Dynamic Pricing 모델 선택 문제 해결 전략

기존 MAB 기반 가격 결정 방식 및 한계

• SSG의 가격최적화 프로덕트는 MAB (Multi-Armed Bandit) 알고리즘의 톰슨 샘플링을 활용하여 상품별 최적 가격 모델을 선택해왔습니다.
• 이 방식은 판매 데이터를 기반으로 동적으로 학습하며 **탐색과 활용(Exploration & Exploitation)**을 수행하고, 계산 효율성이 뛰어난 장점이 있습니다.
• 그러나 탐색 시간 부족, 비용(할인 예산) 무시, Non-stationary 환경에서의 수렴 문제 등 여러 한계에 직면했습니다.
• 이에 상품 특성 기반 그룹화, 예산/수익성을 고려한 목적함수 도입, Adaptive window를 통한 경험 관리 등으로 대응했습니다.

Regret 기반의 새로운 가격 결정 접근법

• MAB의 한계, 특히 그룹화로 인한 개별 상품 평가의 부정확성을 해결하기 위해 Regret 기반의 새로운 접근법을 도입했습니다.
• 핵심 목표는 개별 상품 단위로 모델 성능을 평가하여 기민하게 가격에 대응하는 것입니다.
• **HR (High Regret)**은 비싸게 팔아 판매 기회를 놓친 후회, **LR (Low Regret)**은 싸게 팔아 이익을 덜 본 후회를 의미하며, 이들을 조합한 Score로 모델을 평가합니다.
• 이 방식은 전시되지 않은 가격에 대해서도 모델 평가가 가능하여 **경험량(데이터)**을 10배 이상 증대시키고, 상품별 유연한 운영을 가능하게 했습니다.

Regret 방식의 상세 분석 및 한계

• Longtail 속성별 모델 평균 할인율과 HR, LR 값을 분석하여 개별 상품 단위 평가의 효과를 확인했습니다.
• 평균 할인율이 같더라도 상품별 Regret이 상이하여 개별 상품별 모델 성능 평가가 의도대로 진행됨을 입증했습니다.
• Regret 도입 후 모델의 적합도를 상품별로 평가할 수 있게 되어 기존 대비 가격 변경 상품 비율이 증가했습니다.
• 하지만 판매 수량(ord_qty) 미고려, 노이즈 취약성, 데이터 부족(특히 롱테일 상품), 가격-판매량 비례하지 않는 상품군에서의 평가 부적절 등의 한계가 존재합니다.
• 현재 UV(상품 상세페이지 방문) 데이터 활용 및 Adaptive Window 도입 등을 통해 한계를 극복하려 노력하고 있습니다.