให้ความสนใจเรื่องนี้มาร่วมศตวรรษ การประมาณ elasticity รายสินค้าที่เชื่อถือได้ก็ยังหายากในสภาพแวดล้อมที่ครองค้าปลีกในเอเชียตะวันออกเฉียงใต้ และมีบทบาทมากขึ้นทั่วโลก นั่นคือแพลตฟอร์มมาร์เก็ตเพลสของบุคคลที่สามอย่าง Shopee, Lazada และ TikTok Shop แพลตฟอร์มเหล่านี้มีลักษณะเชิงโครงสร้างสามประการที่ทำให้วิธีประมาณค่ามาตรฐานเปราะบาง ประการแรก ผู้ขายไม่ได้ควบคุมพื้นผิวอุปสงค์ได้โดยลำพัง อัลกอริทึมจัดอันดับการค้นหาและระบบแนะนำของแพลตฟอร์มเป็นตัวกลางกำหนดการเข้าถึง (exposure) โดยเป็นฟังก์ชันของราคา ราคาเสนอโฆษณา ประวัติ conversion และสถานะสต็อก (Ursu, 2018; Goldfarb and Tucker, 2019) ประการที่สอง พื้นผิวโปรโมชันเต็มไปด้วยกลไก Bundle Deal ของ Shopee เป็นส่วนลดตามปริมาณในเชิงโครงสร้าง ซึ่งทำงานเป็นการแบ่งแยกราคาระดับที่สอง (Tirole, 1988) FlexiCombo voucher ของ Lazada ที่ใช้ซ้อนกันเป็นลูกผสมของการแบ่งแยกราคาระดับที่สองและสาม ส่วน flash sale ในไลฟ์สตรีมของ TikTok Shop รวมการลดราคาแบบกระโดดเข้ากับแรงกระตุ้นความสนใจที่จำกัดเวลา ประการที่สาม ยอดขายมีหางหนัก (heavy-tailed) และ SKU หมุนเวียนเร็ว ร้านขนาดกลางทั่วไปบนมาร์เก็ตเพลสจึงมี SKU จำนวนมากที่ข้อมูลน้อยและอายุสั้น การประมาณรายตัวแบบดั้งเดิมจึงมีกำลังไม่พอ

ลักษณะเหล่านี้แต่ละข้อละเมิดข้อสมมติที่เป็นเสาหลักของตัวประมาณค่า elasticity มาตรฐาน การถดถอยแบบ linear-log มีอคติเพราะราคา endogenous ต่อสัญญาณอุปสงค์ของอัลกอริทึม (Reiss and Wolak, 2007) แบบจำลอง discrete choice ตระกูล BLP (Berry, Levinsohn, and Pakes, 1995) ต้องใช้ market share แบบ cross-section ซึ่งนิยามไม่ได้เมื่อชุดตัวเลือกถูกอัลกอริทึมคัดสรรเอง ส่วน double machine learning สมัยใหม่ (Chernozhukov et al., 2018) รับมือ confounding ได้อย่างยืดหยุ่น แต่ไม่มีวิธีในตัวสำหรับแบ่งปันข้อมูลข้าม SKU ที่ข้อมูลน้อย ใช้ประโยชน์จากโครงสร้างกลไก หรือสร้างความไม่แน่นอนที่ calibrate แล้วซึ่งผู้ประกอบการที่ต้องรักษา margin ต้องการ

บทความนี้มีวัตถุประสงค์สามข้อ ข้อแรกเป็นเชิงประวัติศาสตร์และการสอน คือไล่ดูว่าการประมาณ elasticity พัฒนามาอย่างไร ตั้งแต่การอนุมานด้วยวิธี introspection ของ Marshall ผ่าน instrument ตัวแปรต้นทุนในยุค Cowles Commission (Working, 1927; Wright, 1928) ผ่านระบบอุปสงค์เชิงโครงสร้าง (Deaton and Muellbauer, 1980; Berry et al., 1995) ไปจนถึงงานด้าน machine learning สมัยใหม่ (Wager and Athey, 2018; Chernozhukov et al., 2018) แล้วชี้ว่าข้อสมมติใดยังเป็นจริงและข้อใดล้มเหลวภายใต้อีคอมเมิร์ซบนแพลตฟอร์ม ข้อที่สองเป็นเชิงวินิจฉัย คือระบุอคติที่เกิดจากกลไกเมื่อนำวิธีเหล่านี้ไปใช้กับข้อมูล Shopee, Lazada และ TikTok Shop อย่างไม่ปรับ ข้อที่สามเป็นเชิงสร้างสรรค์ คือเสนอ Mechanism-Aware Hierarchical Causal Elasticity Model (MA-HCEM) ตัวประมาณค่ารวมที่ออกแบบสำหรับแพลตฟอร์มมาร์เก็ตเพลส และประเมินคุณสมบัติเชิงทฤษฎีเทียบกับ baseline มาตรฐาน

ผลงานนี้เป็นเชิงระเบียบวิธีและทฤษฎี เราตั้งใจไม่รายงานผลจำลองหรือผลเชิงประจักษ์ในต้นฉบับเวอร์ชันนี้ เพราะโมเดลยังไม่เคยนำไปใช้กับข้อมูลแพลตฟอร์มจริง และเราขอเลื่อนตัวเลขไปไว้ในบทความเชิงประจักษ์ฉบับคู่ แทนที่จะสร้างตัวเลขขึ้นมาเอง ส่วนที่ 7 จึงนำเสนอการแยกส่วนประกอบของอคติเชิงทฤษฎีและการเปรียบเทียบเชิง asymptotic เพื่ออธิบายในเชิงคุณภาพว่าทำไม MA-HCEM จึงคาดว่าจะเหนือกว่า baseline มาตรฐานในบริบทแพลตฟอร์มมาร์เก็ตเพลส และความเหนือกว่านั้นล้มเหลวภายใต้เงื่อนไขใด

โครงสร้างของบทความที่เหลือเป็นดังนี้ ส่วนที่ 2 ทบทวนประวัติการประมาณ elasticity และแยกข้อสมมติเชิงโครงสร้างที่วิธีแต่ละยุคพึ่งพา ส่วนที่ 3 อธิบายแรงจูงใจของปัญหาเฉพาะแพลตฟอร์มและบันทึกว่าแต่ละข้อสมมติล้มเหลวอย่างไร ส่วนที่ 4 กำหนดรายละเอียด MA-HCEM ส่วนที่ 5 พัฒนาข้อโต้แย้งเรื่อง identification และอภิปรายบทบาทของการรบกวนราคาแบบสุ่มในฐานะ experimental prior ส่วนที่ 6 อธิบาย posterior inference ส่วนที่ 7 นำเสนอการแยกส่วนประกอบของอคติเชิงทฤษฎีและการเปรียบเทียบเชิง asymptotic ส่วนที่ 8 อภิปรายนัยเชิงบริหารและความสัมพันธ์กับ dynamic pricing ส่วนที่ 9 ระบุข้อจำกัดและวาระการทำซ้ำเชิงประจักษ์ ส่วนที่ 10 สรุป

2. ประวัติโดยสรุปของการประมาณ Price Elasticity

2.1 ยุคคลาสสิก: จาก Marshall ถึง Cowles Commission

แนวคิดเรื่อง elasticity of demand ถูกทำให้เป็นทางการโดย Marshall (1890) แม้สัญชาตญาณเบื้องหลังที่ว่าเส้นอุปสงค์ลาดลงและความไวต่อราคาต่างกันไปตามสินค้า จะปรากฏมาก่อนอย่างน้อยหนึ่งศตวรรษในงานของ Smith (1776) และ Cournot (1838) ผลงานของ Marshall คือการนิยาม elasticity เป็นอัตราเฉพาะที่ไม่มีหน่วย เสนอว่าค่านี้แปรตามหมวดสินค้าอย่างเป็นระบบ โดยสินค้าจำเป็นมี elasticity ต่ำและสินค้าฟุ่มเฟือยมีสูง และเสนอให้ใช้ introspection กับการสำรวจโดยตรงเป็นกลยุทธ์ identification ที่ชอบธรรมเมื่อไม่มีข้อมูลเชิงทดลอง

ปัญหาเศรษฐมิติเชิงรูปนัยข้อแรกของการประมาณ elasticity คือ identification problem ถูกตั้งขึ้นในทศวรรษ 1920 Working (1927) และ Wright (1928) สังเกตว่าการถดถอยราคาที่สังเกตได้บนปริมาณที่สังเกตได้ไม่ได้คืนเส้นอุปสงค์หรือเส้นอุปทาน แต่ได้ตัวผสมที่ถูกกำหนดโดยความแปรปรวนสัมพัทธ์ของ shock ด้านอุปสงค์และอุปทาน นี่นำไปสู่การค้นหา cost shifter คือตัวแปรที่ขยับอุปทานแต่ไม่ขยับอุปสงค์ เช่น ราคาวัตถุดิบหรือ shock จากสภาพอากาศ มาใช้เป็น instrument ของราคา Schultz (1938) ใช้แนวทางนี้ประมาณ elasticity ของอุปสงค์สินค้าเกษตร และ Cowles Commission (Koopmans, 1950; Hood and Koopmans, 1953) ขยายเป็นกรอบสมการเชิงพร้อมกัน (simultaneous equations) ที่ครองงานราคาเชิงประจักษ์มาสี่สิบปี

