Un enfoque con transformers para el modelado de elecciones: captura de efectos de sustitución y complementariedad.

Abstract

In the retail sector, products influence each other’s demand through interactions known as cross-item effects, mainly substitution, where similar items compete, and complementarity, where items are frequently purchased together. Accurately capturing these effects can lead to substantial economic benefits and promote environmental sustainability by reducing overproduction. Traditional demand estimation methods often assume independent product demands or focus solely on substitution, limiting their ability to model these interactions. We propose two novel methods to capture both substitution and complementarity effects. The first is the Sequential Markov Chain (SMC) Choice Model, an extension of the traditional Markov Chain (MC) Choice Model that allows two-item purchases. We show that under this model, product sales decompose into a baseline plus contributions from all other items. The second is a Transformer-based choice model that integrates textual, visual and categorical product features. Its architecture enforces a similar additive decomposition. It learns to separate the baseline from the cross-item effects in an unsupervised fashion. The SMC model provides a theoretical framework for optimization while the Transformer-based model can capture richer interactions, generalize to unseen products, and is better suited for prediction and analysis. We also present a graph-based visualization technique that uses clustering to summarize substitution and complementarity patterns. To validate the Transformer-based model, we generated synthetic data based on a real-world dataset using the SMC model. Our results show that it successfully recovers the underlying cross-item effects. The additive structure of our models allows us not only to detect complements and substitutes, but also to measure the effects quantitatively and provide actionable insights for retailers.

En el sector minorista, los productos influyen en la demanda de los demás mediante interacciones llamadas efectos cruzados. Los principales son sustitución, cuando productos similares compiten, y complementariedad, cuando se compran juntos frecuentemente. Detectar estos efectos puede generar beneficios económicos y fomentar la sostenibilidad al reducir la sobreproducción. Los métodos tradicionales de estimación de demanda suelen asumir que las demandas son independientes o centrarse únicamente en la sustitución, lo que limita su capacidad para modelizar estas interacciones. Presentamos dos métodos novedosos para capturar sustitución y complementariedad. El primero es el modelo de elección secuencial basado en cadenas de Markov (SMC), una extensión del modelo tradicional que permite compras de dos artículos. Demostramos que bajo este modelo las ventas de cada artículo se descomponen en una cantidad base más contribuciones del resto de productos. El segundo es un modelo basado en Transformers que incorpora información textual, visual y categórica de los productos. Su arquitectura impone una descomposición aditiva similar. Aprende a separar la base de los efectos cruzados de forma no supervisada. El modelo SMC proporciona un marco teórico para la optimización mientras que el basado en Transformers puede capturar interacciones más complejas, generalizar a productos nuevos y es más adecuado para la predicción y el análisis. Además, presentamos una técnica de visualización mediante grafos que utiliza agrupamiento para resumir los patrones de sustitución y complementariedad. Para evaluar el modelo basado en Transformers, generamos datos sintéticos basados en datos reales utilizando el SMC. Nuestros resultados muestran que detecta correctamente los efectos cruzados subyacentes. Aparte de detectar productos sustitutos y complementarios, la estructura aditiva de nuestros modelos nos permite medir las interacciones quantitativamente y proporcionar información útil para los minoristas.