机构名称：
¥ 6.0
预测对新产品的需求在市场上是一个重要且具有挑战性的问题，尤其是对于品牌是主要驱动力的产品类别而言。在这些设置中，观察到的产品属性不能很好地解释选择模式，这使得预测新产品的销售是营销组合变量可棘手的变量。为了解决这个问题，我开发了一个可扩展的框架，该框架丰富了具有大语言模型（LLM）的结构需求模型，以预测新品牌的消费者偏好。在使用结构模型估算了现有品牌的偏好之后，我使用LLM从品牌和消费者的文本描述中对这些品牌实用程序进行预测。在对这些数据进行微调时，我表明，调整后的LLM能够推广到以前看不见的品牌，这些品牌被排除在培训样本之外。相比之下，基于文本嵌入的常规模型返回与实际实用程序无关的预测，并且通用LLM也是无信息的。我的微调LLM的预测与固定偏好的相关性是0.52的相关性，而相互信息的相关性是基于嵌入的模型的相关性。即首次可以从文本中对新品牌的消费者偏好做出丰富的预测。要了解为何调整LLM工作的原因，我修改了LLM的各种组件，并测量预测误差的变化。然而，LLM的参数适应的方式至关重要，我通过理论分析支持。着眼于LLM从文本中提取有用的功能及其主观先验的能力，这些功能是从功能到结果的映射的，我发现在预先训练的LLM以初始训练的LLM初始初始化的值改善了功能和结果映射。最后，我将仪器变量方法的价格效应的因果估计与LLM预测相结合，以实现与定价相关的反事实。通过将LLM的强大概括能力与原则性的经济建模相结合，我的框架可以使新产品的营销组合获得明智的决定。更广泛地说，这种方法说明了如何通过使用现代LLM的能力系统地将定性数据的丰富性与定量数据的精确度相结合，如何回答新的问题。
生成品牌选择-Kevin Lee
主要关键词
相关文件推荐
