論文の概要: Optimizing ARDL Models for Retail Sales Forecasting and Fair Pricing
- arxiv url: http://arxiv.org/abs/2607.09956v1
- Date: Fri, 10 Jul 2026 20:19:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.263452
- Title: Optimizing ARDL Models for Retail Sales Forecasting and Fair Pricing
- Title（参考訳）: 小売販売予測と公正価格のためのARDLモデルの最適化
- Abstract要約: 本稿では,カナダにおける食品の動的価格設定による消費者の搾取リスクについて検討する。
本研究では,小売販売予測に直接公正性制約を組み込む手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pricing food products to balance profitability with consumer welfare is a central challenge for retailers. Dynamic pricing is widely used to maximize revenue, yet most pricing models optimize business objectives while overlooking consumer fairness. This paper studies the risk of consumer exploitation under dynamic food pricing in Canada and proposes a methodology that embeds fairness constraints directly into retail sales forecasting. We model total retail trade sales with a log--log Autoregressive Distributed Lag (ARDL) specification, in which the coefficient on a product price is a sales elasticity, and pose the pricing problem as maximizing forecast sales subject to price bounds anchored to the Consumer Price Index (CPI). We solve this problem with both Linear Programming (LP) and Simulated Annealing (SA), under single-product and multi-product configurations. A key finding is that the fitted nominal elasticities are positive. As a result, an unconstrained sales-maximizer would push every price to its upper bound, and the CPI ceiling is the safeguard that prevents this. Simulated Annealing instead settles on conservative, interior prices that lower consumer cost while still meeting the sales target. We benchmark forecast accuracy against naive, seasonal-naive, ARIMA, and SARIMA baselines, and a CPI-deflated re-specification shows that the positive nominal elasticities are largely an inflation-driven artifact. The result is a transparent, fairness-aware pricing framework.
- Abstract（参考訳）: 消費者福祉と利益のバランスをとるための食品の価格設定は、小売業者にとって重要な課題である。
ダイナミックな価格設定は収益を最大化するために広く使われていますが、ほとんどの価格モデルは、消費者の公正さを乗り越えながら、ビジネスの目的を最適化します。
本稿では,カナダにおける動的食品価格下での消費者利用のリスクについて検討し,小売販売予測に直接公正性制約を組み込む手法を提案する。
本稿では、商品価格の係数が販売弾力性であるログログのAutoregressive Distributed Lag(ARDL)仕様を用いて小売総販売をモデル化し、消費者物価指数(CPI)に固定された価格境界による予測販売を最大化するものとして価格問題を提起する。
線形プログラミング (LP) とシミュレート・アニーリング (SA) の両方を用いて, 単一生成物と多生成物の構成でこの問題を解決する。
重要な発見は、適合した名目弾性が正であることである。
その結果、制約のない販売最大化装置はすべての価格を上限まで押し上げ、CPI天井はそれを防ぐための安全ガードとなる。
シュミレーション・アナリングは、販売目標を満たしながら消費者のコストを下げる保守的な内部価格に落ち着いた。
我々は, ナイーブ, 季節性ナイーブ, ARIMA および SARIMA のベースラインに対する予測精度をベンチマークし, CPI のデフレーションによる再定義により, 正の有意な弾性が主にインフレーション駆動の人工物であることが示唆された。
その結果、透明で公正な価格設定フレームワークが出来上がりました。
関連論文リスト
- Ratio-Variance Regularized Policy Optimization [64.95520246570446]
ポリシ比の分散を明示的に制約することは、信頼領域の制約に対する原則的な局所近似をもたらすことを示す。
本稿では,この制約を実装したR2bf VPO$(Ratio-Variance Regularized Policy Optimization)を紹介する。