ยุคคลาสสิกทิ้งมรดกที่คงทนไว้สองข้อ ข้อแรกคือการยอมรับว่า ราคา endogenous กล่าวคือราคาตอบสนองต่ออุปสงค์ ข้อที่สองคือวิธีแก้มาตรฐานด้วย instrumental variables ภายใต้เงื่อนไข exogeneity และ exclusion ทั้งสองข้อยังใช้ได้ในอีคอมเมิร์ซบนแพลตฟอร์ม แต่อุปทานของ instrument ตัวแปรต้นทุนที่ใช้ได้จริงลดลง เพราะราคาถูกปรับด้วยอัลกอริทึมตามสัญญาณภายในแพลตฟอร์ม

2.2 อุปสงค์เชิงโครงสร้าง: AIDS, logit และ BLP

คลื่นลูกที่สองเริ่มจาก Almost Ideal Demand System (AIDS) ของ Deaton and Muellbauer (1980) ซึ่งหา elasticity ผ่านระบบอุปสงค์ที่สอดคล้องกับทฤษฎี โดยสร้างจากการหาค่า utility สูงสุด AIDS กำหนดเงื่อนไข Slutsky symmetry และ adding-up แต่สมมติให้ปริมาณเป็นค่าต่อเนื่อง จึงเหมาะกับข้อมูลตะกร้าสินค้าของร้านขายของชำ แต่ไม่เหมาะกับการซื้อแบบไม่ต่อเนื่องและไม่บ่อยซึ่งเป็นลักษณะเด่นของค้าปลีกสินค้าคงทน

แนวทาง discrete choice ซึ่งเริ่มจาก McFadden (1974) และไปถึงจุดสูงสุดที่ Berry, Levinsohn, and Pakes (1995, ต่อไปเรียก BLP) แก้ปัญหานี้โดยจำลองผู้บริโภคแต่ละคนว่าเลือกสินค้าหนึ่งชิ้นจากเมนูที่มีจำนวนจำกัด BLP รองรับคุณลักษณะสินค้าที่สังเกตไม่ได้ซึ่งสัมพันธ์กับราคา ใช้ market share รวมเป็นเป้าหมายเชิงประจักษ์ และใช้ instrument แบบ characteristic-space สำหรับราคา วิธีนี้กลายเป็นเครื่องมือหลักของ industrial organization เชิงประจักษ์มาหนึ่งรุ่น (Nevo, 2001; Berry and Haile, 2014)

อย่างไรก็ตาม ข้อกำหนดหลักของ BLP คือต้องมีตลาดที่นิยามชัดเจน ซึ่งผู้บริโภคทุกคนเผชิญชุดตัวเลือกเดียวกัน อีคอมเมิร์ซบนแพลตฟอร์มละเมิดข้อกำหนดนี้ตั้งแต่รากฐาน เพราะชุดตัวเลือกของผู้บริโภคแต่ละคนถูกระบบจัดอันดับของแพลตฟอร์มคัดสรรตามคำค้น ประวัติการเรียกดู และราคา (Ursu, 2018) ผู้บริโภคสองคนค้นคำเดียวกันในเวลาเดียวกันอาจเห็นสินค้าต่างกันและเรียงลำดับต่างกัน "market share" ของ SKU จึงไม่ใช่ปริมาณพื้นฐาน แต่เป็นฟังก์ชันของนโยบายการจัดอันดับของอัลกอริทึม ตัวประมาณค่าแบบ BLP ที่ใช้โดยไม่ปรับจะปนเปื้อน elasticity ของอุปสงค์ที่แท้จริงกับ price-elasticity-of-ranking ของแพลตฟอร์ม ซึ่งเป็น confound ที่มองไม่เห็นในข้อมูลมาตรฐาน

2.3 ยุค machine learning: causal forest, double ML และ deep IV

Machine learning สามสายได้เปลี่ยนโฉมการประมาณ elasticity ตั้งแต่กลางทศวรรษ 2010 สายแรกคือ causal forest (Wager and Athey, 2018; Athey, Tibshirani, and Wager, 2019) ซึ่งขยาย random forest ให้ประมาณ heterogeneous treatment effect รวมถึง elasticity ของ treatment ต่อเนื่อง สายที่สองคือ double machine learning (Chernozhukov et al., 2018 ต่อไปเรียก DML) ซึ่งใช้การทำนายราคาและอุปสงค์บน confounder ด้วย machine learning แบบ cross-fit เพื่อสร้าง score แบบ Neyman-orthogonal ที่คืนค่า elasticity ได้อย่างสอดคล้องในอัตรา √n ภายใต้ confounding มิติสูง สายที่สามคือ deep instrumental-variable methods (Hartford et al., 2017) ซึ่งรวมโครงข่ายประสาทเทียมเข้ากับ identification ด้วย instrument

วิธีเหล่านี้ผ่อนคลายข้อกำหนดเชิงพารามิเตอร์และข้อกำหนดเรื่อง instrument ของการประมาณแบบคลาสสิกลงได้มาก แต่ไม่ได้ออกแบบมาสำหรับโครงสร้าง panel ที่มี cold start ของข้อมูลมาร์เก็ตเพลส และไม่ได้เข้ารหัสโครงสร้างกลไกของแพลตฟอร์มมาในตัว เมื่อนำไปใช้กับ panel data ของแพลตฟอร์มโดยไม่ดัดแปลง วิธีเหล่านี้มักให้ค่าประมาณที่มีความแปรปรวนสูงบน SKU ที่ข้อมูลน้อย (เพราะแบ่งปันข้อมูลข้าม SKU ไม่ได้) พลาด kink ที่เกิดจากเกณฑ์ของ Bundle Deal (เพราะไม่เข้ารหัสกลไก) และไม่ให้ช่วงความไม่แน่นอนที่ calibrate แล้ว นอกจาก bootstrap interval ซึ่งเองก็เชื่อถือไม่ได้บนยอดขายหางหนัก

2.4 แนวทาง hierarchical Bayesian และ partial pooling

วรรณกรรมสายขนานซึ่งพัฒนาส่วนใหญ่ในวิทยาการการตลาดและสถิติเบย์ ให้น้ำหนักกับ partial pooling เป็นคำตอบต่อความหลากหลายของ SKU (Allenby and Rossi, 1998; Rossi, Allenby, and McCulloch, 2005; Gelman et al., 2013) หลักคิดคือไม่ควรประมาณ elasticity ของแต่ละ SKU แยกเดี่ยว แต่ควร shrink เข้าหาค่าเฉลี่ยของหมวดหมู่ โดยให้ข้อมูลเป็นตัวกำหนดระดับของ shrinkage นี่คือภาคเบย์อย่างเป็นทางการของสัญชาตญาณที่ผู้ปฏิบัติงานมี ว่า SKU ใหม่ควรรับ elasticity เริ่มต้นที่สมเหตุสมผลมาจากสินค้าที่เทียบเคียงกันได้ ตัวประมาณค่า hierarchical Bayesian เหมาะกับข้อมูลแพลตฟอร์มที่มี SKU หลายพันรายการและ cold start บ่อย และให้ posterior interval ที่ calibrate แล้วเป็นผลพลอยได้ จุดอ่อนในรูปแบบดิบคือ identification เพราะโครงสร้าง partial pooling ไม่ได้แก้ปัญหา price endogeneity เลย ผลงานของบทความนี้คือการรวมโครงหลัก partial pooling เข้ากับขั้นตอน identification แบบ DML และ likelihood ที่รู้จักกลไก ไว้ในกรอบ posterior inference เดียว

2.5 อะไรเปลี่ยนไป และอะไรไม่เปลี่ยน

ตลอดเส้นทางทางประวัติศาสตร์นี้ มีสามอย่างที่เปลี่ยนไป ได้แก่ ความยืดหยุ่นในการจำลองค่าคาดหมายแบบมีเงื่อนไขของอุปสงค์ (จาก linear log ไปจนถึงโครงข่ายประสาทเทียมลึก) มิติของ confounder ที่รับมือได้ (จากตัวแปรต้นทุนไม่กี่ตัวไปเป็นสัญญาณภายในแพลตฟอร์มนับพัน) และเป้าหมายที่ประมาณได้ (จาก elasticity เฉลี่ยไปเป็น elasticity ระดับ SKU ที่แตกต่างกันเต็มรูปแบบและเปลี่ยนตามเวลา)

