Recommended
Recommended
More Related Content
More from harmonylab
More from harmonylab (20)
Dynamic Pricing for Airline Ancillaries with Customer Context
- 1. Dynamic Pricing for Airline Ancillaries with Customer Context 調和系工学研究室 ディープラーニングゼミ 北海道大学 大学院情報科学研究院 情報理工学部門 複合情報工学分野 調和系工学研究室学研究室 幡本 昂平 2019年11月8日
- 2. 1書誌情報 • Author: Naman Shukla, Arinbjörn Kolbeinsson, Ken Otwell, Lavanya Marla and Kartik Yellepeddi • KDD ’19 • URL: https://dl.acm.org/citation.cfm?id=3330746 N. Shukla, A. Kolbeinsson, K. Otwell, L. MarlaとK. Yellepeddi, 「Dynamic Pricing for Airline Ancillaries with Customer Context」, Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining - KDD ’19, Anchorage, AK, USA, 2019, pp. 2174–2182.
- 4. 3背景 航空産業におけるアンシラリー価格を動的に決定したい アンシラリー: メインの商品を補完する商品やサービスのこと • 航空業界における例 飛行中: 手荷物個数制限・座席の足元の広さ・座席のグレード・食事 旅程全体: ホテル・レンタカー・アクティビティ 収入源として重要 アンシラリーの値付け戦略は未発達 • 最近までアンシラリーとして提供されていなかったので知見が少ない • オプションとして提供されるため，個人の選考や旅程が購買に強い影響 • アンシラリー同士の関係を考えて値付けする必要があり，複雑 → コンバージョン率が5%以下のことも 現在，静的に決まっている価格を旅程の情報に基づいて動的に設定したい
- 5. 4本論文のスコープ 飛行機予約サイトにおける状態遷移 • right-to-flyの選択（1 ~ 3） 出発地と目的地を結ぶフライト • アンシラリーの選択（4 ~） この論文で取り扱うのはこの予約セッション中のみ • 予約後の変更はfuture work 予約セッションの流れ 貢献 • 収入の面で既存値付けシステムを上回る セッションごとの動的価格推薦システムを提案 • 顧客の購買意欲の単調性をモデル化することで 購買確率とアンシラリー価格を同時に推定できる DNNモデルを開発 • 実データに基づいており，オフライン・オンライ ン実験の両方で性能向上 人間の手による 静的な値付け
- 6. 5価格決定に利用する要素① 需要関数（Demand Fuction） 𝑃: 価格とすると 𝐷(𝑃): 需要曲線 となり， 𝐷(𝑃)は𝑃の値によって需要がどのように変化するかを評価することで求められる このとき最適価格は𝐷(𝑃)のもとで期待利益を最大化するものになる 通常の場合 航空産業の場合 需要関数が価格だけでなく，顧客属性𝒙の影響も受けるので𝐷(𝑃, 𝒙)とすべき この論文では顧客のアンシラリー購入確率を推定したものを𝐷(𝑃, 𝑥)として用いる
- 7. 6価格決定に利用する要素② 顧客属性 顧客が掲示されたアンシラリーを所与の価格で購入する確率に影響を与えるもの 定義 • 時間 • 市場 • すでにカートに入っている商品 • 滞在期間
- 8. 7顧客属性 –時間 • 需要関数に影響を与える要因 出発までの時間 前もってチケットを買っておく人は直前に買う人よりも価格に敏感 出発日と出発時間 アンシラリーの需要も時刻や時期の影響を受ける 旅行にちょうどよい時間帯 乗り継ぎ利便性(待ち時間が短すぎず・長すぎず) 休暇・イベントが利用しやすい時期 サービスクオリティ 低クオリティのサービスは安いので価格に敏感な人に人気
