预算分配Budget Allocation：两篇论文（二）

最新推荐文章于 2022-07-22 16:46:17 发布

悟乙己

最新推荐文章于 2022-07-22 16:46:17 发布

阅读量5.5k

点赞数 6

分类专栏：营销科学文章标签：预算分配动态背包 allocation 预算

本文链接：https://blog.csdn.net/sinat_26917383/article/details/117713999

版权

营销科学专栏收录该内容

49 篇文章 413 订阅

订阅专栏

1 达摩院：A Unified Framework for Marketing Budget Allocation

A Unified Framework for Marketing Budget Allocation
参考解读文章：A Unified Framework for Marketing Budget Allocation

预算分配核心是解决该把钱投在哪的问题，本篇文章意在提出一种做预算分配的通用框架，包括两个步骤，

预测模型，通过历史数据去学习需求曲线，也可称为市场响应模型（market response model）
优化分配最优解，基于模型进行优化预算分配

学习需求曲线 -> 预算来预测每个组的销量变化情况

问题：尽管一些黑盒的预测方法，如深度学习，已经广泛应用于一些预测问题，但是这样预测和制定决策之间还有很大的gap，其中一个重要的问题就是很难将黑盒的预测结果转化成分配决策。

1.1 通用预算分配框架

这篇paper总结的蛮给力的，一个预算分配的通用框架，包括两个步骤，

首先通过历史数据去学习需求曲线，也可称为市场响应模型（market response model）
然后基于模型进行优化预算分配

整个市场可以根据不同的商品、客户、消费习惯等维度分为多个组（定价歧视的分组，segment），为了将预算分配给各个组，我们需要根据每个组的预算来预测每个组的销量变化情况。
尽管一些黑盒的预测方法，如深度学习，已经广泛应用于一些预测问题，但是这样预测和制定决策之间还有很大的gap，其中一个重要的问题就是很难将黑盒的预测结果转化成分配决策。
相反，如logit demand curve有明确的表达形式，并且广泛应用于经济学之中，它的缺点则是智能对于每一个市场分组来拟合，并不能利用不同分组下的通用的信息，这会造成很严重的数据分离的问题，因此文中提出一种半黑盒的预测模型，用神经网络来扩展logit demand curve的能力。

预测模型的输入被分成两部分：独立的变量和环境变量（上下文变量）。
环境变量是市场本身的属性，比如商品品牌、顾客属性、消费时间等等。

同时可以证明market cost（市场对于价格最敏感的点）只跟bias parameter有关，所以可以用相同的神经网络来计算不同segment的bias parameter，而弹性参数可以在拟合数据的时候求出，这样销量和花费的变动关系可以有一个显示的表示。

一旦需求曲线确定了，预算分配则可以表示成一个优化问题。
用 $N$ 表示segment数量，预算分配需要优化 $N$ 个变量，在一定预算约束下最大化销量。由于logit demand cruve是非凸的，所以优化问题也是非凸的，文中提出一种办法可以将该问题转化成等价的凸问题。

同时，这个框架可以兼容多种业务约束，包括花费上限、利润下限、或者roi下限。
因为有时候价格需要以 $99$ 结尾，比如 $19.99$ ，所以有时候变量需要从一个固定的集合取值，本框架也支持对于离散问题的优化求解，可以将该问题转化成一个多选择的背包问题（MCKP，Multiple Choice Knapsack Problem），近似在O(N)的时间复杂度下求解。

1.2 两种市场响应模型

1.2.1 比较常规的：Logit Response Model

在这里插入图片描述
这个是蛮典型的增长曲线，随着cost增加，一开始sales增长迅速，后续会到达一个瓶颈。
其中，market cost 指的是一个效率最佳的临界点

1.2.2 Semi-black-box Model

(本节没有细究，有些还没看明白…)
logit对于数据的使用能力有限，当我们对于每个segment都学习出一个 $a i$ 和 $b i$ ，并没有使用segment之间相同的数据，所以认为此处的c为独立变量，环境变量用xi表示，环境变量对于所有segment是通用的，并不会因为segment不同而改变（此处指的应该是有控制的改变，如对于某个segment人为改变花费，而环境变量contextual variables并不能控制），传统的神经网络可以将 $x i$ 和 $c$ 都作为输入，而logit只能利用 $c$ 作为输入。
相比于直接预测最终的销量，我们用神经网络 $e (x i)$ 来估计market cost处的的弹性，基于 $e (x i)$ ，弹性的信息可以在不同segment间共享，传统的logit model可以扩展成
在这里插入图片描述

1.3 优化预算分配

对于N个segments，预算分配需要决定每个segment的花费 $c i$ ，用 $c : = [c 1, \dots, c N]$ ，我们的目标是找到一个最优的c在预算约束下来最大化总销量，
在这里插入图片描述
其中B表示预算上限，它既可以为正也可以为负，正的表示花费上限约束，负的表示利润下限约束。

一般来看，可以作为线性规划的来求解，这里论文也提及用可以将该问题转化成一个多选择的背包问题（MCKP，Multiple Choice Knapsack Problem），近似在 $O (N)$ 的时间复杂度下求解。

2 达摩院——MindOpt 优化求解器

文档：
https://solver.damo.alibaba-inc.com/doc/html/testing/compile-python.html

阿里云界面达摩院：
https://tianchi.aliyun.com/mindopt

申请列表：
https://solver.damo.alibaba.com/htmlpages/page#/

3 背包问题

3.1 线性规划

具体可参考：最优解问题——PuLP解决线性规划问题（一）

3.2 背包问题

大概一个案例来理解：

一个小偷面前有一堆（n个）财宝，每个财宝有重量w和价值v两种属性，而他的背包只能携带一定重量的财宝（Capacity），在已知所有财宝的重量和价值的情况下，如何选取财宝，可以最大限度的利用当前的背包容量，取得最大价值的财宝（或求出能够获取财宝价值的最大值）。

一般来讲，背包问题有以下几种分类：

01背包问题
完全背包问题
多重背包问题

例如恰好装满、求方案总数、求所有的方案等。本文接下来就分别讨论一下这些问题。

核心概念：
给定一组物品，每种物品都有自己的体积和价值，在限定的总体积内，我们如何选择，才能使得物品的总价值最高。

背包问题简要的分为以下3种，还有一些都是这3种的变形以及组合。

01背包:
即限定每个物品要么拿（1个）要么不拿（0个）。
多重（有界）背包问题 - 多选择背包问题:
如果限定物品i最多只能拿m[i]个，则问题称为有界或多重背包问题。
完全（无界）背包问题
如果不限定每种物品的数量，同一样物品想拿多少拿多少，则问题称为无界或完全背包问题。
多维背包问题
或者多背包问题，它是带有一组约束（重量尺寸可靠性等）的背包问题。该问题可以简单描述为n个物品要放入m个称重不同的背包，他与0-1背包问题不同的是，物品放入不同背包的重量是不同的。
显然，在多约束背包的问题中，除了确定每个物品是否被放入背包之外，还需要确定他需要放入哪个背包。
动态背包问题
动态两个字的意思是，价值和重量都不是固定的，v ~ f(x) , weight ~ f(y)这样类型的