論文 参考訳（メタデータ） (2026-05-26T09:53:42Z) - Training Language Models for Bilateral Trade with Private Information [47.25254982913256]
貿易の利益を達成するためには、個人、戦略的余剰の合理性、協力が必要である。
本研究では,大規模言語モデルがイベント駆動シミュレータ内のツールコールを介して交渉する構造化交渉環境を開発する。
この環境は、フロンティアモデルのベンチマークと、強化学習によるオープンウェイトモデルのトレーニング環境という2つの目的を果たす。
論文 参考訳（メタデータ） (2026-04-10T03:04:20Z) - Bayesian Optimization for Dynamic Pricing and Learning [0.306238659426286]
ダイナミックな価格設定は、市場の需要に応じて企業の収益を最大化するために製品の販売価格を調整するプラクティスである。
従来の手法では需要関数の特定のパラメトリック形式を前提としており、強化学習(RL)を用いて最適に近い価格戦略を特定できる。
本稿では,制約付きモデリング仮定を避けるために,動的価格に対する非パラメトリックなアプローチを提案する。
論文 参考訳（メタデータ） (2025-10-14T12:28:06Z) - Unlocking Your Sales Insights: Advanced XGBoost Forecasting Models for Amazon Products [11.309196049601145]
我々は、XGBoostモデルを活用して、Amazonプラットフォーム上での家電製品の予測販売に挑戦するソリューションを紹介した。
その結果,XGBoostは従来のモデルに比べて優れた予測性能を示した。
論文 参考訳（メタデータ） (2024-11-01T09:14:33Z) - A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。
各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。
実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
論文 参考訳（メタデータ） (2024-07-08T09:55:31Z) - Dynamic Pricing and Learning with Long-term Reference Effects [16.07344044662994]
本研究では,販売者が提示した過去の価格の基準価格が平均値となる,シンプルで斬新な参照価格メカニズムについて検討する。
このメカニズムの下では,モデルパラメータに関係なく,マークダウンポリシがほぼ最適であることを示す。
次に、需要モデルパラメータが不明な、より困難な動的価格と学習の問題について検討する。
論文 参考訳（メタデータ） (2024-02-19T21:36:54Z) - Contextual Dynamic Pricing with Strategic Buyers [93.97401997137564]
戦略的買い手によるコンテキスト動的価格問題について検討する。
売り手は買い手の真の特徴を観察せず、買い手の戦略行動に応じて操作された特徴を観察する。
本稿では,販売者の累積収益を最大化するために,購入者の戦略的行動をオンライン学習に取り入れた戦略的動的価格政策を提案する。
論文 参考訳（メタデータ） (2023-07-08T23:06:42Z) - Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。
我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。
提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
論文 参考訳（メタデータ） (2023-03-28T00:23:23Z) - Towards Revenue Maximization with Popular and Profitable Products [69.21810902381009]
企業マーケティングの共通のゴールは、様々な効果的なマーケティング戦略を活用することで、収益/利益を最大化することである。
商品の収益性に関する信頼性のある情報を見つけることは、ほとんどの製品が一定の時期にピークを迎える傾向があるため困難である。
本稿では、経済行動に基づく収益問題に対処し、ターゲットマーケティングのための0n-shelf Popular and most Profitable Products(OPPPs)を実行するための一般的な利益志向の枠組みを提案する。
論文 参考訳（メタデータ） (2022-02-26T02:07:25Z) - Convex Loss Functions for Contextual Pricing with Observational
Posted-Price Data [2.538209532048867]
我々は、販売者が以前に提供された価格のサンプルにアクセス可能な、政治的でない価格問題について検討する。
これは、顧客の評価(支払いの意志)のサンプルが観察される、よく研究された設定とは対照的である。
我々の設定では、観測されたデータは歴史的価格政策の影響を受けており、顧客が代替価格にどう反応したかは分かっていません。
論文 参考訳（メタデータ） (2022-02-16T22:35:39Z) - Regulatory Instruments for Fair Personalized Pricing [34.986747852934634]
規制制約下での利益最大化独占の最適価格戦略と、消費者余剰・生産余剰・社会福祉への影響について検討する。
我々の発見と洞察は、デジタル時代における独占化ビジネスの規制政策設計に光を当てた。
論文 参考訳（メタデータ） (2022-02-09T03:07:08Z) - Fairness, Welfare, and Equity in Personalized Pricing [88.9134799076718]
顧客特性に基づくパーソナライズ価格における公平性、福祉、株式の配慮の相互作用について検討する。
選択ワクチンの価格補助金と、マイクロクレジットの下流結果に対するパーソナライズされた利率の影響の2つの設定において、パーソナライズされた価格の潜在的利点を示す。
論文 参考訳（メタデータ） (2020-12-21T01:01:56Z)
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。