[論文レビュー] Context-Based Dynamic Pricing with Online Clustering

Sentao Miao, Xi Chen+3 more|arXiv (Cornell University)|Feb 17, 2019

Consumer Market Behavior and Pricing被引用数 13

ひとこと要約

本稿では、オンラインクラスタリングを用いて需要パターンが類似する低販売商品をグループ化することで、共有データによる需要推定と価格決定の向上を実現する文脈ベースの動的価格設定フレームワークを提案する。CSMPアルゴリズムは、リアルタイムでクラスタリングと価格設定を同時に学習し、実際のアリババデータ上での単一商品やグローバルクラスタリングのベンチマークと比較して、より低いレグレットとより高い収益を達成する。

ABSTRACT

We consider a context-based dynamic pricing problem of online products, which have low sales. Sales data from Alibaba, a major global online retailer, illustrate the prevalence of low-sale products. For these products, existing single-product dynamic pricing algorithms do not work well due to insufficient data samples. To address this challenge, we propose pricing policies that concurrently perform clustering over product demand and set individual pricing decisions on the fly. By clustering data and identifying products that have similar demand patterns, we utilize sales data from products within the same cluster to improve demand estimation for better pricing decisions. We evaluate the algorithms using regret, and the result shows that when product demand functions come from multiple clusters, our algorithms significantly outperform traditional single-product pricing policies. Numerical experiments using a real dataset from Alibaba demonstrate that the proposed policies, compared with several benchmark policies, increase the revenue. The results show that online clustering is an effective approach to tackling dynamic pricing problems associated with low-sale products.

研究の動機と目的

• 販売データが不足する低販売オンライン商品における動的価格設定の課題に対処すること。
• 製品特徴ではなく、類似した需要パターンに基づいて製品をクラスタリングすることで、データ不足を克服すること。
• リアルタイムでオンラインクラスタリングと動的価格設定を同時に実行する学習アルゴリズムの開発。
• やや緩い技術的条件下で、提案されたアルゴリズムの理論的レグレットバウンドを確立すること。
• 単一商品やグローバルクラスタリングのベンチマークと比較して、実世界のアリババデータ上での優れた性能を示すこと。

提案手法

• 文脈的共変数を用いた一般化線形需要関数を用いた文脈ベースの動的価格設定モデルを提案する。
• オンラインクラスタリングと価格設定を同時に実行するCSMP（文脈的準最適価格設定）アルゴリズムを導入する。
• 観測された販売データに基づいてクラスタ割り当てを更新しながら、レグレット最小化フレームワークを用いて価格決定を指針とする。
• 比較のためのK-meansおよびランダムフォレストベースのクラスタリングを採用し、クラスタ割り当てを時間経過とともに動的に更新する。
• 事前にクラスタの知識がなくても、変化する需要パターンに適応できるオンライン学習技術を適用する。
• ベンチマークとして移動ウィンドウポリシーを用い、パラメータは先行研究（例：KeskinとZeevi, 2016）に基づいて調整する。

実験結果

リサーチクエスチョン

• RQ1 需要パターンに基づく製品のオンラインクラスタリングは、低販売商品の動的価格設定パフォーマンスを向上させることができるか？
• RQ2 クラスタリングと価格設定の共同学習は、分離または静的クラスタリングアプローチと比較してどのように異なるか？
• RQ3 提案されたオンラインクラスタリングベースの価格設定アルゴリズムの理論的パフォーマンス保証（レグレットバウンド）は何か？
• RQ4 モデル不適合性や変動する需要ダイナミクスの下で、アルゴリズムのロバストネスはどの程度か？
• RQ5 提案手法は、実世界の環境において単一商品価格設定とグローバルクラスタリングを上回るか？

主な発見

• CSMPアルゴリズムは、実際のアリババデータ上での累積収益において、単一商品動的価格設定とグローバルクラスタリングポリシーを著しく上回る。
• オンラインクラスタリングを用いた価格設定は、特に複数のクラスタからなる需要関数の場合に、ベンチマークポリシーと比較してレグレットを低減する。
• K-meansクラスタリングの性能はKの選択に敏感である一方、CSMPは異なるクラスタ構成に対してロバストである。
• （例：ロジスティックモデルではなくランダムフォレストを用いるなど）モデル不適合が生じても、クラスタリングベースのアプローチは強固なパフォーマンスを維持する。
• 数値実験において、CSMPは単一商品および単一クラスタベンチマークと比較して、より低いレグレットとより高い収益を達成する。
• 結果から、オンラインクラスタリングは低販売商品環境における動的価格設定の改善に有効な手法であることが示された。