สิ่งที่ ไม่ เปลี่ยนคือข้อกำหนดพื้นฐาน นั่นคือต้องมีความแปรผันของราคาที่ exogenous เมื่อกำหนดสิ่งที่เราวัดได้แล้ว ตัวประมาณค่า elasticity ทุกตัวจะรอดหรือล่มขึ้นกับว่าแยกความแปรผันเช่นนั้นออกมาได้สำเร็จหรือไม่ ในอีคอมเมิร์ซบนแพลตฟอร์ม ซึ่งราคาเป็นฟังก์ชันของสัญญาณจากอัลกอริทึมที่ผู้ขายมองไม่เห็นและนักวิเคราะห์แทบไม่เคยเห็น ข้อกำหนดนี้คือข้อจำกัดที่ผูกมัดจริง ส่วนที่ 3 จะอธิบายประเด็นนี้โดยละเอียด

3. ทำไมอีคอมเมิร์ซบนแพลตฟอร์มจึงต้องใช้ตัวประมาณค่าแบบอื่น

3.1 Confounder จากอัลกอริทึม

ลักษณะแรกของอีคอมเมิร์ซบนแพลตฟอร์มที่ทำให้การประมาณแบบตรงไปตรงมาใช้ไม่ได้คือการที่อัลกอริทึมเป็นตัวกลางของอุปสงค์ บน Shopee, Lazada และ TikTok Shop การเข้าถึงของ SKU ซึ่งก็คือจำนวน impression ที่ได้จากการค้นหาแบบ organic และระบบแนะนำ ถูกกำหนดโดยโมเดลจัดอันดับที่ใช้ราคาเป็นหนึ่งในหลายอินพุต (Ursu, 2018; Goldfarb and Tucker, 2019) เมื่อผู้ขายขึ้นราคา จะเกิดสองสิ่งพร้อมกัน คือแต่ละ impression แปลงเป็นยอดขายได้น้อยลง (ผลของอุปสงค์ ซึ่งเป็นสิ่งที่เราอยากประมาณ) และ SKU ได้ impression น้อยลงตั้งแต่แรก (ผลจากการจัดอันดับของอัลกอริทึม) การถดถอยแบบ log-log อย่างตรงไปตรงมาของจำนวนชิ้นที่ขายบนราคาจะได้ผลรวมของสองผลนี้ ไม่ใช่ elasticity ของอุปสงค์ล้วนๆ อคตินี้เป็นเชิงโครงสร้าง ไม่หายไปแม้มีข้อมูลมากขึ้น

นี่เป็น confounding คนละชนิดกับปัญหา simultaneity แบบคลาสสิก ปัญหาคลาสสิกคือราคาตอบสนองต่อ shock ของอุปสงค์ ส่วนปัญหาของแพลตฟอร์มคือราคา ทำให้ การเข้าถึงเปลี่ยนผ่านกลไกที่ exogenous ต่ออุปสงค์ แต่ในมุมของนักวิเคราะห์เป็นองค์ประกอบที่สังเกตไม่ได้ของกระบวนการสร้างข้อมูล ซึ่งต้องจำลองหรือกำจัดออกด้วย instrument

3.2 Kink ที่เกิดจากกลไก

ลักษณะที่สองคือพื้นผิวโปรโมชันที่มีโครงสร้าง Bundle Deal บน Shopee, FlexiCombo บน Lazada และ "buy more save more" บน TikTok Shop ไม่ใช่แคมเปญการตลาดที่วางทับบนเส้นอุปสงค์เรียบ แต่เป็นเครื่องมือ mechanism design คือการแบ่งแยกราคาระดับที่สองตามความหมายของ Tirole (1988) และทำให้เกิด kink และความไม่ต่อเนื่องในพื้นผิวราคา-ปริมาณที่เกิดขึ้นจริง ซึ่งตัวประมาณค่า nonparametric แบบเรียบจับไม่ได้ถ้าไม่มีโครงสร้างที่ระบุชัด causal forest ที่ fit บนช่วงที่ Bundle Deal เปิดอยู่จะเกลี่ยข้าม kink และประมาณ elasticity ณ เกณฑ์ (threshold-marginal elasticity) ซึ่งผู้ขายต้องใช้ตัดสินใจตั้งค่า ต่ำกว่าความเป็นจริง

กอง voucher เพิ่มโครงสร้างอีกชั้น voucher ที่แพลตฟอร์มออก ที่ผู้ขายออก และที่เฉพาะหมวดหมู่ ประกอบกันตามกฎการซ้อนอย่างเป็นทางการที่นักวิเคราะห์ต้องเข้ารหัส impression สองครั้งที่ราคาตามป้ายเท่ากันอาจมีราคาจริงหลังใช้ voucher ต่างกันมาก และการมองข้ามความต่างนี้ทำให้ตัวประมาณค่าเอนไปทาง inelastic (เพราะสับสนระหว่างส่วนลดจาก voucher กับราคาที่คงที่)

3.3 ปัญหา cold start และ long tail

ลักษณะที่สามคือระบอบการหมุนเวียนของ SKU การกระจายยอดขายรายเดือนระดับ SKU ในข้อมูลมาร์เก็ตเพลสมีหางหนัก SKU มัธยฐานมีรายการซื้อขายไม่กี่รายการต่อเดือน และรายได้ส่วนสำคัญเมื่อสิ้นไตรมาสมาจาก SKU ที่เพิ่งเปิดตัวไม่นาน ตัวประมาณค่าแบบไม่ pool คือ fit elasticity แยกให้แต่ละ SKU จะล้มเหลวกับการกระจายแบบนี้ เพราะความแปรผันต่อ SKU ไม่พอที่จะ identify พารามิเตอร์ให้แม่นยำ ส่วนตัวประมาณค่าแบบ pool เต็มที่ คือ fit elasticity ระดับหมวดหมู่ค่าเดียว จะล้มเหลวในทิศตรงข้าม เพราะเฉลี่ยทับความหลากหลายที่มีอยู่จริง

คำตอบทางสถิติคือ partial pooling (Gelman et al., 2013) โดย elasticity ของแต่ละ SKU เป็นค่าที่สุ่มมาจากการแจกแจงระดับหมวดหมู่ และความแรงของ prior ก็ถูกประมาณไปด้วย ในทางเทคนิคทำได้ไม่ยาก แต่แทบไม่มีอยู่ในตัวประมาณค่า ML-causal กระแสหลัก

3.4 Loss function ของผู้ตัดสินใจ

ลักษณะที่สี่คือความไม่สมมาตรของ loss function ในการตั้งราคาเชิงปฏิบัติ ผู้ขายไม่เสียหายเท่ากันระหว่างการประมาณ elasticity สูงเกินและต่ำเกิน การประมาณต่ำเกินไป (มอง SKU ที่ elastic ว่า inelastic) ทำให้ลดราคาน้อยเกินและเสียออเดอร์ ส่วนการประมาณสูงเกินไป (มอง SKU ที่ inelastic ว่า elastic) ทำให้ลดราคาสินค้าที่ขายได้อยู่แล้ว และให้ margin ไปฟรีๆ ขนาดสัมพัทธ์ของความเสียหายสองแบบนี้ขึ้นกับ contribution margin และสถานะสต็อกของ SKU และต่างกันไปทั่วแคตตาล็อก

ค่าประมาณจุดเดียวจึงไม่พอ ผู้ขายต้องการ posterior ที่ calibrate แล้ว เพื่อตัดสินใจภายใต้ความเกลียดความเสี่ยงที่ระบุชัด (Berger, 1985; Robert, 2007) โดยเฉพาะอย่างยิ่ง เกณฑ์และส่วนลดของ Bundle Deal ที่เหมาะสมภายใต้ความไม่แน่นอน ไม่ใช่เกณฑ์และส่วนลดที่ทำให้กำไรคาดหมายสูงสุดที่ค่าเฉลี่ย posterior ของ elasticity แต่เป็นเกณฑ์และส่วนลดที่ทำให้กำไรคาดหมายสูงสุดเมื่อเฉลี่ยทั่ว posterior ความแตกต่างนี้เป็นเหตุผลที่ MA-HCEM ตั้งเป้าการอนุมานเป็น Bayesian posterior ไม่ใช่ค่าประมาณจุดแบบ frequentist

