だから最近私は自分の取引データを使っていくつかの規則を作った。それに基づいて、どの製品がそれをまとめるのに有益かを判断できます。
しかし、私は知っているにもかかわらず。商品A→商品B、割引額に基づいて販売するバンドル数を決定する方法はありますか。
例えば。価格Aの商品Aとの100件の取引と、価格Yの商品Bとの40件の取引があります（リフト値はもっと良いかもしれませんが、今は簡単にしましょう）。最適な短期売上を増やすための割引率
私は製品AとBのために異なる種類の割引で販売された商品を持っているので、価格の弾力性を使ってバンドルの割引を決定することを考えました両方の製品に価格の弾力性はありません。
私が持っているデータ：
商品の価格
持ち上げ、支持、信頼性の値、その他規則に関連する値。
1か月あたりの販売商品
商品あたりの割引額
これらの変数はもっと重要だと思います。
任意の提案は大歓迎です。
前もって感謝します！
回答:
あなたは他の情報源からあなたの処分で価格弾力性の数値を持っていますか、またはあなたはデータを使って弾力性をあなた自身で推定しようとすることを計画していましたか？データを使用して弾力性を推定することを計画している場合は、細心の注意が必要です。単純なlog-log OLS回帰を実行すると、データポイントはすべて市場の均衡ポイントになり、静的需要曲線に沿った代表的なサンプルポイントにはならないため、推定値が悪くなります。あなたはそこに深刻な内生的問題を抱えています。
私はよく似たようなプロジェクトに着手しようとしたので、落とし穴をよく知っています。それでも弾力性を使用して売上高を引き下げる場合は、他の変数の一部を手段として使用して、供給側の識別を介して内在性の問題を回避する手段変数アプローチを試すことができます。もう1つの選択肢は、需要と供給のために関数型を別々に配置してから、たとえば2段階の最小二乗法（2SLS）を使用して縮小型を推定する連立方程式モデルを使用することです。
売り上げの予測に厳密に関心があり、因果チャネルの理解にあまり関心がない場合は、機械学習アルゴリズムを調べることができます。データポイントの数と自由に使える変数の数に応じて、ニーズに合ったさまざまなモデルがあります。ただし、これらのモデルのほとんどは標準の計量経済学ツールキットのモデルとは似ていないため、実行する前によく理解しておく必要があります。例えば、より「柔軟な」モデル（未決定の決定木、多層パーセプトロンなど）は、非常に影響を受けやすいです。 オーバーフィット ノイズを本質的にモデル化することによってデータを分析し、高い分散のために予想されるよりも高い平均二乗誤差をもたらす
もっと学ぶことに興味があるなら、私は見つけました この 統計学習への優れた、わかりやすい入門書であること。