論文の概要: LLM-Powered Virtual Population for Demand Simulation and Pricing

• arxiv url: http://arxiv.org/abs/2606.16183v1
• Date: Mon, 15 Jun 2026 03:56:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.065432
• Title: LLM-Powered Virtual Population for Demand Simulation and Pricing
• Title（参考訳）: 需要シミュレーションと価格設定のためのLDMを用いた仮想人口計算
• Authors: Chengpiao Huang, Kaizheng Wang,
• Abstract要約: LLMを用いた仮想人口モデルを構築し、価格決定の需要をシミュレートする。 本フレームワークは,オンラインH&Mファッションデータセット上で,製品記述とイメージを用いてテストする。
• 参考スコア（独自算出の注目度）: 5.586191108738564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop an LLM-powered virtual population model that simulates demand for pricing decisions, in settings where products are described by rich unstructured information, such as text descriptions and images, and where decision makers need not only mean-demand predictions but also uncertainty estimates for counterfactual prices. Our model represents exposed customers as draws from a finite mixture of customer personas. For each persona, product, and candidate price, an LLM elicits a persona-level purchase probability using both structured persona information and unstructured product information. These probabilities are aggregated through calibrated mixture weights to form a predictive distribution of aggregate demand. The resulting simulator can evaluate counterfactual prices under various pricing objectives, including expected revenue and risk-aware criteria such as conditional value at risk. We test the framework on an online H&M fashion dataset with product descriptions and images. The calibrated LLM-based simulator achieves the best overall predictive performance among the models considered, and supports sample-efficient pricing decisions. Our framework provides a practical way to use LLMs as demand simulators for products with limited historical demand data but rich product information. By producing a full predictive demand distribution rather than only a point forecast, it enables managers to compare candidate prices, quantify demand uncertainty, and choose prices that target either average-case revenue or risk-aware objectives.
• Abstract（参考訳）: 価格決定の需要をシミュレートするLLMを用いた仮想人口モデルを構築し、テキスト記述や画像などの豊富な構造化されていない情報によって製品が記述される状況、意思決定者が平均的な需要予測だけでなく、対物価格の不確実性の推定を必要とする状況において、価格決定の需要をシミュレートする。 私たちのモデルは、露見した顧客を、顧客ペルソナの有限混合による引き分けとして表現します。 各ペルソナ、製品、および候補価格について、LLMは、構造化されたペルソナ情報と非構造化製品情報の両方を用いてペルソナレベルの購入確率を付与する。 これらの確率は、調整された混合重量を通して集約され、集約需要の予測分布を形成する。 得られたシミュレーターは、予測収益やリスク時の条件値などのリスク対応基準を含む、様々な価格目標の下で、対実価格を評価することができる。 本フレームワークは,オンラインH&Mファッションデータセット上で,製品記述とイメージを用いてテストする。 キャリブレーションされたLCMベースのシミュレータは、検討されたモデルの中で最高の全体的な予測性能を達成し、サンプル効率の価格決定をサポートする。 当社のフレームワークは,歴史的需要データに制限があるが,豊富な製品情報を持つ製品の需要シミュレータとしてLLMを使用するための実用的な手段を提供する。 ポイント予測だけでなく、完全な予測需要分布を生成することにより、マネージャは、候補価格を比較し、需要の不確実性を定量化し、平均的な収益またはリスク対応目標のいずれかをターゲットにした価格を選択することができる。

関連論文リスト

• Evaluating LLM-persona Generated Distributions for Decision-making [8.190530023131876]
  LLMは、人間の評価や嗜好を模倣するシミュレートされたペルソナから、世界知識に基づいた需要予測まで、豊富なデータを生成することができる。 このようなLLM生成ディストリビューションは、下流の意思決定をどの程度サポートしていますか? そこで本研究では,これらのLCM生成分布の質を評価するための指標について検討した。
  論文  参考訳（メタデータ） (2026-02-06T03:39:15Z)
• Bridging Forecast Accuracy and Inventory KPIs: A Simulation-Based Software Framework [4.089848545480847]
  本稿では,現実的な在庫管理環境における予測モデルの体系的評価を可能にする意思決定中心のシミュレーションフレームワークを提案する。 精度指標の改善が必ずしも改善につながるとは限らないことを示し、類似のエラープロファイルを持つモデルが異なるコストサービストレードオフを誘発できることを示した。 全体として、このフレームワークは需要予測と在庫管理をリンクし、予測精度から運用関連性へと評価をシフトさせる。
  論文  参考訳（メタデータ） (2026-01-29T15:20:33Z)
• Beyond Demand Estimation: Consumer Surplus Evaluation via Cumulative Propensity Weights [14.103811043596666]
  本稿では,需要関数の明示的な推定と数値積分を回避する推定器を提案する。 我々は、この枠組みを不平等を意識した余剰措置に拡張し、規制当局や企業が利益と平等のトレードオフを定量化できるようにする。
  論文  参考訳（メタデータ） (2026-01-03T01:41:40Z)
• FutureX: An Advanced Live Benchmark for LLM Agents in Future Prediction [92.7392863957204]
  FutureXは、将来の予測のための最大かつ最も多様なライブベンチマークである。 リアルタイムの日次更新をサポートし、質問収集と回答収集のための自動パイプラインを通じてデータの汚染を取り除く。 推論,検索機能,外部ツールの統合などを含む25のLLM/エージェントモデルを評価した。
  論文  参考訳（メタデータ） (2025-08-16T08:54:08Z)
• AutoElicit: Using Large Language Models for Expert Prior Elicitation in Predictive Modelling [53.54623137152208]
  我々はAutoElicitを導入し、大規模言語モデルから知識を抽出し、予測モデルのための事前構築を行う。 これらの先行情報は情報的であり、自然言語を用いて洗練できることを示す。 AutoElicitは、非形式的な事前よりもエラーを大幅に減らし、ラベルを減らし、コンテクスト内学習を一貫して上回ります。
  論文  参考訳（メタデータ） (2024-11-26T10:13:39Z)
• RetailSynth: Synthetic Data Generation for Retail AI Systems Evaluation [4.182702249796689]
  顧客の買い物行動をシミュレーションする多段階モデルを提案する。 私たちはこのモデルを,作業シミュレーション環境 – Retail Synth に組み入れました。 収益、カテゴリー浸透、顧客維持への影響について分析した。
  論文  参考訳（メタデータ） (2023-12-21T18:17:16Z)
• Self-adapting Robustness in Demand Learning [1.949912057689623]
  本研究では,需要モデルあいまいさの存在下で,有限期間にわたる動的価格付けについて検討する。 データから真のモデルパラメータを学習するARL(Adaptively-robust-learning)価格ポリシを開発する。 我々は,ARLの自己適応的あいまいさセットの挙動を特徴付け,収益損失の規模と顧客到着パターンとの関係を強調する後悔の限界を導出する。
  論文  参考訳（メタデータ） (2020-11-21T01:15:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。