En maskinlæringsmetode til beholdningsbegrænsede dynamiske priser

I 1933, William R. Thompson offentliggjorde en artikel om en bayesisk modelbaseret algoritme, der i sidste ende ville blive kendt som Thompson-prøveudtagning. Denne heuristik blev stort set ignoreret af det akademiske samfund indtil for nylig, da det blev genstand for intens undersøgelse, delvis tak til internetvirksomheder, der med succes implementerede det til onlineannoncevisning.

Thompson prøveudtagning vælger handlinger til adressering af udforskning-udnyttelse i multiarmed bandit-problemet for at maksimere ydeevnen og løbende lære, erhverve nye oplysninger for at forbedre fremtidig ydelse.

I en ny undersøgelse, "Online netværksindkomststyring ved hjælp af Thompson Sampling, "MIT-professor David Simchi-Levi og hans team har nu demonstreret, at Thompson-prøveudtagning kan bruges til et problem med forvaltning af indtægter, hvor efterspørgselsfunktionen er ukendt.

Indarbejde lagerbegrænsninger

En hovedudfordring ved at vedtage Thompson -stikprøver til indtægtsstyring er, at den originale metode ikke indeholder lagerbeholdninger. Imidlertid, forfatterne viser, at Thompson -prøveudtagning naturligt kan kombineres med en klassisk lineær programformulering for at omfatte beholdningsbegrænsninger.

Resultatet er en dynamisk prisalgoritme, der inkorporerer domænekendskab og har stærke teoretiske præstationsgarantier samt lovende numeriske præstationsresultater.

Interessant nok, forfatterne demonstrerer, at Thompson -prøvetagning opnår dårlig ydeevne, når det ikke tager hensyn til domænekendskab.

Simchi-Levi siger, "Det er spændende at demonstrere, at Thomson -prøveudtagning kan tilpasses til at kombinere en klassisk lineær programformulering, at inkludere beholdningsbegrænsninger, og for at se, at denne metode kan anvendes på generelle indtægtsstyringsproblemer. "

Industriapplikation forbedrer omsætningen

Den foreslåede dynamiske prisalgoritme er yderst fleksibel og kan anvendes i en række brancher, fra flyselskaber og internetreklame hele vejen til online detailhandel.

Den nye undersøgelse, som netop er blevet accepteret af tidsskriftet Operations Research, er en del af et større forskningsprojekt af Simchi-Levi, der kombinerer maskinlæring og stokastisk optimering for at forbedre omsætningen, margener, og markedsandel.

Algoritmer udviklet i denne forskningsstrøm er blevet implementeret hos virksomheder som Groupon, en daglig market maker, Rue La La, en amerikansk online salgssalgsforhandler, B2W Digital, en stor onlineforhandler i Latinamerika, og hos et stort bryggeriselskab, hvor Simchi-Levi og hans team optimerede virksomhedens promotion og prissætning i forskellige detailkanaler.