A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä
Price Optimization Combining Conjoint Data and Purchase History : A Causal Modeling Approach (2024)


Valkonen, L., Tikka, S., Helske, J., & Karvanen, J. (2024). Price Optimization Combining Conjoint Data and Purchase History : A Causal Modeling Approach. Observational Studies, 10(1), 37-53. https://doi.org/10.1353/obs.2024.a929116


JYU-tekijät tai -toimittajat


Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajatValkonen, Lauri; Tikka, Santtu; Helske, Jouni; Karvanen, Juha

Lehti tai sarjaObservational Studies

eISSN2767-3324

Julkaisuvuosi2024

Volyymi10

Lehden numero1

Artikkelin sivunumerot37-53

KustantajaUniversity of Pennsylvania Press

JulkaisumaaYhdysvallat (USA)

Julkaisun kielienglanti

DOIhttps://doi.org/10.1353/obs.2024.a929116

Julkaisun avoin saatavuusAvoimesti saatavilla

Julkaisukanavan avoin saatavuusKokonaan avoin julkaisukanava

Julkaisu on rinnakkaistallennettu (JYX)https://jyx.jyu.fi/handle/123456789/96022

Rinnakkaistallenteen verkko-osoite (pre-print)https://arxiv.org/abs/2303.16660


Tiivistelmä

Pricing decisions of companies require an understanding of the causal effect of a price change on the demand. When real-life pricing experiments are infeasible, data-driven decision-making must be based on alternative data sources such as purchase history (sales data) and conjoint studies where a group of customers is asked to make imaginary purchases in an artificial setup. We present an approach for price optimization that combines population statistics, purchase history, and conjoint data in a systematic way. We build on the recent advances in causal inference to identify and quantify the effect of price on the purchase probability at the customer level. The identification task is a transportability problem whose solution requires a parametric assumption on the differences between the conjoint study and real purchases. The causal effect is estimated using Bayesian methods that take into account the uncertainty of the data sources. The pricing decision is made by comparing the estimated posterior distributions of gross profit for different prices. The approach is demonstrated with simulated data resembling the features of real-world data.


YSO-asiasanathinnoitteluoptimointikausaliteettikysyntäestimointibayesilainen menetelmä

Vapaat asiasanatBayesian model; causal inference; data-fusion; demand estimation; pricing; transportability


Liittyvät organisaatiot


Hankkeet, joissa julkaisu on tehty


OKM-raportointiKyllä

Raportointivuosi2024

Alustava JUFO-taso1


Viimeisin päivitys 2024-03-07 klo 20:05