Manly 변환 혼합 모델의 더 빠른 구현 방식을 제안한다. FastManly라 불리는 이 방법은 전통적인 EM에서 사용하는 Nelder-Mead 대신, EM 그래디언트(EM gradient) 알고리즘에서 최적화를 위해 뉴턴 방법(Newton's method)을 사용한다. 그래디언트와 전체 헤시안을 유도하였다. 시뮬레이션 결과, 눈에 띄는 속도 향상과 함께 성능이 개선됨을 보였다.
문제 정의: 본 논문은 번들 판매 데이터로부터 소비자 선호도를 추정하는 문제를 연구한다. 상품 번들링(product bundling)은 소매 시장에서 널리 사용되는 가격 책정 전략이다. 판매자가 수익성 있는 번들 구성과 가격을 설정하려면 거래 데이터로부터 개별 상품에 대한 소비자의 가치 평가 분포를 학습해야 한다. 고객이 번들이나 여러 상품을 구매하는 경우, 이산 선택 모델(discrete choice model)과 같은 고전적 방법으로는 소비자의 가치 평가를 추정할 수 없다. 본 논문에서는 번들 판매 데이터를 활용하여 상품에 대한 소비자의 가치 평가 분포를 학습하는 방법론을 제안한다. 방법론/결과: 제안 방법은 고객 선택에 대한 효용 모델을 정의하고, 거래 데이터가 관측될 가능도를 최대화하는 가치 평가 분포의 파라미터를 추정하는 것이다. 이 문제는 고객의 가치 평가 공간에서 다면체(polyhedral) 영역으로 중도절단된 표본에 대한 추정 문제로 환원된다. EM 알고리즘과 몬테카를로 시뮬레이션을 이용하여 소비자의 가치 평가 분포를 복원할 수 있다. 또한 관측되지 않은 미구매를 허용하고, 군집화된 시장 세그먼트를 고려하며, 시너지 효과를 포함한 비가산적 번들 효용을 반영하도록 프레임워크를 확장한다. 아울러 확률 모델의 식별 가능성(identifiability)과 EM 알고리즘의 국소 수렴에 대한 충분 조건에 관한 이론적 결과를 제시한다. 나아가 합성 및 실제 데이터셋을 이용한 수치 실험을 통해 방법론의 성능을 검증한다. 경영적 시사점: 본 연구는 번들 판매 거래 데이터를 활용하여 고객 선호도를 학습하는 과정의 어려움을 보여준다. 제안된 알고리즘은 소매업자들에게 실용적인 지침을 제공한다.