使用多臂老虎机实验的不完全信息动态在线定价-研究论文

在线零售商的定价经理面临着独特的挑战。 他们必须决定大量需求信息不完整的产品的实时价格。 经理运行价格实验以了解每种产品的需求曲线和利润最大化价格。 平衡的现场价格实验在实践中会产生高机会成本，因为大量客户面临次优价格。 在本文中，我们提出了一种替代的动态价格实验政策。 所提出的方法将多臂老虎机 (MAB) 算法从统计机器学习扩展到包括微观经济选择理论。 我们的自动定价策略使用可扩展的无分发算法解决了这个 MAB 问题。 我们通过分析证明我们的方法对于任何弱向下倾斜的需求曲线是渐近最优的。 在一系列 Monte Carlo 模拟中，我们表明，与来自计算机科学的动态定价中的平衡现场实验和标准方法相比，所提出的方法具有更好的表现。 在基于现有定价现场实验的校准模拟中，我们发现我们的算法可以将测试月份的利润增加 43%，每年增加 4%。