論文の概要: Loss Functions for Discrete Contextual Pricing with Observational Data
- arxiv url: http://arxiv.org/abs/2111.09933v1
- Date: Thu, 18 Nov 2021 20:12:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-22 16:16:46.052304
- Title: Loss Functions for Discrete Contextual Pricing with Observational Data
- Title（参考訳）: 観測データを用いた離散的文脈価格の損失関数
- Authors: Max Biggs, Ruijiang Gao, Wei Sun
- Abstract要約: 顧客および/または製品の特徴に基づいて、各顧客がコンテキスト化された価格で提供される価格設定について検討する。
顧客の真の価値よりも,各顧客が所定の価格で商品を購入しているかどうかを観察する。
- 参考スコア（独自算出の注目度）: 8.661128420558349
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study a pricing setting where each customer is offered a contextualized
price based on customer and/or product features that are predictive of the
customer's valuation for that product. Often only historical sales records are
available, where we observe whether each customer purchased a product at the
price prescribed rather than the customer's true valuation. As such, the data
is influenced by the historical sales policy which introduces difficulties in
a) estimating future loss/regret for pricing policies without the possibility
of conducting real experiments and b) optimizing new policies for downstream
tasks such as revenue management. We study how to formulate loss functions
which can be used for optimizing pricing policies directly, rather than going
through an intermediate demand estimation stage, which can be biased in
practice due to model misspecification, regularization or poor calibration.
While existing approaches have been proposed when valuation data is available,
we propose loss functions for the observational data setting. To achieve this,
we adapt ideas from machine learning with corrupted labels, where we can
consider each observed customer's outcome (purchased or not for a prescribed
price), as a (known) probabilistic transformation of the customer's valuation.
From this transformation we derive a class of suitable unbiased loss functions.
Within this class we identify minimum variance estimators, those which are
robust to poor demand function estimation, and provide guidance on when the
estimated demand function is useful. Furthermore, we also show that when
applied to our contextual pricing setting, estimators popular in the off-policy
evaluation literature fall within this class of loss functions, and also offer
managerial insights on when each estimator is likely to perform well in
practice.
- Abstract（参考訳）: 顧客の商品価値を予測できる顧客機能や製品機能に基づいて、各顧客がコンテキスト化された価格を提示される価格設定について検討する。
顧客の真の価値ではなく、各顧客が所定の価格で商品を購入しているかどうかを観察できるのは、歴史的販売記録のみであることが多い。
このように、データは、困難をもたらす歴史的販売政策の影響を受けている。
a) 実際の実験を行うことなく、価格政策の将来の損失/利益を見積もること
b)収益管理などの下流タスクの新たなポリシーの最適化。
本研究では,中間需要推定段階を通過するのではなく,価格政策を直接最適化するために使用できる損失関数の定式化について検討する。
評価データが利用可能な場合,既存の手法が提案されているが,観測データ設定における損失関数を提案する。
これを実現するために、私たちは、顧客評価の(既知の)確率的変換として、観測された各顧客の結果(所定の価格で購入されるか否かに関わらず)を考慮可能なラベル付き機械学習からのアイデアを適応させる。
この変換から、適切な非バイアス損失関数のクラスを導出する。
