定价实验的科学方法
在某中心商店中，产品价格反映需求、季节性和经济趋势等多种因素。定价策略通常采用考虑这些因素的公式，而较新的定价策略则依赖机器学习模型。通过某中心定价实验室，我们可以进行一系列在线A/B实验来评估新定价策略。
由于我们实行非歧视性定价原则——所有访客在同一时间看到的产品价格相同——我们需要随时间对产品价格施加实验处理，而不是同时对不同客户测试不同价格点，这增加了实验设计的复杂性。
实验设计类型
时间绑定实验是最简单的实验类型，在特定时间段对某类产品施加处理，其他产品作为对照组。但外部事件（如其他商店的临时折扣）可能引入噪声。
触发式实验通过预定义外部事件来触发实验开始时间，可以 staggered 启动不同产品的实验，减少外部干扰。
随机天数实验每天随机将产品分配到处理组或对照组。分析表明，这种方法可以将实验结果的标准误差降低60%。
交叉实验通过设置黑屏期来缓解残留效应。例如，先对部分产品施加处理，丢弃第一周数据后交换处理组和对照组，再次丢弃过渡期数据。这种方法可将标准误差降低40%-50%。
高级评估方法
**异质面板处理效应（HPTE）**采用四步流程：
- 从去趋势数据估计产品级一阶差分
- 过滤异常值
- 使用因果森林对分组产品估计二阶差分
- 通过自助法估计噪声
因果森林由多个决策树组成，通过产品特征问题将相似产品分组到同一叶节点，从而计算有意义的二阶差分。
溢出效应处理
当对一个产品的处理影响类似产品的需求时会产生溢出效应。我们通过以下方式解决：
- 构建需求相关产品图
- 使用逆概率加权估计溢出影响
- 通过聚类算法将可替代产品分组处理
模拟显示，聚类处理可将溢出偏差降低37%。虽然这会降低实验效力，但能确保结果不受溢出效应污染。