针对库存约束的动态定价的机器学习方法

1933年，William R. Thompson发表了一篇关于基于贝叶斯模型的算法的文章，该算法最终将被称为Thompson样本。这种启发式在很大程度上被学术界忽视，直到最近它成为激烈研究的主题，部分归功于成功实施在线广告展示的互联网公司。

汤普森抽样选择行动来解决多臂匪徒问题中的勘探开发问题，以最大限度地提高绩效并不断学习，获取新信息以改善未来绩效。

在一项新研究中，“使用汤普森抽样进行在线网络收入管理”，麻省理工学院教授David Simchi-Levi及其团队现已证明Thompson抽样可用于收益管理问题，其中需求函数未知。

纳入库存限制

采用汤普森抽样进行收益管理的主要挑战是原始方法不包含库存约束。然而，作者表明Thompson采样可以自然地与经典的线性程序公式相结合，以包括库存约束。

结果是动态定价算法结合了领域知识，具有很强的理论性能保证以及有前途的数值性能结果。

有趣的是，作者证明Thompson抽样在不考虑领域知识的情况下表现不佳。

Simchi-Levi说：“令人兴奋的是，汤姆森抽样可以适应经典的线性程序公式，包括库存限制，并且可以看出这种方法可以应用于一般的收益管理问题。”

行业应用可以提高收入

所提出的动态定价算法非常灵活，适用于各种行业，从航空公司和互联网广告一直到在线零售。

刚刚被运营研究期刊接受的这项新研究是Simchi-Levi的一项大型研究项目的一部分，该项目结合了机器学习和随机优化，以提高收入，利润和市场份额。

本研究流程中开发的算法已在诸如Groupon(日常做市商)，美国在线闪存销售零售商Rue La La，拉丁美洲大型在线零售商B2W Digital以及大型酿酒公司等公司实施。 Simchi-Levi和他的团队优化了公司在各种零售渠道的促销和定价。