Эта алхимия раздражает не только статистиков, но и людей)) Еще Платон вроде говорил, что причиной можно назвать то, что мы понимаем, как это работает.
Я честно не видел исследований про то, у кого результатов больше в проде) Но все исследования воздействий лекарств - статистика и causal Inference, так что я думаю у них не все так плохо)
У causal inference недостаток, что нужно понимать, где причина кроется и как изолировать влияния других факторов. А это большая работа. Нельзя покрошить данные в кастрюлю и надеяться, что "алхимия" сварит суп.
ML тоже можно использовать. У майкрософта, например, есть CausalForest, который такой же, как и обычный, но разбивает так чтобы максимизировать различие в эффекте. Есть методы Matrix Completion, которые тоже для Causal Inference используют. Double machine learning еще. Много их.
Есть даже методы для Causal discovery - поиска причинных моделей)
Надо было еще подольше подождать, чтобы я совсем забыл про что мы тут разговариваем)))
1. Кажется, я имел ввиду, что есть общепринятое определение что это такое, как интерпретировать и не дело это - изобретать велосипед) 2. Для каждого товара, по которому стоит такая задача) Результат - одна цифра для товара. Для другого - другая. И т.д. 3. Можно еще использовать метод HiPPO - Highest Paid Person Opinion))) Про него писали в первом комментарии) Надежный метод, кстати) Но если серьезнее, то надо сначала задаться вопросом: какую цель преследуем ценообразованием? Если это "максимизация прибыли" - то надо выяснить каким образом она определяется. А если "определенная оборачиваемость" - то другой это процесс и другая цена.
Поэтому мне задача "определить кривую спроса" кажется теоретической, потому что без ясной цели непонятно как по ней определять нужную цену. (Плюс если знать цель - то определять цену можно и без нее)
Вы под эластичностью понимаете что-то другое. Я использую определение, принятое в экономике. Эластичность для нормальных товаров - всегда отрицательная. (это из википедии, в любом учебнике так же, начиная с 1890 года)))
Я бы еще поставил под сомнение саму бизнес необходимость считать "кривые спроса", но боюсь, что и тут у нас будут разные понятия, что это такое)
Если интересуют кривые спроса для сотен миллионов товаров, то надо хорошенько подумать, нужно ли считать именно эластичность? У эластичности есть "твердые" экономические обоснования, почему она такая, а не другая. И это диктует как ее рассчитывают и используют. Одно из оснований - линейная зависимость спроса и цены (или других переменных) на данном диапазоне цен (обычно небольшом, т.к. спрос-то не линейный). Благодаря этому это простой для понимания и использования коэффициент. Неэластичный спрос - с эластичностью от -1 до 0 (а не как в статье почему-то написано -2).
Если интересуют кривые спроса может попробовать прямо его посчитать, а не обходными путями, через эластичность? Про Demand Curve Estimation на scholar.google.com - About 2,120,000 results. И про ML достаточно) За эту тему несколько нобелевских премий дали, из недавнего в 2015 году))) Так что если что-то получится - шлите им, они, наверное, оценят)))
Я делаю сервис для оптимизации ценообразования на ВБ и использую там ML для: если нельзя посчитать эластичность - ее приблизительной оценки и для ее коррекции с учетом confounders. А еще есть задача установления первоначальной цены.
Поиск технических и научных статей по темам "Price elasticity prediction" (как обучать/вычислять кривую спроса) и "Price optimization" (как выставлять цену) не привел меня к желаемым результатам. Каких-то готовых рецептов и того, что можно было бы назвать "математическими основами оптимизации цен на базе эластичности", я не нашел (возможно, плохо старался).
Т.к. про то, как считать эластичность написано в любом базовом учебнике по эконометрике (а про то, что это такое - в учебниках по микроэкономике), обычно в теме про линейную регрессию. Еще тема эластичности раскрывается в учебниках по управленческой экономике, даже без регрессий и логарифмов: точечная и дуговая эластичности.
Если нужно чуть глубже, то есть книги про ценообразование на основе эластичности. Например, Pricing Analytics: Models and Advanced Quantitative Techniques for Product Pricing 1st Edition by Walter R. Paczkowski , там полкниги - формулы))
Статей тоже вагон, не знаю, как было их не найти, например, про ecom: Anindya Ghose. Arun Sundararajan. "Evaluating Pricing Strategy Using e-Commerce Data: Evidence and Estimation Challenges." Statist. Sci. 21 (2) 131 - 142, May 2006 Funk, B. (2011). Exploring Price Elasticity to Optimize Posted Prices in e-Commerce. e-Business and Telecommunications, 71–81. doi:10.1007/978-3-642-20077-9_5 Vatsa, P.; Ma, W.; Zhou, X. An Experimental Pricing Framework for E-Commerce. J. Theor. Appl. Electron. Commer. Res.2021, 16, 2571-2578. https://doi.org/10.3390/jtaer16070141 Последнюю еще не читал)
В общем, мне показалось, что про эластичность автор изобретает велосипед)
Я на днях считал ее по данным товаров вб - особых сложностей не встретил (а вот подготовка данных да - это другой вопрос)))
Эта алхимия раздражает не только статистиков, но и людей)) Еще Платон вроде говорил, что причиной можно назвать то, что мы понимаем, как это работает.
