針對庫存約束的動態(tài)定價的機器學習方法

1933年，William R. Thompson發(fā)表了一篇關(guān)于基于貝葉斯模型的算法的文章，該算法最終將被稱為Thompson樣本。這種啟發(fā)式在很大程度上被學術(shù)界忽視，直到最近它成為激烈研究的主題，部分歸功于成功實施在線廣告展示的互聯(lián)網(wǎng)公司。

湯普森抽樣選擇行動來解決多臂匪徒問題中的勘探開發(fā)問題，以最大限度地提高績效并不斷學習，獲取新信息以改善未來績效。

在一項新研究中，“使用湯普森抽樣進行在線網(wǎng)絡收入管理”，麻省理工學院教授David Simchi-Levi及其團隊現(xiàn)已證明Thompson抽樣可用于收益管理問題，其中需求函數(shù)未知。

納入庫存限制

采用湯普森抽樣進行收益管理的主要挑戰(zhàn)是原始方法不包含庫存約束。然而，作者表明Thompson采樣可以自然地與經(jīng)典的線性程序公式相結(jié)合，以包括庫存約束。

結(jié)果是動態(tài)定價算法結(jié)合了領(lǐng)域知識，具有很強的理論性能保證以及有前途的數(shù)值性能結(jié)果。

有趣的是，作者證明Thompson抽樣在不考慮領(lǐng)域知識的情況下表現(xiàn)不佳。

Simchi-Levi說：“令人興奮的是，湯姆森抽樣可以適應經(jīng)典的線性程序公式，包括庫存限制，并且可以看出這種方法可以應用于一般的收益管理問題。”

行業(yè)應用可以提高收入

所提出的動態(tài)定價算法非常靈活，適用于各種行業(yè)，從航空公司和互聯(lián)網(wǎng)廣告一直到在線零售。

剛剛被運營研究期刊接受的這項新研究是Simchi-Levi的一項大型研究項目的一部分，該項目結(jié)合了機器學習和隨機優(yōu)化，以提高收入，利潤和市場份額。

本研究流程中開發(fā)的算法已在諸如Groupon(日常做市商)，美國在線閃存銷售零售商Rue La La，拉丁美洲大型在線零售商B2W Digital以及大型釀酒公司等公司實施。 Simchi-Levi和他的團隊優(yōu)化了公司在各種零售渠道的促銷和定價。