4. Mechanism-Aware Hierarchical Causal Elasticity Model

4.1 สัญกรณ์และโครงสร้างข้อมูล

ให้ $i \in \{1, \ldots, N\}$ เป็นดัชนีของ SKU, $j(i)$ เป็นดัชนีของร้านที่มี SKU $i$ และ $c(i)$ เป็นหมวดหมู่ที่แพลตฟอร์มกำหนดให้ SKU $i$ ให้ $t \in \{1, \ldots, T\}$ เป็นดัชนีของช่วงเวลา ผลลัพธ์ที่สังเกตได้คือ $q_{it}$ จำนวนหน่วยของ SKU $i$ ที่ขายได้ในช่วง $t$ ส่วน treatment คือ $p_{it}$ ราคาต่อหน่วยที่ชำระจริง (หลังใช้ voucher) ในรายการซื้อขายส่วนเพิ่ม เวกเตอร์ $X_{it}$ รวบรวม covariate ได้แก่ อายุของ SKU, fixed effect ของร้าน, fixed effect ของหมวดหมู่-เวลา, วันในสัปดาห์, ตัวบ่งชี้แคมเปญตามปฏิทิน, ค่าโฆษณา, impression แบบ organic และแบบจ่ายเงิน, สถานะสต็อก และสรุปราคาคู่แข่ง ให้ $M_{it}$ แทนการตั้งค่ากลไกที่ใช้งานอยู่ โดย $M_{it} = (b_{it}, v_{it}, f_{it})$ ซึ่ง $b_{it}$ เข้ารหัสเกณฑ์และส่วนลดของ Bundle Deal, $v_{it}$ เข้ารหัสกอง voucher ที่ใช้งาน และ $f_{it}$ บ่งชี้บริบทของ flash sale หรือไลฟ์สตรีม ให้ $Z_{it}$ แทนตัวบ่งชี้การรบกวนแบบสุ่มถ้ามี (ส่วนที่ 4.6)

4.2 Generative model

MA-HCEM กำหนดการแจกแจงแบบมีเงื่อนไขของ $q_{it}$ เป็น mixture ที่รู้จักกลไก:

q_{it} \mid p_{it}, X_{it}, M_{it} \sim \pi_{it} \cdot \mathcal{F}_{1}(\theta_{1,it}) + (1 - \pi_{it}) \cdot \mathcal{F}_{2}(\theta_{2,it})

โดย $\mathcal{F}_{1}$ คือส่วนประกอบอุปสงค์ของ กลุ่มที่ elastic แบบซื้อหนึ่งหน่วย (ผู้บริโภคที่ซื้อไม่เกินหนึ่งหน่วยที่ราคาตามป้าย) $\mathcal{F}_{2}$ คือส่วนประกอบอุปสงค์ของ กลุ่มที่เข้าเกณฑ์ bundle (ผู้บริโภคที่ยอมซื้อหลายหน่วยก็ต่อเมื่อได้ส่วนลดตามเงื่อนไข) และ $\pi_{it}$ คือน้ำหนักการผสมที่ขึ้นกับบริบท การแยกส่วนนี้ทำให้โครงสร้างการแบ่งแยกราคาระดับที่สองที่ Bundle Deal และ FlexiCombo ใช้ประโยชน์ใช้งานได้จริงในแบบจำลอง เรากำหนดให้ทั้งสองส่วนเป็น negative-binomial เพื่อรองรับข้อมูลนับที่มี over-dispersion ซึ่งเป็นลักษณะเด่นของข้อมูลมาร์เก็ตเพลส:

\mathcal{F}_{k}(\theta_{k,it}) = \text{NegBin}(\mu_{k,it}, \phi_{k}), \quad k \in \{1, 2\}.

ค่าเฉลี่ยแบบมีเงื่อนไขเป็น log-linear ในราคา โดย elasticity ถูกปรับตามกลไก:

\log \mu_{1,it} = \alpha_{i}^{(1)} + \beta_{i}^{(1)} \log p_{it} + \gamma^{(1)\top} X_{it}

\log \mu_{2,it} = \alpha_{i}^{(2)} + \beta_{i}^{(2)} \log p_{it}^{\text{bundle}}(b_{it}) + \delta_{i}^{\top} \mathbf{1}\{b_{it} \neq \emptyset\} + \gamma^{(2)\top} X_{it}

โดย $p_{it}^{\text{bundle}}(b_{it})$ คือราคาต่อหน่วยภายใต้เกณฑ์และส่วนลดของ bundle ที่ใช้งานอยู่ และ $\delta_{i}$ จับผลของการเปิดใช้ bundle ที่ดึงความสนใจเป็นก้อนแบบไม่ต่อเนื่อง

4.3 Hierarchical prior

Elasticity ระดับ SKU ถูก partial pooling ข้ามสองระดับของอนุกรมวิธานของแพลตฟอร์ม:

\beta_{i}^{(k)} \mid \beta_{c(i)}^{(k)}, \tau_{c}^{(k)} \sim \mathcal{N}\!\left(\beta_{c(i)}^{(k)}, \tau_{c}^{(k),2}\right),

\beta_{c}^{(k)} \mid \beta_{0}^{(k)}, \tau_{0}^{(k)} \sim \mathcal{N}\!\left(\beta_{0}^{(k)}, \tau_{0}^{(k),2}\right).

Hyperparameter $\beta_{0}^{(k)}$ , $\tau_{0}^{(k)}$ , $\tau_{c}^{(k)}$ ได้รับ hyperprior แบบ weakly informative เช่นกัน (Gelman, 2006) โดย $\tau \sim \text{Half-Cauchy}(0, 1)$ โครงสร้างนี้ให้การ regularize สำหรับ cold start ตามที่ส่วนที่ 3.3 ให้เหตุผลไว้ คือ posterior elasticity ของ SKU ใหม่ในช่วงแรกถูก prior ระดับหมวดหมู่ครอบงำ และปรับตามเมื่อข้อมูลของ SKU เองสะสมมากขึ้น

4.4 น้ำหนักการผสมและการตอบสนองต่อกลไก

น้ำหนักการผสม $\pi_{it}$ ถูกจำลองเป็นฟังก์ชัน logistic ของสถานะกลไกและ covariate ด้านบริบทผู้บริโภค:

\pi_{it} = \sigma\!\left( \eta_{0} + \eta_{b}^{\top} b_{it} + \eta_{v}^{\top} v_{it} + \eta_{f} f_{it} + \eta_{X}^{\top} X_{it} \right).

ทำให้โมเดลเรียนรู้ได้ เช่น ในช่วง Bundle Deal ที่ลดลึก กลุ่มที่เข้าเกณฑ์ bundle จะขยายตัวอย่างรวดเร็ว ขณะที่ในช่วง flash sale ไลฟ์สตรีมของ TikTok Shop กลุ่ม elastic แบบซื้อหนึ่งหน่วยจะมีบทบาทเด่น Cross-elasticity คือการทดแทนกันระหว่าง SKU ในร้านหรือหมวดหมู่เดียวกัน เข้าสู่โมเดลผ่านเทอม $\delta_{i}$ และผ่านข้อจำกัดส่วนแบ่งอุปสงค์ระดับหมวดหมู่ที่เราพัฒนาไว้ในภาคผนวก A

4.5 การปรับ confounder จากอัลกอริทึมด้วย DML

Price endogeneity ที่เกิดจากการจัดอันดับของแพลตฟอร์มถูกแก้ด้วยชั้น cross-fitting แบบ DML (Chernozhukov et al., 2018) โดยกำหนดเงื่อนไขบนเวกเตอร์ covariate มิติสูง $X_{it}$ ซึ่งเราตั้งใจเพิ่มให้ครอบคลุม impression, ค่าโฆษณา, อันดับการค้นหา, สต็อก และ effect ของหมวดหมู่-เวลา แล้วถือว่าราคาส่วนที่เหลือ (residualized price) คือความแปรผันของ treatment ที่ใช้ identify:

\tilde{p}_{it} = \log p_{it} - \hat{m}(X_{it}), \quad \hat{m}(\cdot) \text{ a cross-fit ML predictor.}

สมการค่าเฉลี่ยแบบมีเงื่อนไขของส่วนที่ 4.2 ถูกประมาณโดยใช้ $\tilde{p}_{it}$ แทน $\log p_{it}$ ในเทอมผลของราคา ภายใต้เงื่อนไข DML มาตรฐาน คือ score เป็น Neyman-orthogonal, ML มีอัตราการลู่เข้าเพียงพอ และใช้ cross-fitting ค่า elasticity ที่ได้จะสอดคล้องกับพารามิเตอร์เชิงโครงสร้าง แม้ $\hat{m}$ จะมีมิติสูงและเป็น nonparametric

