A comparative empirical study of discrete choice models

• Autores: Garassino, Agustín
• Año de publicación: 2020
• Idioma: inglés
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Berbeglia, Gerardo; Vulcano, Gustavo José
• Materia: ESTIMACION DE DEMANDA; PREFERENCIAS DE LOS CONSUMIDORES; COMPORTAMIENTO DE CONSUMIDORES; ESTIMACION DE MAXIMA VEROSIMILITUD; ESTIMACION DE CUADRADOS MINIMOS; DEMAND ESTIMATION; CONSUMER PREFERENCES; CHOICE BEHAVIOR; MAXIMUM LIKELIHOOD ESTIMATION; LEAST SQUARES ESTIMATION
• Institución: Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales

La estimación de demanda es una tarea fundamental en gestión de operaciones y revenue management, brindando los datos necesarios para control de inventario, diseño de assortment y modelos de pricing. La tarea es particularmente difícil en contextos operativos donde la disponibilidad de los productos varía a lo largo del tiempo, induciendo la sustitución por parte de los consumidores. Además del clásico modelo multinomial logit (MNL) y sus extensiones (ej: nested logit, mixed MNL), nuevos modelos de demanda fueron propuestos (ej: modelo de Markov Chain) y otros fueron recientemente revisitados (ej: el ranked-list y el exponomial). Al mismo tiempo, nuevos algoritmos fueron desarrollados para facilitar su estimación (ej: generación de columnas, expectation maximization). En este trabajo se realizó un estudio sistemático y empírico de múltiples modelos de demanda basados en elección discreta, y de distintos algoritmos de estimación, incluyendo máxima verosimilitud y cuadrados mínimos. Con un exhaustivo conjunto de experimentos numéricos sobre datos sintéticos, semi-sintéticos y reales, se proveen estadísticas comparativas del poder predictivo y la performance económica de una amplia colección de modelos. A su vez se caracterizaron los entornos operativos adecuados para su implementación. Adicionalmente, se realizó un resumen de todos los modelos evaluados.
Choice-based demand estimation is a fundamental task in retail operations and revenue management, providing necessary input data for inventory control, assortment and price optimization models. The task is particularly difficult in operational contexts where product availability varies over time and customers may substitute into the available options. In addition to the classical multinomial logit (MNL) model and extensions (e.g., nested logit, mixed MNL), new demand models have been proposed (e.g., the Markov chain model) and others have been recently revisited (e.g., the rank list-based and exponomial models). At the same time, new computational approaches were developed to ease the estimation function (e.g., column generation, EM algorithms). In this work, a systematic, empirical study of different choice-based demand models and estimation algorithms is conducted, including both maximum likelihood and least squares criteria. Through an exhaustive set of numerical experiments on synthetic, semisynthetic and real data, comparative statistics of the predictive power and derived revenue performance of an ample collection of choice models is provided. Furthermore, operational environments suitable for different model/estimation implementations are characterized. A survey of all the discrete choice models evaluated is also provided.
Fil: Garassino, Agustín. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.