[论文解读] 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 13

一句话总结

本文提出了一种基于上下文的动态定价框架，利用在线聚类将需求量低的产品按相似的需求模式分组，通过共享数据实现更优的需求估计与定价决策。CSMP 算法实时同步学习聚类与定价，在真实阿里巴巴数据上，其遗憾值更低、收益更高，优于单产品或全局聚类基准方法。

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.

研究动机与目标

• 解决低销量在线产品因销售数据不足而面临的动态定价挑战。
• 通过基于相似需求模式而非产品特征的聚类方法，克服数据不足问题。
• 开发一种实时联合执行在线聚类与动态定价的学习算法。
• 在温和的技术条件下，为所提出的算法建立理论遗憾界。
• 在真实世界阿里巴巴数据上，证明其性能优于单产品定价与全局聚类基准方法。

提出的方法

• 提出一种基于上下文的动态定价模型，采用带上下文协变量的广义线性需求函数。
• 引入 CSMP（上下文半盲定价）算法，实现在线聚类与定价的同步执行。
• 使用遗憾最小化框架指导定价决策，同时根据观测到的销售数据更新聚类分配。
• 采用 K-means 和基于随机森林的聚类方法进行对比，聚类分配随时间动态更新。
• 应用在线学习技术以适应变化的需求模式，且无需预先知晓聚类信息。
• 以滑动窗口策略作为基准，参数根据先前文献（如 Keskin 和 Zeevi, 2016）进行调优。

实验结果

研究问题

• RQ1 基于需求模式的在线聚类能否提升低销量产品的动态定价性能？
• RQ2 联合学习聚类与定价的方法与分离或静态聚类方法相比表现如何？
• RQ3 所提出的基于在线聚类的定价算法具有怎样的理论性能保证（遗憾界）？
• RQ4 在模型误设或需求动态变化的情况下，该算法的鲁棒性如何？
• RQ5 在真实世界环境中，该方法是否优于单产品定价与全局聚类方法？

主要发现

• 在真实阿里巴巴数据上，CSMP 算法在累积收益方面显著优于单产品动态定价与全局聚类策略。
• 采用在线聚类的定价策略相比基准方法能降低遗憾值，尤其在需求函数来自多个聚类时表现更优。
• K-means 聚类的性能对 K 值选择敏感，而 CSMP 在不同聚类配置下均表现出强鲁棒性。
• 即使在模型误设情况下（如使用随机森林而非逻辑回归模型），基于聚类的方法仍保持优异性能。
• 在数值实验中，该算法的遗憾值更低、收益更高，优于单产品与单聚类基准方法。
• 结果表明，在低销量产品环境中，在线聚类是一种有效提升动态定价性能的方法。