4.6 การรบกวนแบบสุ่มเป็น experimental prior

จุดเด่นของ MA-HCEM คือการใช้การรบกวนราคาแบบสุ่มเล็กน้อยเป็นแหล่งความแปรผันที่ exogenous ในการใช้งานแบบมีผู้จัดการดูแล ผู้ให้บริการจะรบกวนราคาของแต่ละ SKU เล็กน้อยกับ impression ส่วนหนึ่ง โดยการรบกวนถูกสุ่มอย่างเป็นอิสระจาก $X_{it}$ ความ exogenous ของการสุ่มนี้ตัด confounding ที่เหลืออยู่ซึ่งขั้นตอน DML จัดการไม่ได้ ในทางปฏิบัติ การรบกวนเหล่านี้ถูกรวมเข้าเป็น experimental prior ที่เพิ่มข้อมูล คือแต่ละการสังเกตที่ถูกรบกวนมีส่วนร่วมกับ posterior ด้วยน้ำหนัก likelihood มาตรฐาน และการสังเกตที่ไม่ถูกรบกวนมีส่วนร่วมด้วย likelihood ที่ residualize ด้วย DML ตัวประมาณค่ารวมจึงรับอคติเชิง asymptotic ของขั้นตอน DML เมื่อไม่มีการรบกวน และรับความไม่เอนเอียงของการทดลองแบบสุ่มเมื่อมีการรบกวน โดยน้ำหนักสัมพัทธ์ถูกกำหนดอัตโนมัติด้วยการรวมความแปรปรวนแบบ Bayesian

นี่คือภาคเป็นทางการของสัญชาตญาณของผู้ปฏิบัติงานที่ว่า holdout test ขนาดเล็กเป็นวิธีที่ถูกที่สุดในการมั่นใจ ผลงานของ MA-HCEM คือการทำให้ holdout test ต่อเนื่อง ทำงานบน policy จริง และผสานกับข้อมูลเชิงสังเกตได้อย่างราบรื่น แทนที่จะเป็น A/B test แบบไม่ต่อเนื่องที่ออกแบบแพงและอ่านผลช้า

5. Identification

5.1 Identification ของ elasticity ของอุปสงค์

เราระบุผล identification สำหรับกรณีส่วนเดียว ( $\pi_{it} \equiv 1$ , $\mathcal{F}_{2}$ เป็นแบบ degenerate) ส่วนขยายสองส่วนอยู่ในภาคผนวก A

Assumption 1 (Conditional independence) $\log p_{it} \perp\!\!\!\perp \varepsilon_{it} \mid X_{it}, Z_{it}$ โดย $\varepsilon_{it}$ คือ error เชิงโครงสร้างของอุปสงค์ และ $Z_{it}$ คือตัวบ่งชี้การรบกวนแบบสุ่ม (เป็น degenerate เมื่อไม่มีการรบกวน)

Assumption 2 (DML rate condition) ตัวประมาณค่า ML $\hat{m}(\cdot)$ สำหรับ $\mathbb{E}[\log p_{it} \mid X_{it}]$ และ $\hat{g}(\cdot)$ สำหรับ $\mathbb{E}[\log q_{it} \mid X_{it}]$ ลู่เข้าในอัตรา $o_{P}(n^{-1/4})$ ภายใต้ cross-fitting

Assumption 3 (Hierarchical exchangeability) เมื่อกำหนดหมวดหมู่ $c$ elasticity ระดับ SKU $\{\beta_{i}\}_{i: c(i) = c}$ เป็น exchangeable

Proposition 1 (Identification ของ $\beta_{i}$ ภายใต้ MA-HCEM) ภายใต้ Assumption 1-3 การแจกแจง posterior ของ $\beta_{i}$ เมื่อกำหนดข้อมูลจะกระจุกตัวรอบ elasticity ระดับ SKU ที่แท้จริงเมื่อ $T \to \infty$ สำหรับแต่ละ SKU และเมื่อ $N \to \infty$ ภายในแต่ละหมวดหมู่ โดยอัตราการกระจุกตัวถูกกำหนดโดยค่าสูงสุดระหว่าง effective sample size ภายใน SKU กับความแรงของการ pool ข้าม SKU

ข้อโต้แย้งเป็นไปตามข้อโต้แย้งเรื่อง consistency ของ hierarchical Bayes มาตรฐาน (Diaconis and Freedman, 1986; Ghosal and van der Vaart, 2017) ร่วมกับคุณสมบัติ Neyman-orthogonal score ของการ residualize แบบ DML โดยสัญชาตญาณ โครงสร้าง partial pooling ให้ identification แก่ SKU แบบ cold start ผ่าน prior ระดับหมวดหมู่ และขั้นตอน DML ให้ identification แก่ SKU ที่มีประวัติผ่านความแปรผันของราคาภายใน SKU ที่ exogenous แบบมีเงื่อนไขเมื่อกำหนด $X_{it}$ ร่างการพิสูจน์เชิงรูปนัยอยู่ในภาคผนวก B เราขอตั้งข้อสังเกตว่า proposition นี้ระบุเป็นผล posterior concentration ไม่ใช่ทฤษฎีบท consistency แบบ frequentist และการยกระดับให้เป็นทฤษฎีบทระดับตีพิมพ์เป็นรายการหนึ่งในวาระด้านระเบียบวิธีที่ระบุไว้ในส่วนที่ 9

5.2 สิ่งที่ identification ให้ไม่ได้

มีข้อควรระวังสามข้อที่ควรระบุให้ชัด

ข้อแรก identification มีเงื่อนไขว่าชุด covariate $X_{it}$ ต้องอุดมพอที่จะดูดซับ confounding จากอัลกอริทึม ในทางปฏิบัติ นักวิเคราะห์ต้องเข้าถึงข้อมูล impression ของแพลตฟอร์ม ข้อมูลอันดับการค้นหา และข้อมูลค่าโฆษณา ระดับ SKU-เวลา เมื่อนักวิเคราะห์เข้าถึงได้เพียงข้อมูลธุรกรรมของผู้ขาย ซึ่งเป็นกรณีที่พบเป็นบางครั้งสำหรับเครื่องมือของบุคคลที่สาม ขั้นตอน DML จะมีอคติตามระดับที่การเข้าถึงจากอัลกอริทึมสัมพันธ์กับราคาเมื่อกำหนดสิ่งที่สังเกตได้ การเสริมด้วยการรบกวนแบบสุ่มคือทางออกเชิงรูปนัยจากข้อจำกัดนี้ และเราแนะนำให้เป็นรูปแบบการใช้งานตั้งต้น

ข้อที่สอง โครงสร้าง cross-elasticity identify ได้เพียงจนถึงการทำ normalization เราทำตามวรรณกรรมระบบอุปสงค์ (Deaton and Muellbauer, 1980) โดยกำหนดเงื่อนไข adding-up ที่ระดับหมวดหมู่ ทางเลือกอื่นอภิปรายไว้ในภาคผนวก A

ข้อที่สาม โมเดล identify ที่ระดับ elasticity ของค่าเฉลี่ย ไม่ใช่การแจกแจงอุปสงค์ทั้งหมด Quantile elasticity ซึ่งคือการตอบสนองของอุปสงค์ ณ เปอร์เซ็นไทล์ที่ 90 ต่อการเปลี่ยนราคา ต้องขยายความสัมพันธ์ระหว่างค่าเฉลี่ยกับความแปรปรวนของ negative-binomial ซึ่งเราไม่ได้พัฒนาในที่นี้

6. Posterior Inference

6.1 เป้าหมายของการอนุมาน

เป้าหมายของการอนุมานคือ joint posterior $p(\boldsymbol{\beta}, \boldsymbol{\alpha}, \boldsymbol{\delta}, \boldsymbol{\eta}, \boldsymbol{\phi}, \boldsymbol{\tau} \mid \mathcal{D})$ โดย $\mathcal{D} = \{(q_{it}, p_{it}, X_{it}, M_{it}, Z_{it})\}_{i,t}$ คือ panel สำหรับการใช้งานเชิงบริหาร marginal posterior ของ $\beta_{i}^{(k)}$ เป็นผลลัพธ์หลัก แต่ต้องใช้ joint ทั้งหมดสำหรับการคำนวณ profit optimization ขั้นถัดไป โดยเฉพาะการเลือกเกณฑ์ของ Bundle Deal

6.2 Stochastic variational inference

สำหรับ panel ขนาดจริง การทำ Markov-chain Monte Carlo เต็มรูปแบบมีต้นทุนการคำนวณสูง เราจึงใช้ stochastic variational inference (Hoffman et al., 2013; Kucukelbir et al., 2017) กับ variational family แบบ structured mean-field ที่คงความสัมพันธ์เชิงลำดับชั้นระหว่าง $\beta_{i}^{(k)}$ กับ $\beta_{c}^{(k)}$ ไว้ แต่แยกตัวประกอบข้าม SKU ภายในหมวดหมู่ likelihood แบบ negative-binomial ถูก reparameterize ผ่าน mixture แบบ Poisson-Gamma เพื่อให้ประมาณ gradient แบบ Monte Carlo ที่หาอนุพันธ์ได้ เราใช้ control variate ที่สร้างจากส่วนที่เหลือของ DML (Ranganath, Gerrish, and Blei, 2014) เพื่อทำให้ gradient เสถียรบน SKU หางยาว ส่วนการ implement อ้างอิงแบบ Hamiltonian Monte Carlo (Stan; Carpenter et al., 2017) ใช้ตรวจสอบ posterior กับ subset ขนาดเล็กที่ต้นทุนการคำนวณไม่เป็นข้อจำกัด เราไม่รายงาน benchmark เวลาจริง เพราะการทำ benchmark เป็นส่วนหนึ่งของวาระเชิงประจักษ์ฉบับคู่ที่ระบุไว้ในส่วนที่ 9