このクラスで最小分散推定器を同定し,低需要関数推定に頑健であり,推定需要関数がいつ有用かのガイダンスを提供する。
さらに,我々の文脈的価格設定に適用すると,オフ・ポリティカル評価文献で人気のある推定者は,この損失関数のクラスに収まり,また,各推定者が実際にうまく機能する可能性を示す管理的洞察を提供する。
関連論文リスト
- A Causal Perspective on Loan Pricing: Investigating the Impacts of
Selection Bias on Identifying Bid-Response Functions [1.0937531920233807]
我々は、因果推論の問題として価格を装い、選択バイアスの効果を理解するための一歩を踏み出した。
本研究では,ベルギーにおけるローンローン申請に関する半合成データセットにおいて,選択バイアスのレベルをシミュレートした。
我々は、因果機械学習による最先端の手法を実装し、価格データの選択バイアスを克服する能力を示す。
論文 参考訳（メタデータ） (2023-09-07T14:14:30Z) - Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。
我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。
提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
論文 参考訳（メタデータ） (2023-03-28T00:23:23Z) - Balanced Off-Policy Evaluation for Personalized Pricing [3.296526804364952]
我々は、特徴情報、歴史的価格決定、バイナリ実現需要からなるデータを持つパーソナライズされた価格問題を考える。
目標は、機能と価格をマッピングするパーソナライズされた価格ポリシーの、非政治的な評価を行うことだ。
Kallusのバランスの取れた政策評価フレームワークを基盤として、価格アプリケーションに適した新しいアプローチを提案する。
論文 参考訳（メタデータ） (2023-02-24T16:44:46Z) - Personalized Pricing with Invalid Instrumental Variables:
Identification, Estimation, and Policy Learning [5.372349090093469]
本研究は,インストゥルメンタル変数アプローチを用いて,内在性の下でのオフラインパーソナライズド価格について検討する。
Invalid iNsTrumental変数を用いたパーソナライズされたプライシングのための新しいポリシー学習手法を提案する。
論文 参考訳（メタデータ） (2023-02-24T14:50:47Z) - Off-policy evaluation for learning-to-rank via interpolating the
item-position model and the position-based model [83.83064559894989]
産業レコメンデーションシステムにとって重要なニーズは、製品にデプロイする前に、レコメンデーションポリシーをオフラインで評価する機能である。
我々は、最も人気のある2つの非政治推定器の問題を緩和する新しい推定器を開発する。
特に、InterPOLと呼ばれる新しい推定器は、潜在的に不特定位置ベースモデルのバイアスに対処する。
論文 参考訳（メタデータ） (2022-10-15T17:22:30Z) - Convex Loss Functions for Contextual Pricing with Observational
Posted-Price Data [2.538209532048867]
我々は、販売者が以前に提供された価格のサンプルにアクセス可能な、政治的でない価格問題について検討する。
これは、顧客の評価(支払いの意志)のサンプルが観察される、よく研究された設定とは対照的である。
我々の設定では、観測されたデータは歴史的価格政策の影響を受けており、顧客が代替価格にどう反応したかは分かっていません。
論文 参考訳（メタデータ） (2022-02-16T22:35:39Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Variance-Aware Off-Policy Evaluation with Linear Function Approximation [85.75516599931632]
線形関数近似を用いた強化学習における非政治的評価問題について検討する。
本稿では,値関数の分散を推定し,フィルタQ-Iterationにおけるベルマン残差を再重み付けするアルゴリズムVA-OPEを提案する。
論文 参考訳（メタデータ） (2021-06-22T17:58:46Z) - Fairness, Welfare, and Equity in Personalized Pricing [88.9134799076718]
顧客特性に基づくパーソナライズ価格における公平性、福祉、株式の配慮の相互作用について検討する。
選択ワクチンの価格補助金と、マイクロクレジットの下流結果に対するパーソナライズされた利率の影響の2つの設定において、パーソナライズされた価格の潜在的利点を示す。
論文 参考訳（メタデータ） (2020-12-21T01:01:56Z) - Uncertainty Quantification for Demand Prediction in Contextual Dynamic
Pricing [20.828160401904697]
本研究では,需要関数に対する精度の高い信頼区間構築の問題について検討する。
偏りのあるアプローチを開発し、偏りのある推定器の正規性を保証する。
論文 参考訳（メタデータ） (2020-03-16T04:21:58Z) - Minimax-Optimal Off-Policy Evaluation with Linear Function Approximation [49.502277468627035]
本稿では,関数近似を用いたバッチデータ強化学習の統計的理論について検討する。
記録履歴から新たな対象政策の累積値を推定するオフ・ポリティクス評価問題を考察する。
論文 参考訳（メタデータ） (2020-02-21T19:20:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。