Я честно не видел исследований про то, у кого результатов больше в проде) Но все исследования воздействий лекарств - статистика и causal Inference, так что я думаю у них не все так плохо)
У causal inference недостаток, что нужно понимать, где причина кроется и как изолировать влияния других факторов. А это большая работа. Нельзя покрошить данные в кастрюлю и надеяться, что "алхимия" сварит суп.
ML тоже можно использовать. У майкрософта, например, есть CausalForest, который такой же, как и обычный, но разбивает так чтобы максимизировать различие в эффекте. Есть методы Matrix Completion, которые тоже для Causal Inference используют. Double machine learning еще. Много их.
Есть даже методы для Causal discovery - поиска причинных моделей)
Надо было еще подольше подождать, чтобы я совсем забыл про что мы тут разговариваем)))
1. Кажется, я имел ввиду, что есть общепринятое определение что это такое, как интерпретировать и не дело это - изобретать велосипед)
2. Для каждого товара, по которому стоит такая задача) Результат - одна цифра для товара. Для другого - другая. И т.д.
3. Можно еще использовать метод HiPPO - Highest Paid Person Opinion))) Про него писали в первом комментарии) Надежный метод, кстати)
Но если серьезнее, то надо сначала задаться вопросом: какую цель преследуем ценообразованием?
Если это "максимизация прибыли" - то надо выяснить каким образом она определяется. А если "определенная оборачиваемость" - то другой это процесс и другая цена.
Поэтому мне задача "определить кривую спроса" кажется теоретической, потому что без ясной цели непонятно как по ней определять нужную цену. (Плюс если знать цель - то определять цену можно и без нее)
Вы под эластичностью понимаете что-то другое. Я использую определение, принятое в экономике. Эластичность для нормальных товаров - всегда отрицательная. (это из википедии, в любом учебнике так же, начиная с 1890 года)))
Я бы еще поставил под сомнение саму бизнес необходимость считать "кривые спроса", но боюсь, что и тут у нас будут разные понятия, что это такое)
Если интересуют кривые спроса для сотен миллионов товаров, то надо хорошенько подумать, нужно ли считать именно эластичность? У эластичности есть "твердые" экономические обоснования, почему она такая, а не другая. И это диктует как ее рассчитывают и используют. Одно из оснований - линейная зависимость спроса и цены (или других переменных) на данном диапазоне цен (обычно небольшом, т.к. спрос-то не линейный). Благодаря этому это простой для понимания и использования коэффициент. Неэластичный спрос - с эластичностью от -1 до 0 (а не как в статье почему-то написано -2).
Если интересуют кривые спроса может попробовать прямо его посчитать, а не обходными путями, через эластичность? Про Demand Curve Estimation на scholar.google.com - About 2,120,000 results. И про ML достаточно) За эту тему несколько нобелевских премий дали, из недавнего в 2015 году))) Так что если что-то получится - шлите им, они, наверное, оценят)))
Я делаю сервис для оптимизации ценообразования на ВБ и использую там ML для: если нельзя посчитать эластичность - ее приблизительной оценки и для ее коррекции с учетом confounders. А еще есть задача установления первоначальной цены.
После вот этого абзаца я читал с подозрением)
Поиск технических и научных статей по темам "Price elasticity prediction" (как обучать/вычислять кривую спроса) и "Price optimization" (как выставлять цену) не привел меня к желаемым результатам. Каких-то готовых рецептов и того, что можно было бы назвать "математическими основами оптимизации цен на базе эластичности", я не нашел (возможно, плохо старался).
Т.к. про то, как считать эластичность написано в любом базовом учебнике по эконометрике (а про то, что это такое - в учебниках по микроэкономике), обычно в теме про линейную регрессию. Еще тема эластичности раскрывается в учебниках по управленческой экономике, даже без регрессий и логарифмов: точечная и дуговая эластичности.
Если нужно чуть глубже, то есть книги про ценообразование на основе эластичности. Например, Pricing Analytics: Models and Advanced Quantitative Techniques for Product Pricing 1st Edition by Walter R. Paczkowski , там полкниги - формулы))
Статей тоже вагон, не знаю, как было их не найти, например, про ecom:
Anindya Ghose. Arun Sundararajan. "Evaluating Pricing Strategy Using e-Commerce Data: Evidence and Estimation Challenges." Statist. Sci. 21 (2) 131 - 142, May 2006
Funk, B. (2011). Exploring Price Elasticity to Optimize Posted Prices in e-Commerce. e-Business and Telecommunications, 71–81. doi:10.1007/978-3-642-20077-9_5
Vatsa, P.; Ma, W.; Zhou, X. An Experimental Pricing Framework for E-Commerce. J. Theor. Appl. Electron. Commer. Res. 2021, 16, 2571-2578. https://doi.org/10.3390/jtaer16070141
Последнюю еще не читал)
В общем, мне показалось, что про эластичность автор изобретает велосипед)
Я на днях считал ее по данным товаров вб - особых сложностей не встретил (а вот подготовка данных да - это другой вопрос)))