Искуственный интеллект и конкуренция: предсказание потребительского спроса

целью статьи является проверка гипотезы, что методы искусственного интеллекта и машинного обучения позволяют фирмам получить конкурентное преимущество через снижение неопределенность в предсказании потребительского спроса. Методы: В статье сравнивается два подхода к оценке спроса: эконометрический подход на основе микрообоснованной и интерпретируемой модели BLP и статистический подход на основе методах машииного обучения. В частности, классическая модель сравнивается с линейными моделями с L1 и L2 регуляризацией, случайными лесами, градиентным бустингом, а также нейронной сетью. Результаты: Сравнение моделей применительно к рынку автомобилей в США показало значительное преимущество моделей машинного обучения относительно модели BLP. Точность предсказания таких моделей превесило точность эконометрической модели в более чем десять раз. Выводы: Результаты показывают, что применение методов машинного обучения в задаче предсказания потребительского спроса действительно способно радикально увеличить точность предсказания относительно стандартных моделей. Однако, в замен на такую точность приходится жертвовать экономической интерпретаицей параметров моделей.

рынок, экономическая конкуренция, оценка потребительского спроса, предсказание потребительского спроса, методы машинного обучения