- 9. 8顧客属性 –マーケット • マーケット 出発地と目的地の組 (札幌, 東京) • マーケットはいくつかの観点から 分類できる 直行便の割合の大小 利用目的 （ビジネス利用・レジャー利用） • 需要の予測のため，クラスタを sub-marketに分割 顧客属性𝒙を需要の性質が統計的 に似ているクラスタにマッピング クラスタごとにアンシラリー購買確率 が大きく異なる
- 10. 9顧客属性 –滞在期間 • 往復の予約に対して滞在期間(Length of Stay:LOS)を目的地に滞在する期間 として定義 往復でない場合はLOS = 0 • 以下の2つのタイプの予約について カーネル密度推定を実施 予約全体 アンシラリー購入があったもの • 0.0~0.3付近で大きく異なっている アンシラリー購入可能性は短すぎず 長すぎない旅程で高くなる 荷物が増えるからじゃないか（推測）
- 11. 10プライシングモデル • 基本構造 • アンシラリー購入確率モデル（2値分類） • 与えられた購入確率のもとでの航空会社の収入最適化モデル • 仮定 • 推薦されるアンシラリー価格はビジネス戦略で許容される範囲内で変動 • 購買意欲の単調性 ある価格𝑝で購入するならそれ以下の価格でも購入し，購入しないなら それ以上の価格でも購入しない 3つのモデルを適用
- 12. 11使用特徴量 購買確率モデル: sub-market内でのアンシラリー需要曲線を推測する 2値分類問題: 確率密度関数𝑓𝜃(𝒙, 𝑃)を推定する • 30種類以上の特徴量を使用 時間的な特徴 滞在期間，季節性（時刻・時期），出発時間，到着時間 マーケットに関わる特徴 出発・到着空港，出発・到着都市，路線ごとのアンシラリーの人気 価格比較スコア 予約クラス内/外での同一/他フライトに基づくスコア 旅程特有の情報 グループ人数，予約クラス，運賃グループ • アンシラリー購買はかなり不均衡（6 : 100）なので2値分類は難しい • APP-LM: 古典的な分類アルゴリズムを特徴量のPCAを行って試した • APP-DES: 重み付きクロスエントロピーを採用 ネットワーク構造含めてハイパーパラメータ探索
- 13. 12APP-LM 確率を推定→ロジスティックマッピングで価格を推薦 • 使用した分類アルゴリズム gaussian naive bayse with clustered featuresなど古典的なもの • 収入最適化 logistic price mapping function ロジスティック関数(2)で価格を出す 購買確率が高いときは価格レンジの最大値に近づけ，低いときは 低くすればよいという直感に基づいて適用 𝐿: アンシラリーの最大価格 𝑘: 曲線の険しさ 𝑥0: シグモイド曲線の中点 (2) 𝑘, 𝑥0は調整可能 （右図のagressive・conservative）
- 14. 13APP-DES DNNで確率を推定→discrete exhaustive searchで価格を決定 • 使用した分類アルゴリズム DNN • 収入最適化 discrete exhaustive search 設定可能な価格レンジをしらみつぶしに探索する 購買確率を𝑓𝜃(𝒙, 𝑃)とすると期待収入は 右図のように全範囲を探索し，最大収入 の𝑃をみつける 購買確率推定の精度に依存 sub-marketごとにいろいろな価格で試した データが必要
- 15. 14DNN-CL DNNを用いてend-to-endで価格を算出する 低くプライシングしてしまったときと高くプライシングしてしまったときを 考慮する損失関数を作成（airbnbの論文[1]に影響を受けており，かなり似ている） Θ: 訓練可能パラメータ集合 𝑁: 訓練サンプル数 𝒙𝒊: 特徴量ベクトル 𝑦𝑖: 購入したかどうか(0, 1) ℙ: 価格レンジ中の離散価格点集合 𝔽Θ: 学習する関数 𝑃 𝑟𝑒𝑐 : 推薦される価格（出力） 𝛿𝑖𝑗: 購買の単調性を表す隠れ変数 損失関数
- 16. 15隠れ変数 • ground truth 𝑦𝑖 から購買の単調性を表す隠れ変数𝛿𝑖𝑗にマッピング 価格は単調増加 推薦された価格 購買の単調性により推薦価格以下でも売れる 𝛿𝑖𝑗: 購買の単調性を表す隠れ変数 購買の単調性により推薦価格以上でも売れない 値は0 値は1 𝑗∗ は𝑃𝑖𝑗と𝔽Θ(𝒙𝒊, ℙ)が 等しくなるインデックス ℙ: 価格レンジ中の離散価格点集合
