Price elasticity estimation by causal-inference methods : lessons from real-world applications

The elasticity of the demand with respect to the price of a good have always been a key indicator in the field of pricing. In the process of deciding the correct price for a product, its elasticity can be used both as a qualitative metric, informative on how customers react to changes in the price, and as a parameter to be directly incorporated in sophisticated algorithm. The estimation of the elasticity can be seen as a particular problem of causal inference in which we want to estimate the effect that a phenomenon, i.e. the variation in price, has on a dependent variable, i.e. the quantity demanded. This work focuses on the analysis of two causal inference approaches for the purpose of estimating the price elasticity of demand. The first one is a Machine Learning approach based on the Double Machine Learning technique while the second one is a more traditional approach based on Difference-in-Differences. This thesis discuss about their application in the field of elasticity estimation and, thanks to the data of two e-commerce provided by the Canadian company Coveo, provides a practical demonstration of their usage in a real-world scenario.

L'elasticità della domanda rispetto al prezzo di un bene è da sempre un indicatore chiave nel campo del pricing. Nel processo di determinazione del prezzo ottimo per un prodotto, la sua elasticità può essere utilizzata sia come metrica qualitativa, che fornisce informazioni su come i clienti reagiscono alle variazioni del prezzo, sia come parametro da incorporare all'interno di sofisticati algoritmi. La stima dell'elasticità può essere vista come un particolare problema di inferenza causale in cui si vuole stimare l'effetto che un fenomeno, la variazione di prezzo, ha su una variabile dipendente, la quantità richiesta per un prodotto. Questo lavoro si concentra sull'analisi di due approcci di inferenza causale allo scopo di stimare l'elasticità della domanda rispetto al prezzo. Il primo è un approccio di Machine Learning basato sulla tecnica del Double Machine Learning, mentre il secondo è un approccio più tradizionale basato su Difference-in-Differences. Questa tesi discute della loro applicazione nel campo della stima dell'elasticità e, grazie ai dati di due e-commerce forniti dall'azienda canadese Coveo, offre una dimostrazione pratica del loro utilizzo in uno scenario reale.