Fast Revenue Maximization

本文研究了一个数据驱动的价格问题，其中卖家根据在有限数量的历史价格上观察到的需求提供单个物品的价格。我们的目标是确定卖家收集到的历史信息的价值的精确评估程序，以及更有效的价格实验方案。我们的主要方法学结果是最大最小比率的精确刻画（定义为只依赖过去数据的卖家所获得的最坏收入与具有完全知识的价值分布的最优收入之比）。这个结果允许衡量任何由价格和相应转化率组成的历史数据的价值。我们利用这个核心结果提供了关于价格实验的新见解。受到实际约束的启发，我们首先通过评估局部信息来说明我们的框架，并展示了仅梯度符号有时可以为卖家提供重要信息。然后，我们展示了我们的框架如何用于运行高效的价格实验。一方面，我们开发了一种选择卖家应该使用的下一个价格实验来最大化获得的信息的方法。另一方面，我们证明了我们的结果可以通过动态定价算法大大减少达到预设收入保证所需的价格实验。

研究基于历史价格的单个商品定价问题，目标是确定历史信息的价值和更有效的价格实验方法。

通过最大化比率的精确刻画，衡量历史数据的价值，并提出了新的价格实验方法。

论文提出了一个精确的衡量历史数据价值的方法，并展示了如何通过动态定价算法来降低价格实验的成本。实验使用了真实数据集，但未开源代码。

最近相关研究包括《Optimal Pricing Using Local Information》、《Learning to Optimize》等。