摘要
表格基础模型（TFMs）通过上下文学习在结构化数据上生成预测，而无需特定任务的估计。我们探讨了TFMs是否可以有效应用于离散选择，这一在市场营销和运营中的核心需求估计框架。研究发现，直接应用TFMs的表现有限。
问题分析
这种性能差距源于结构性原因：TFMs假设观察值之间独立，而离散选择本质上是集合值的，受到持续的消费者偏好异质性的影响。因此，我们提出了一种重新表述的方法，能够在基于行的学习框架内编码选择集依赖性和个体异质性。
实验结果
在酸奶扫描面板的评估中，个体级别的异质性编码是预测准确性的主要驱动因素。最佳的重新表述在保留的对数似然上比层次贝叶斯估计提高了8%，在命中率上提高了3.6%，且运行速度快了16倍，这对于大规模需求估计具有实际优势。此优势在中等数据范围（每个消费者10-40次购买）内最为显著，因为参数贝叶斯收缩会对非典型消费者的估计产生最大扭曲。
通过对人口选择数据的微调，可以为购买历史较浅的消费者带来额外收益，因为在这种情况下，上下文学习缺乏个体特定信号进行条件化。
这些结果确立了一种将基础模型更广泛应用于消费者选择问题的原则性方法。
博主点评： 本文提出的TFMs在离散选择估计中的应用值得关注，尤其是通过个体异质性编码的方式，显著提高了预测准确性和效率，展示了基础模型在实际商业场景中的潜力。