基于观测数据驱动的优化中预测方法的威力与局限

尽管数据驱动决策正在改变现代运营，但大多数大规模数据具有观测性质，例如交易记录。这些数据在作为随机优化问题提出的各种运营问题中带来了独特挑战，包括定价与库存管理，其中必须基于历史数据评估决策（如价格或订单量）对不确定成本/收益变量（如需求）的影响，而决策与结果可能存在混杂。通常，数据缺乏必要特征以启用对因果效应的合理评估，和/或所需的强假设可能可疑。尽管如此，常见做法是将一个决策的客观值赋为其给定数据中决策观测下成本/收益的最佳预测。虽然在一般设置中这种识别是虚假的，但就优化目的而言，只有最终决策的客观值才重要，而非用于得出该值的任何模型的有效性。在本文中，我们在观测数据驱动优化的情况下形式化了该陈述，并研究了预测方法在观测数据驱动优化中的威力与局限，特别关注定价。我们提供了此类方法最优性差距的严格界限，即使在无法从数据识别最优决策时也是如此。为研究预测方法在真实数据集中的潜在局限，我们开发了一种针对因果效应客观最优性的新假设检验。将其应用于利率设定数据，我们实证表明预测方法在实践中可能强大，但存在一些关键局限。