一種機器學習方法，用於庫存受限的動態定價

AiTechYun

編輯：nanan

新的研究表明，湯普森抽樣可以很自然地與經典的線性規劃公式相結合，其中就包括庫存受限。

1933年， William R. Thompson發表了一篇關於貝葉斯模型(Bayesian model)演算法的文章，該演算法最終將被稱為湯普森抽樣。但這一演算法在當時卻成為激烈的研究主題，部分原因是互聯網公司成功地將其用於在線廣告展示。

湯普森抽樣選擇了多臂強盜問題（有時稱為K或N臂強盜問題）上解決勘探開發的行動，以最大限度地提高性能和不斷學習，獲取新的信息以改進未來的性能。

在一項新的研究中，麻省理工學院教授David Simchi-Levi及其團隊目前已經證明，湯普森抽樣可用於需求函數未知的收入管理問題。

納入庫存限制

採用湯普森抽樣進行收益管理的主要挑戰是原始方法不包含庫存限制。然而，湯普森抽樣可以很自然地與經典的線性規劃公式相結合，以包括庫存限制。

其結果是一種動態定價演算法，該演算法結合了領域知識，具有較強的理論性能保證和良好的數值性能結果。

有趣的是，湯普森抽樣在不考慮領域知識的情況下，表現卻不佳。

Simchil – levi說:「證明湯普森抽樣可以結合經典的線性規劃公式，包括庫存限制，並將此方法應用於一般收入管理問題，這是令人興奮的。」

行業應用提高了收入

所提出的動態定價演算法具有很強的靈活性，適用於航空公司、互聯網廣告等多種行業的在線零售。

這項剛剛被《運籌學》雜誌接受的新研究，是Simchi-Levi開展的一項大型研究項目的一部分，該項目將機器學習和隨機優化結合起來，以提高收入、利潤率和市場份額。

本研究報告中開發的演算法已在諸如日常做市商Groupon，美國在線閃銷零售商Rue La La，拉丁美洲大型在線零售商B2W Digital以及大型釀酒公司實施， Simchi-Levi和他的團隊在各個零售渠道優化了公司的促銷和定價。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！