6.3 Posterior predictive check

เราแนะนำ posterior predictive check สามข้อ (Gelman, Meng, and Stern, 1996) เป็นมาตรฐานขั้นต่ำด้านสุขอนามัยของการใช้งานจริง ได้แก่ (i) การ calibrate ของ credible interval เทียบกับการรบกวนราคาที่กันไว้ (held-out) (ii) ความสอดคล้องของการแจกแจง elasticity กับ prior ระดับหมวดหมู่ ซึ่งเป็นการตรวจที่ชี้การ pool ที่ผิดปกติ และ (iii) สถิติ discrepancy ที่เปรียบเทียบอัตราการใช้ Bundle Deal ตามโมเดลกับอัตราที่สังเกตได้ ณ เกณฑ์ที่เป็นตัวเลือก

7. การเปรียบเทียบเชิงทฤษฎีกับ Baseline มาตรฐาน

ส่วนนี้พัฒนาการแยกส่วนประกอบของอคติเชิงคุณภาพ เพื่อชี้ว่า baseline มาตรฐานแต่ละตัวทิ้งองค์ประกอบของความคลาดเคลื่อนใดไว้โดยไม่จัดการ ภายใต้กระบวนการสร้างข้อมูลของแพลตฟอร์มมาร์เก็ตเพลสที่อธิบายในส่วนที่ 3 และ MA-HCEM ถูกออกแบบมาลดความคลาดเคลื่อนเหล่านั้นตรงจุดใด การเปรียบเทียบนี้เป็นเชิงทฤษฎี การพิสูจน์ด้วยข้อมูลจริงและ Monte Carlo ยังเป็นส่วนหนึ่งของวาระการทำซ้ำในส่วนที่ 9

7.1 การแยกส่วนประกอบของความคลาดเคลื่อนในการประมาณ elasticity

สำหรับตัวประมาณค่า elasticity ใดๆ $\hat{\beta}_{i}$ ของ elasticity ระดับ SKU $\beta_{i}$ เราแยก mean-squared error เป็นผลรวมของสามองค์ประกอบ ได้แก่ (i) อคติจาก confounding ของอัลกอริทึม ซึ่งเกิดเมื่อราคาสัมพันธ์กับปัจจัยที่สังเกตไม่ได้ที่กระทบการเข้าถึง (ii) อคติจาก mechanism misspecification ซึ่งเกิดเมื่อตัวประมาณค่าเกลี่ยข้าม kink ที่เกิดจากกลไก Bundle Deal หรือ voucher และ (iii) ความแปรปรวนของการประมาณ ซึ่งเกิดจากข้อมูลภายใน SKU ที่มีจำกัด

Baseline มาตรฐานแต่ละตัวจัดการได้เพียงบางส่วนของสามองค์ประกอบนี้

7.2 โหมดความล้มเหลวของ baseline มาตรฐาน

การถดถอย log-log แบบตรงไปตรงมา การถดถอยแบบ fixed-effects ระดับ SKU ของ $\log q_{it}$ บน $\log p_{it}$ ควบคุมความหลากหลายของ SKU ที่ไม่เปลี่ยนตามเวลาได้ แต่ควบคุมการเข้าถึงจากอัลกอริทึมที่เปลี่ยนตามเวลาไม่ได้ ความแปรผันของราคาภายใน SKU ที่วิธีนี้ใช้ คือความแปรผันที่ปนเปื้อน confounding จากอัลกอริทึมมากที่สุดพอดี เมื่อผู้ขายขึ้นราคา แพลตฟอร์มลดการเข้าถึง ดังนั้นสหสัมพันธ์ภายใน SKU ระหว่างราคากับจำนวนชิ้นที่ขายได้จึงเป็น ผลรวม ของ elasticity ของอุปสงค์กับ exposure-elasticity-of-price ตัวประมาณค่านี้เอนไปทาง inelastic เมื่อมีการเชื่อมโยงระหว่างราคากับอันดับของอัลกอริทึมในทางบวก นอกจากนี้ยังมองข้าม kink จากกลไก จึงไม่สามารถกู้ threshold-marginal elasticity ที่ต้องใช้ตั้งค่า Bundle Deal ได้ในเชิงโครงสร้าง

Double machine learning ที่ไม่มี partial pooling ตัวประมาณค่า DML ที่ residualize ราคาบนเวกเตอร์ covariate ที่อุดม ซึ่งรวม impression, ค่าโฆษณา และอันดับการค้นหา สามารถกำจัดอคติจาก confounding ของอัลกอริทึมได้ในหลักการ ตราบที่เวกเตอร์ covariate ครอบคลุมปริภูมิของ confounder และตัวประมาณค่า nuisance ของ ML ลู่เข้าในอัตราที่ต้องการ (Chernozhukov et al., 2018) บน SKU ที่มีประวัติและตัวอย่างภายใน SKU เพียงพอ นี่คือเครื่องมือที่ถูกต้อง แต่ยังเหลือโหมดความล้มเหลวสองข้อ ข้อแรก บน SKU แบบ cold start และ SKU ที่ข้อมูลน้อย effective sample size ภายใน SKU หลัง residualize มีน้อย ค่าประมาณ elasticity ที่ได้จึงมีความแปรปรวนสูง ซึ่งซ้ำเติมกับอคติจาก mechanism misspecification เพราะ DML ไม่ได้เข้ารหัส kink ของ bundle/voucher ข้อที่สอง DML ให้ค่าประมาณจุดแบบ frequentist และ bootstrap confidence interval ซึ่งเองก็เชื่อถือไม่ได้บนการกระจายยอดขายหางหนัก ความไม่แน่นอนที่ calibrate แล้วสำหรับการตัดสินใจเชิงบริหารที่รับรู้ความเสี่ยงจึงไม่ได้มาในตัว

Causal forest Generalized random forest (Athey, Tibshirani, and Wager, 2019) รับมือ confounder มิติสูงได้ยืดหยุ่นและให้ค่าประมาณ elasticity ที่แตกต่างตาม SKU วิธีนี้มีจุดอ่อนสองข้อเหมือน DML (ไม่มี partial pooling และไม่มี posterior ในตัว) และเพิ่มข้อที่สาม คือ inductive bias เรื่องความเรียบของตัวประมาณค่าแบบป่าไม้มักทำให้ kink ที่กลไก Bundle Deal สร้างขึ้นบนพื้นผิวราคา-ปริมาณแบนราบลง threshold-marginal elasticity จึงถูกประมาณต่ำกว่าความเป็นจริงอย่างเป็นระบบ

Hierarchical Bayes ที่ไม่มี DML โมเดล partial pooling ล้วนๆ รับมือช่วง cold start ได้ดี เพราะความแปรปรวนถูกควบคุมด้วย shrinkage เข้าหาค่าเฉลี่ยของหมวดหมู่ แต่ไม่ได้แก้ confounding จากอัลกอริทึมเลย elasticity ที่ pool ระดับหมวดหมู่มีอคติจากกลไกเดียวกับที่ทำให้ OLS แบบตรงไปตรงมาเอนเอียง และอคตินั้นถูกส่งต่อไปยังทุก SKU ผ่าน hierarchical prior ตัวประมาณค่านี้มีพฤติกรรมดีด้านความแปรปรวน แต่เอนเอียงอย่างเป็นระบบที่ค่าเฉลี่ย

Discrete choice ตระกูล BLP ดังที่อภิปรายในส่วนที่ 2.2 ตัวประมาณค่าแบบ BLP ต้องมีตลาดที่นิยามชัดและชุดตัวเลือกคงที่ ซึ่งทั้งสองข้อล้มเหลวภายใต้การค้นพบสินค้าที่แพลตฟอร์มคัดสรร ตัวประมาณค่านี้จึงใช้กับข้อมูลแพลตฟอร์มมาร์เก็ตเพลสไม่ได้ในเชิงโครงสร้าง หากไม่ปรับอย่างมีนัยสำคัญ

7.3 สิ่งที่ MA-HCEM จัดการ

MA-HCEM ถูกสร้างให้จัดการทั้งสามองค์ประกอบของความคลาดเคลื่อนไปพร้อมกัน:

1. ขั้น residualize แบบ DML (ส่วนที่ 4.5) จัดการ อคติจาก confounding ของอัลกอริทึม โดยมีเงื่อนไขว่าชุด covariate ต้องอุดมเพียงพอ

2. Likelihood แบบสองส่วนที่รู้จักกลไก (ส่วนที่ 4.2) จัดการ อคติจาก mechanism misspecification โดยเข้ารหัสโครงสร้าง Bundle Deal และ voucher เป็น structural mixture แทนการตอบสนองต่อเนื่องที่ถูกเกลี่ย

3. Hierarchical partial pooling prior (ส่วนที่ 4.3) จัดการ ความแปรปรวนของการประมาณ โดย shrink posterior ของ SKU ที่ข้อมูลน้อยเข้าหาค่าเฉลี่ยของหมวดหมู่

4. การเสริมด้วยการรบกวนแบบสุ่ม (ส่วนที่ 4.6) เป็นแผนสำรองต่อ confounding ที่เหลืออยู่ซึ่งชุด covariate ดูดซับไม่ได้ และเป็นจุดยึดเชิงประจักษ์ของ posterior ที่ calibrate แล้ว

แต่ละกลไกเหล่านี้เป็นที่ยอมรับดีในวรรณกรรมของตัวเองอยู่แล้ว ผลงานของบทความนี้คือการรวมเข้าเป็นตัวประมาณค่าเดียวที่มุ่งเป้าไปที่กระบวนการสร้างข้อมูลของแพลตฟอร์มมาร์เก็ตเพลส

7.4 เงื่อนไขที่ MA-HCEM ไม่ได้เหนือกว่า

ความซื่อตรงต่อเงื่อนไขขอบเขตเป็นเรื่องสำคัญ MA-HCEM ไม่น่าจะเหนือกว่า baseline ที่เรียบง่ายกว่าในเงื่อนไขใดเงื่อนไขหนึ่งต่อไปนี้:

1. ไม่มี confounding จากอัลกอริทึม ถ้ากลไกการเข้าถึงของแพลตฟอร์มเป็นกลางต่อราคาโดยประมาณ การถดถอยภายใน SKU แบบตรงไปตรงมาก็ยังสอดคล้อง และขั้น DML จะเพิ่มความแปรปรวนโดยไม่ลดอคติ

2. ไม่มี kink จากกลไก ถ้าข้อมูลไม่มี Bundle Deal และ voucher หรือมีน้อยมาก likelihood สองส่วนจะกลายเป็นรูปที่ซับซ้อนกว่าแต่เทียบเท่ากับสเปกส่วนเดียว และโมเดลที่เรียบง่ายกว่าจะชนะด้วยความ parsimonious

3. SKU ที่ข้อมูลหนาและมีความแปรผันของราคาภายใน SKU มาก ถ้าทุก SKU มีรายการซื้อขายหลายพันรายการและความแปรผันของราคาที่ exogenous เพียงพอ partial pooling จะเพิ่มประโยชน์เพียงเล็กน้อย และตัวประมาณค่า DML ที่ใช้ flat prior ก็แข่งขันได้

4. Mixture ที่ระบุผิด ถ้ากระบวนการอุปสงค์ที่แท้จริงไม่ถูกประมาณได้ดีด้วย mixture สองส่วน เช่น ถ้ามีการกระจายต่อเนื่องของราคาสูงสุดที่ผู้บริโภคยอมจ่าย (reservation price) โดยไม่มีโครงสร้างความเข้าเกณฑ์ bundle แบบไม่ต่อเนื่อง likelihood ที่รู้จักกลไกจะนำความคลาดเคลื่อนจากการระบุสเปกเข้ามา ซึ่งอาจเกินอคติที่มันกำจัดได้ ความเสี่ยงนี้บรรเทาได้ด้วย posterior predictive checking (ส่วนที่ 6.3) แต่ขจัดให้หมดไม่ได้

ผู้ตรวจทานย่อมเรียกร้องอย่างสมเหตุสมผลให้ทดสอบเงื่อนไขขอบเขตเหล่านี้เชิงประจักษ์ก่อนแนะนำ MA-HCEM ให้ใช้งานทั่วไป ส่วนที่ 9 อธิบายวาระการทำซ้ำที่ตั้งใจทำสิ่งนั้นโดยตรง

8. การอภิปราย

8.1 นัยเชิงบริหาร

โมเดลให้ผลลัพธ์ที่นำไปลงมือทำได้สามอย่าง ได้แก่ posterior elasticity รายสินค้าพร้อม credible interval การตั้งค่า Bundle Deal ที่เหมาะสมตามโมเดล และคะแนนการเจาะกลุ่ม voucher (voucher-targeting score) ที่จัดอันดับลูกค้า (หรือกลุ่มผู้ติดตาม) ตามการตอบสนองส่วนเพิ่มต่อส่วนลดที่ประมาณได้

Posterior elasticity รายสินค้าคือผลลัพธ์พื้นฐาน ทำให้ผู้ขายย้ายจากการตั้งค่า sale event แบบลดเท่ากันทั้งร้าน ไปเป็นการตั้งค่าแบบแบ่งระดับตาม elasticity คือลดลึกกว่าในส่วนที่ elastic ของแคตตาล็อก และลดน้อยหรือไม่ลดเลยในส่วนที่ inelastic ขนาดของกำไรที่เพิ่มขึ้นเป็นคำถามเชิงประจักษ์ที่เราไม่พยายามประเมินเป็นตัวเลขในบทความนี้ กลไกเชิงทฤษฎีชัดเจน แต่ขนาดของผลขึ้นกับการกระจายตัวของ elasticity ที่แท้จริงในแคตตาล็อก และควรประมาณจากข้อมูลของผู้ให้บริการจริง

การตั้งค่า Bundle Deal ที่เหมาะสมตามโมเดลคำนวณโดยอินทิเกรตกำไรคาดหมายบน joint posterior ของ $\beta_{i}^{(1)}$ , $\beta_{i}^{(2)}$ และพารามิเตอร์น้ำหนักการผสม ประเด็นสำคัญคือ เกณฑ์ที่เหมาะสมภายใต้ความไม่แน่นอน ไม่ใช่ เกณฑ์ที่ทำให้กำไรคาดหมายสูงสุดที่ค่าเฉลี่ย posterior แต่ถูกเลื่อนไปหาเกณฑ์ที่ลดความเสี่ยงด้านลบให้น้อยที่สุด สอดคล้องกับ loss function ที่ไม่สมมาตรซึ่งอภิปรายในส่วนที่ 3.4

คะแนนการเจาะกลุ่ม voucher ได้จากการคำนวณกำไรส่วนเพิ่มคาดหมายของส่วนลดแบบมีเงื่อนไขบน covariate ของกลุ่มลูกค้า ซึ่งยุบเหลือเป็นการจัดอันดับง่ายๆ ตาม elasticity ที่ประมาณได้ พร้อมข้อเสนอให้จัดสรร voucher ที่ลึกกว่าไปยังส่วนที่ elastic และ voucher เพื่อรักษาลูกค้าเท่านั้นไปยังส่วนที่ inelastic

8.2 ความสัมพันธ์กับ dynamic pricing

MA-HCEM คือชั้นการวัด ส่วนระบบ dynamic pricing (Phillips, 2005; den Boer, 2015) คือชั้นอัตโนมัติ ระบบ dynamic pricing แบบ closed-loop เต็มรูปแบบต้องมีโมเดล elasticity, ฟังก์ชันกำไร, โมเดลสถานะสต็อก และนโยบายตั้งราคา MA-HCEM ให้องค์ประกอบแรก และเมื่อให้ posterior ที่ calibrate แล้ว ก็ให้อินพุตที่นโยบาย bandit แบบ Thompson sampling หรือ upper-confidence-bound ต้องใช้ในการสมดุลระหว่าง exploration กับ exploitation อย่างมีหลักการ (Russo et al., 2018) ข้อเสนอของเราคือให้ผู้ปฏิบัติงานนำ MA-HCEM ไปใช้ในโหมดให้คำแนะนำก่อน โดยใช้ผลลัพธ์ประกอบการตัดสินใจตั้งราคาด้วยมือ แล้วค่อยย้ายไปสู่ระบบอัตโนมัติแบบ closed-loop หลังช่วง calibrate ที่นานพอจะตรวจสอบ posterior coverage กับข้อมูลปฏิบัติการจริง

