无需需求预测的收益管理：一种用于出价生成的纯数据驱动方法
机器学习
2023-04-18 v1
摘要
传统收益管理依赖于长期稳定的历史数据与可预测的需求模式。然而，满足这些要求并非总是可行。许多行业持续面临需求波动，例如航空货运的预订周期短得多且批量到达高度可变。即便在收益管理（RM）已成熟的客运航空领域，应对外部冲击也是一项众所周知的挑战，需要人工监控与手动干预。此外，传统 RM 有着严格的数据要求，包括历史预订与定价数据，即便在没有任何预订的情况下也需跨越多年。对于尚未建立 RM 实践的公司，此类大量数据通常不可得。我们提出一种数据驱动的 RM 方法，消除了对需求预测与优化技术的需求。我们开发了一种仅利用历史预订数据生成出价的方法。我们的方法是一种事后贪婪启发式，仅基于历史预订数据来估计剩余容量与离港前时间函数形式的边际机会成本代理。我们利用神经网络算法将出价估计投影到未来。我们开展了广泛的仿真研究，将我们的方法性能与利用动态规划（DP）生成的最优出价进行比较。我们还将仿真扩展至在需求设定偏差存在下衡量数据驱动与 DP 生成出价的性能。结果表明，我们的数据驱动方法在广泛设置下接近理论最优（收入差距 <1%），而 DP 随设定偏差幅度增大显著偏离最优。这凸显了我们数据驱动方法的鲁棒性。
引用
@article{arxiv.2304.07391,
title = {Revenue Management without Demand Forecasting: A Data-Driven Approach for Bid Price Generation},
author = {Ezgi C. Eren and Zhaoyang Zhang and Jonas Rauch and Ravi Kumar and Royce Kallesen},
journal= {arXiv preprint arXiv:2304.07391},
year = {2023}
}