基于观测数据的离散上下文定价损失函数
机器学习
2023-02-24 v2 机器学习
摘要
我们研究一种定价场景，其中基于客户和/或产品特征向每位客户提供上下文价格。通常仅有历史销售数据可用，因此我们观察到客户是否以规定价格购买了产品，而非客户的真实估值。此类观测数据受历史定价策略影响，这给评估未来策略的有效性带来困难。本文的目标是构建可直接从观测数据评估定价策略的损失函数，而非经过可能带有偏差的中间需求估计阶段。为此，我们借鉴带损坏标签的机器学习思想，将每次观测到的购买决策视为客户估值的一个已知概率变换。由该变换，我们导出一类无偏损失函数。在该类中，我们识别出最小方差估计量以及对不良需求估计稳健的估计量。此外，我们表明在离屏策略评估文献中流行的估计量属于此类损失函数。我们就这些估计量在何种场景下有效提供了管理启示。
引用
@article{arxiv.2111.09933,
title = {Loss Functions for Discrete Contextual Pricing with Observational Data},
author = {Max Biggs and Ruijiang Gao and Wei Sun},
journal= {arXiv preprint arXiv:2111.09933},
year = {2023}
}