本期推荐一篇最新发表在《管理科学MS》上的论文《长尾市场中需求估计的机器学习方法》。随着电子商务和在线零售平台的快速发展，市场中商品和服务的种类呈现爆炸式增长。在这些“长尾市场”中，大量商品的销售额为零或极低，即便如此，这些商品仍在市场中占据了重要比例。传统的需求估计方法，如随机系数多项式Logit模型（BLP模型），是一种常用的经济学和市场营销工具，用于分析消费者偏好和预测市场需求。然而，这种方法在面对长尾市场时存在严重的局限性：它无法处理零销量商品的数据，因为模型假定所有商品的市场份额为正。由于大量零销量商品被排除，这导致了估计结果的偏差，特别是在市场份额稀疏或商品种类繁多的情况下。该研究旨在探索如何通过结合机器学习与传统经济学模型的方法，改善长尾市场中需求估计的准确性，从而为定价策略、产品选择以及市场资源分配等管理决策提供更可靠的支持工具。
研究采用了一个创新的两阶段估计方法，结合了机器学习和结构模型的优势。在第一阶段，利用深度学习技术建立一个神经网络模型，预测所有商品的市场份额，包括零销量商品。该神经网络根据商品的特征（如价格和其他属性）以及市场的整体特性，输出一个市场份额预测值。与传统方法不同，这种预测过程可以捕捉市场内部商品之间的相互影响关系，使得即使零销量商品的份额也能被估计出来。在第二阶段，作者通过一种加权机制校正传统BLP模型的估计偏差。具体而言，通过利用第一阶段的市场份额预测结果，对市场中商品的观察份额进行重新加权，从而减轻因零销量商品被排除而引起的选择性偏差。此外，该阶段还通过一种“正交化”的方法，将第一阶段模型可能带来的预测误差对最终估计的影响最小化。这种设计不仅确保了最终结果的因果解释性，还增强了模型在长尾市场中的适用性。
研究的模拟实验表明，该方法在处理长尾市场需求估计时表现出显著的优势。与传统BLP模型相比，新方法能够有效减少因零销量商品带来的偏差，即使在零销量商品占比超过50%的极端场景下，仍能保持较高的估计精度。这一研究不仅在理论上为长尾市场的需求估计提供了创新思路，还在实践中展示了强大的应用潜力，为在线零售、共享经济等领域的管理决策提供了新的工具和支持。
Management S, Volume 70 Issue 8 Machine Learning for Demand Estimation in Long Tail MarketsHammaad Adam, Pu He, Fanyin Zheng