8.3 ความสัมพันธ์กับวรรณกรรมข้อมูลแพลตฟอร์มที่มีอยู่

วรรณกรรมที่เติบโตขึ้นได้ศึกษาอุปสงค์บนแพลตฟอร์มดิจิทัล Ursu (2018) ศึกษาผลเชิงสาเหตุของการจัดอันดับบนแพลตฟอร์มต่อการค้นหาและการตัดสินใจซื้อของผู้บริโภคบนแพลตฟอร์มท่องเที่ยวรายใหญ่ ซึ่งเป็นแรงจูงใจสำคัญของการอภิปราย confounder จากอัลกอริทึมในส่วนที่ 3.1 Goldfarb and Tucker (2019) สำรวจวรรณกรรม digital economics ในวงกว้างและกำหนดกรอบความเฉพาะตัวเชิงโครงสร้างของค้าปลีกบนแพลตฟอร์ม ผลงานของเราเมื่อเทียบกับวรรณกรรมนี้คือ การนำโครงสร้างกลไก (Bundle Deal, การซ้อน voucher) เข้าสู่ likelihood อย่างชัดเจน การผสานการ residualize แบบ DML เข้ากับโครงหลัก hierarchical Bayesian และการใช้การรบกวนแบบสุ่มเป็น experimental prior บน policy จริง

9. ข้อจำกัดและวาระการทำซ้ำ

เราระบุข้อจำกัดห้าประการที่กำหนดขอบเขตของงานปัจจุบัน และเสนอให้เป็นลำดับความสำคัญของการทำซ้ำเชิงประจักษ์

ข้อแรก บทความนี้ไม่นำเสนอผลจำลองหรือผลเชิงประจักษ์ การวิเคราะห์เชิงทฤษฎีในส่วนที่ 7 อธิบายว่า ทำไม เราคาดว่า MA-HCEM จะเหนือกว่า baseline มาตรฐานภายใต้กระบวนการสร้างข้อมูลของแพลตฟอร์มมาร์เก็ตเพลส แต่ขนาดของความเหนือกว่านั้น และเงื่อนไขขอบเขตที่มันล้มเหลว เป็นคำถามเชิงประจักษ์ รายการแรกของวาระการทำซ้ำคือการศึกษา Monte Carlo ภายใต้กระบวนการสร้างข้อมูลที่ calibrate กับลักษณะของแพลตฟอร์ม รายการที่สองคือการพิสูจน์เชิงประจักษ์เทียบกับการรบกวนราคาเชิงทดลองที่เป็น ground truth บนมาร์เก็ตเพลสจริง ซึ่งต้องมีความร่วมมือกับแพลตฟอร์มหรือกลุ่มผู้ขายที่มีผู้จัดการดูแล

ข้อที่สอง โครงสร้าง cross-elasticity ในสเปกของเรามีความประหยัด คือเรากำหนดเงื่อนไข adding-up ที่ระดับหมวดหมู่ รูปแบบการทดแทนที่ซับซ้อนกว่า (การทดแทนแบบไม่สมมาตร, ต้นไม้หมวดหมู่เชิงลำดับชั้น) น่าจะจำเป็นเพื่อความตรงกับข้อมูลจริงในบางหมวดหมู่

ข้อที่สาม โมเดลเป็นแบบ static ใน elasticity คือ $\beta_{i}^{(k)}$ ไม่เปลี่ยนตามเวลา ในสถานการณ์ที่มีผลของราคาอ้างอิง (reference-price effect) ชัดเจน (Kalyanaram and Winer, 1995) หรือพลวัตวงจรชีวิตสินค้าเร็ว การขยายเป็นแบบ state-space ที่ elasticity เปลี่ยนตามเวลาเหมาะสมกว่า โครงหลัก hierarchical Bayesian รองรับส่วนขยายนี้ได้อย่างเป็นธรรมชาติ

ข้อที่สี่ เรายังไม่ได้พิจารณาการแข่งขัน สเปกเชิงกลยุทธ์เต็มรูปแบบจะจำลองการตอบสนองด้านราคาของผู้ขายคู่แข่ง (Tirole, 1988; Reiss and Wolak, 2007) นี่เป็นทิศทางสำคัญ เราคาดว่าความสำคัญเชิงประจักษ์จะต่างกันไปตามหมวดหมู่ ขึ้นกับระดับการประสานราคาที่แพลตฟอร์มก่อให้เกิด

ข้อที่ห้า เราถือการจัดอันดับด้วยอัลกอริทึมของแพลตฟอร์มเป็น confounder ที่ต้องดูดซับ ไม่ใช่ตัวแปรเชิงกลยุทธ์ วรรณกรรมแบบ second-best จะยอมรับว่าแพลตฟอร์มปรับการจัดอันดับให้เหมาะกับวัตถุประสงค์ของตนเอง ซึ่งอาจไม่ตรงกับของผู้ขาย ค่าประมาณ elasticity จึงเป็นฟังก์ชันของวัตถุประสงค์ของแพลตฟอร์มด้วย ไม่ใช่เฉพาะความชอบของผู้บริโภคที่เป็นพื้นฐาน เราเห็นว่านี่เป็นวาระสำคัญ แต่เกินขอบเขตของบทความนี้

เรายังขอชี้ด้วยว่า Proposition 1 ระบุเป็นผล posterior concentration ที่มีเพียงร่างข้อโต้แย้ง การทำการพิสูจน์ให้เป็นทฤษฎีบทเชิงรูปนัยระดับตีพิมพ์ ซึ่งรวมเงื่อนไขอัตราที่แม่นยำสำหรับการเติบโตของขนาดตัวอย่างของ SKU และหมวดหมู่ เป็นรายการหนึ่งในวาระด้านระเบียบวิธี

10. บทสรุป

Price elasticity ยังคงเป็นพารามิเตอร์ที่ให้ผลทวีคูณสูงสุดในการตัดสินใจตั้งราคาค้าปลีก แต่ตัวประมาณค่ามาตรฐานที่พัฒนาขึ้นสำหรับค้าปลีกออฟไลน์และ structural industrial organization ไม่สามารถนำมาใช้กับอีคอมเมิร์ซบนแพลตฟอร์มได้อย่างราบรื่น ลักษณะที่ทำให้แพลตฟอร์มมาร์เก็ตเพลสโดดเด่น ได้แก่ อัลกอริทึมเป็นตัวกลางของอุปสงค์ พื้นผิวโปรโมชันที่เต็มไปด้วยกลไก การหมุนเวียนของ SKU ที่เร็วและมีหางหนัก และ loss function เชิงบริหารที่ไม่สมมาตร ทำลายข้อสมมติเสาหลักของตัวประมาณค่ากระแสหลักทีละตัว

บทความนี้ทบทวนเส้นทางประวัติศาสตร์จาก Marshall ผ่าน BLP จนถึง double machine learning เพื่อชี้ว่าข้อสมมติใดยังเป็นจริงและข้อใดล้มเหลวภายใต้อีคอมเมิร์ซบนแพลตฟอร์ม และเสนอ Mechanism-Aware Hierarchical Causal Elasticity Model เป็นตัวประมาณค่ารวมที่ออกแบบสำหรับบริบทมาร์เก็ตเพลส MA-HCEM รวมโครงหลัก hierarchical Bayesian เข้ากับ identification แบบ double machine learning, structural likelihood ที่เข้ารหัสกลไก Bundle Deal และ voucher เป็นการแบ่งแยกราคาระดับที่สอง และการรบกวนราคาแบบสุ่มเล็กน้อยเป็น experimental prior บน policy จริง การแยกส่วนประกอบของอคติในส่วนที่ 7 ระบุอย่างแม่นยำว่า MA-HCEM ถูกสร้างมาแก้ไขโหมดความล้มเหลว ข้อใด ของ baseline มาตรฐาน และตัวประมาณค่าที่เสนอไม่คาดว่าจะดีกว่าทางเลือกที่เรียบง่ายกว่า ภายใต้เงื่อนไขใด

ผลงานของบทความนี้เป็นเชิงระเบียบวิธีและทฤษฎี เราไม่อ้างผลเชิงประจักษ์หรือผลจำลอง วาระเชิงประจักษ์ที่เสนอตรงไปตรงมา คือการ calibrate Monte Carlo กับลักษณะของแพลตฟอร์ม ตามด้วยการพิสูจน์เทียบกับการทดลองแบบสุ่มที่เป็น ground truth ผ่านความร่วมมือกับแพลตฟอร์มหรือกลุ่มผู้ขายที่มีผู้จัดการดูแล และการเปรียบเทียบความหลากหลายของ elasticity ข้ามแพลตฟอร์ม ซึ่งโครงสร้าง partial pooling ของ MA-HCEM อยู่ในตำแหน่งที่เหมาะเป็นพิเศษที่จะรองรับ ส่วนวาระด้านระเบียบวิธีกว้างกว่านั้น ได้แก่ การนำพลวัตของราคาอ้างอิง การแข่งขันเชิงกลยุทธ์ และวัตถุประสงค์ของแพลตฟอร์มเองเข้าสู่ structural likelihood และการทำทฤษฎี asymptotic เชิงรูปนัยของตัวประมาณค่าที่เสนอให้สมบูรณ์