- 17. 16ロスの値 最適価格範囲の下限𝐿，上限𝑈は以下の式で表される アンシラリーが 購入されているとき(𝛿𝑖𝑗=1)は𝐿, 𝑈 = 𝑃𝑖𝑗, c2 𝑃𝑖𝑗(𝑐2 > 1) 購入されていないとき(𝛿𝑖𝑗=0)は𝐿, 𝑈 = 𝑐1 𝑃𝑖𝑗, 𝑃𝑖𝑗(0 < 𝑐1 < 1) ロスの値 𝑐1と𝑐2は下限と上限の近さを制御 単調性をみたす 場合のみ考慮 低すぎ 高すぎ
- 18. 17プライシングモデルのオフライン指標 ハイパーパラメータ調整やモデルの更新に使う指標 • Airbnbのプライシング論文[1]で提案されたスコア Price Decrease Recall(PDR) 買われなかったアンシラリーの推薦価格が現在価格よりも低い割合 Price Decrease Precision(PDP) 推薦価格が現在価格よりも低いアンシラリーが買われなかった割合 • その他の使用した指標 Area Under the Curve(AUC) Regret Score(RS) 推薦価格がどれだけ真の購入価格に近いか Price Decrease F1(PDF1) PDRとPDPのトレードオフを評価
- 19. 18プライシングモデルのオンライン指標 実システムに適用した際の評価 • Conversion score 全注文セッション中の購入割合 • Revenue per session 1セッションあたりの収入
- 20. 19訓練や実験に関する設定 • 訓練設定 • DNNモデル（APP-DES，DNN-CL） NVIDIA Tesla K80 SGD with decaying learning rate ミニバッチ・ドロップアウト • 𝑐1, 𝑐2(DNN-CLのパラメータ) 価格集合ℙの中央値でロスが非ゼロになるように調整 • 実験設定 • オンライン実験では単一アンシラリーを扱う • 価格変動範囲は人がつけた価格以下
- 21. 20オフライン実験① アンシラリー購入確率モデルの性能比較 • 色々な識別器についてAUCで評価 • GNBCがベースライン 航空産業におけるSOTAに匹敵 • GNB・RF・DNNのすべてが ベースラインを超えている • DNNはAUCが33%向上 • 不均衡データに対しても 特徴量の関係を捉えられている
- 22. 21オフライン実験② 2段階モデルとend-to-endモデルのどちらが良いか比較 2段階モデル end-to-end • 人がつけた価格からいくら値下げできるかという観点ではRSとPDRが重要 • APP-DESは確率推定はうまくいっているがRSが悪い • DNN-CLはどの評価項目でもAPP-LMを上回る性能 高い値段で売らなかったリグレットだけでなく売れなかったときに 低い値段をつけることもできている
- 24. 23オンライン実験 • デプロイ済みのAPP-LMでの結果 • 人がつけた静的価格，ランダムに値下げするモデル，APP-LMを比較 • ランダムモデルの採用は以下の2つの意図 コンバージョン率向上のベースライン 様々な価格についての反応が探索できる 収入ダウン コンバージョン スコアは向上 価格の違いで行動は変化する
- 25. 24オンライン実験 • デプロイ済みのAPP-LMでの結果 • 人がつけた静的価格，ランダムに値下げするモデル，APP-LMを比較 • ランダムモデルの採用は以下の2つの意図 コンバージョン率向上のベースライン 様々な価格についての反応が探索できる APP-LMではどちらも向上
- 26. 25まとめ • 航空産業における効率的な推定システムの第一歩 • 顧客のプライバシーを侵害しない情報だけでアンシラリー価格の 動的設定が行えることを示した • 今後は他の2モデルについてもオンライン実験をおこない，現実での モデル比較やオフライン指標とオンライン指標の関連性を調べたい
- 27. 26参考文献 [1]P. Ye et al., “Customized Regression Model for Airbnb Dynamic Pricing,” in Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining - KDD ’18, London, United Kingdom, 2018, pp. 932– 940.