简介：几十年来，传统行业一直在研究零售降价，而如今，电子商务新鲜零售带来了更多的挑战。由于易逝品的货架期有限，价格变动的机会也有限，因此很难在一个反事实的价格下预测产品的销售情况，从而很难确定最优的折扣价格来控制库存，实现未来收益最大化。传统的机器学习方法具有较高的可预测性，但不能很好地揭示销售与价格之间的关系。传统的经济模型具有较高的可解释性，但预测精度较低。在本文中，我们利用大量的观察性交易数据，提出一种新的数据驱动和可解释的减价定价方法，包括反事实预测和多期价格优化。首先，我们建立了一个半参数结构模型来学习个体价格弹性并预测反事实需求。该半参数模型既利用了非参数机器学习模型的可预测性，又利用了经济模型的可解释性。其次，我们提出了一个多周期动态定价算法，以使易逝品在有限的销售周期内的总利润最大化。与传统的使用确定性需求的方法不同，由于反事实需求的不确定性在预测过程中不可避免地具有随机性，我们对其进行了建模。在随机模型的基础上，利用马尔可夫决策过程推导出一种序贯定价策略，并设计了一种两阶段求解算法。该算法是非常有效的。它将时间复杂度从指数级降低到多项式级。实验结果表明，本文提出的定价算法具有一定的优越性，并将该框架成功地应用于知名电商生鲜零售场景盒马生鲜中。

论文链接：https://arxiv.org/pdf/2105.08313.pdf
推荐理由：本文从实际应用的角度出发，建立了半参数结构模型来进行更好的降价与定价，具有较高的实用价值，值得推荐。

内容中包含的图片若涉及版权问题，请及时与我们联系删除