동적 조합·가격 책정의 새로운 패러다임, 포아송‑MNL 밴딧

초록

본 논문은 상품 조합과 가격을 동시에 결정하는 동적 의사결정 문제에서, 고객 도착률이 조합·가격에 의존한다는 점을 반영한 포아송‑MNL 모델을 제안한다. UCB 기반 알고리즘 PMNL을 설계해 비대칭적인 도착·선택 불확실성을 동시에 학습하고, 기대 누적 수익에 대한 regret을 O(√T log T) 으로 상한을 잡으며 Ω(√T) 하한과 일치함을 증명한다. 시뮬레이션을 통해 고정 도착률을 가정한 기존 방법보다 현저히 우수함을 확인한다.

상세 분석

이 연구는 전통적인 MNL 기반 수요 모델이 고객 도착을 고정된 파라미터로 가정함으로써 발생하는 근본적인 한계를 지적한다. 실제 소매·플랫폼 환경에서는 더 매력적인 상품군이나 낮은 가격이 광고·입소문을 통해 고객 흐름을 증가시키는 ‘도착‑수요 연계’ 현상이 일반적이다. 이를 수학적으로 포착하기 위해 저자들은 두 개의 확률 과정—(1) 조합·가격에 의존하는 포아송 도착률 λ(S,p)와 (2) 컨텍스트 기반 MNL 선택 확률 q_j(S,p)—을 결합한 포아송‑MNL 모델을 제시한다. λ은 (S,p)의 다항식 혹은 기타 풍부한 베이스 함수들의 선형 결합 형태로 로그‑선형화하여 파라미터 θ_x∈ℝ^{d_x} 로 표현한다. 선택 모델은 제품 특성 z_j∈ℝ^{d_z} 와 가격 p_j 를 이용해 유틸리티 v_j−p_j = β^T z_j − p_j 로 정의하고, β∈ℝ^{d_z} 를 학습한다.

알고리즘 PMNL은 초기 탐색 단계에서 O(log T) 라운드 동안 무작위 혹은 균형 잡힌 조합·가격을 시도해 θ_x와 β의 초기 추정치를 확보한다. 이후 매 라운드마다 현재 추정치와 그에 대한 데이터‑의존적 상한(confidence radius) ε_t을 이용해 ‘가장 큰 상한 기대 수익’을 갖는 (S_t,p_t)를 선택한다. 핵심 기술은 다음과 같다.

1. 포아송 도착의 비정규성 처리: 도착 수는 무한히 큰 값도 가질 수 있어 서브가우시안 가정이 깨진다. 저자들은 베르누이·포아송 혼합 마팅게일에 대해 Bernstein‑type 집중 부등식을 적용해, 관측된 총 수익 R_t의 편차를 ε_t에 포함시켰다.

2. 선택‑도착 상호작용 분리: 도착 과정이 선택 데이터에 추가적인 노이즈를 주므로, MLE 추정식을 도착률 추정값 λ̂와 독립적인 선택 로그우도 부분으로 분해하였다. 이를 통해 선택 파라미터 β의 추정 정확도가 도착 파라미터 θ_x에 과도하게 의존하지 않도록 설계했다.

3. 데이터‑의존적 오류 경계: 기존 MNL 밴딧에서는 고정된 상수 C·√(d log T/T) 형태의 경계가 쓰였지만, 여기서는 λ̂의 불확실성을 포함한 복합 경계 ε_t = O(√((d_z+d_x) log T / t)) 를 도출했다. 이는 실제 실험에서 탐색 비용을 크게 감소시킨다.

이론적 결과는 두 단계로 구성된다. (i) 상한: 기대 regret ≤ C·√T log T (C는 d_z, d_x, λ_min 등 모델 파라미터에 의존). (ii) 하한: 정보 이론적 변별력(피셔 정보) 분석을 통해 Ω(√T) 하한을 증명, 이는 상한과 log T 차이만 남는다.

시뮬레이션에서는 (a) 도착률이 가격에 강하게 의존하는 경우, (b) 도착률이 조합 크기에 비례하는 경우, (c) 도착률이 거의 고정인 경우를 각각 실험했다. PMNL은 (a),(b)에서 고정 도착률 가정 기반 MNL‑UCB 대비 20‑30% 이상의 누적 수익 향상을 보였으며, (c)에서는 기존 방법과 거의 동일한 성능을 유지해 모델 일반성을 확인했다.

전반적으로 이 논문은 ‘도착‑수요 연계’ 현상을 정량화하고, 이를 온라인 밴딧 프레임에 자연스럽게 통합한 최초의 작업이라 할 수 있다. 제안된 포아송‑MNL 모델은 베이스 함수 선택만 바꾸면 계절성, 프로모션 효과, 경쟁 상황 등 다양한 실무적 변수를 포괄할 수 있어 확장성이 크다. 또한, UCB 기반 설계와 정밀한 마팅게일 분석은 향후 비정규 도착·선택 혼합 모델에 대한 이론적 토대를 제공한다.