🤖 machine learning

Dynamic Pricing and Advertising with Demand Learning

تثبت هذه الورقة أن الإعلانات المرنة يمكن أن تزيد من إيرادات البائع بمقدار ضعفين على الأكثر مقارنة بالتسعير وحده، وتقترح خوارزمية عبر الإنترنت فعالة تحقق معدل ندم أمثل قدره $O(T^{2/3} (m\log T)^{1/3})$ للتعلم المشترك وتحسين استراتيجيات التسعير والإعلان تحت ظروف عدم اليقين في الطلب.

المؤلفون الأصليون: Shipra Agrawal, Yiding Feng, Wei Tang

نُشر 2026-08-18

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Shipra Agrawal, Yiding Feng, Wei Tang

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في السوق الحديثة، يواجه البائع تحدياً مستمراً: كيف يحدد السعر المناسب لمنتج ما عندما لا يعرف تماماً ما الذي يرغب العملاء في دفعه مقابل ذلك. هذا اليقين هو مشكلة أساسية في علم الاقتصاد. فإذا وضع البائع سعراً مرتفعاً للغاية، سينصرف العملاء؛ وإذا وضعه منخفضاً للغاية، فسيضيع عليه ربح محتمل. لعقود من الزمن، درس الباحثون كيف يمكن للبائعين تعلم القيمة الحقيقية لسلعهم من خلال مراقبة كيفية تفاعل الناس مع الأسعار المختلفة بمرور الوقت. تُعرف هذه العملية باسم "تعلم الطلب". ومع ذلك، يمتلك البائعون أداة قوية أخرى غالباً ما يتم تجاهلها في هذه الدراسات، وهي: الإعلان. وبينما تعامل النماذج الاقتصادية التقليدية الإعلان غالباً كوسيلة لمجرد تذكير الناس بوجود المنتج، فإن التجربة الواقعية تظهر أن الإعلان يفعل شيئاً أكثر دقة؛ فهو يشكل كيفية إدراك العملاء لجودة المنتج حتى قبل رؤيته. قد يختار البائع الكشف عن كل تفاصيل الخدمة، أو قد يختار إخفاء جوانب معينة، مما يخلق شعوراً بالغموض أو الثقة. والسؤال هو ما إذا كانت هذه القدرة على التحكم في المعلومات يمكن أن تجعل البائع يجني مالاً أكثر بالفعل، وإذا كان الأمر كذلك، فكيف يمكنه تحديد التوازن المثالي بين ما يقوله وما يتقاضاه دون معرفة تفضيلات عملائه مسبقاً.

لقد تصدى فريق من الباحثين لهذه المشكلة من خلال بناء إطار عمل جديد يجمع بين علم التسعير وفن تصميم المعلومات. لقد تخيلوا سيناريو يقدم فيه البائع منتجاً بجودات متفاوتة، مثل صندوق من المنتجات الزراعية المستردة حيث قد تتغير أنواع الفواكه والخضرووات من أسبوع لآخر، أو خدمة نقل بالسيارات حيث تكون موثوقية السائق غير معروفة حتى يتم إتمام عملية المطابقة. في هذا الإعداد، يعرف البائع الجودة الحقيقية للمنتج في لحظة البيع، لكن العميل لا يعرفها. يمكن للبائع بعد ذلك اختيار إرسال إشارة إلى العميل — وهي في الأساس إعلان — تكشف بعض أو كل أو لا شيء من صفات المنتج الحقيقية. العميل، برؤيته لهذه الإشارة، يشكل اعتقاداً حول المنتج ويقرر ما إذا كان سيشتري بالسعر المعلن. أراد الباحثون معرفة شيئين: أولاً، مقدار الإيرادات الإضافية التي يمكن للبائع توليدها باستخدام استراتيجيات إعلانية مرنة مقارنة بمجرد وضع سعر وإعلان لا شيء؟ ثانياً، إذا كان البائع لا يعرف تفضيلات العملاء في البداية، فكيف يمكنه تعلم أفضل مزيج من السعر واستراتيجية الإعلان من خلال التجربة والخطأ؟

تكشف الدراسة عن حد واضح ومفاجئ لقوة الإعلان. فعندما يُسمح للبائع بتصميم الحملة الإعلانية المثالية وربطها بالسعر الواحد المثالي، يمكنه زيادة إيراداته، ولكن إلى حد معين فقط. لقد أثبت الباحثون رياضياً أنه مهما كانت الاستراتيجية الإعلانية ذكية، فلا يمكنها أبداً أن تضاعف الإيرادات التي يحصل عليها البائع من مجرد نشر أفضل سعر ممكن دون أي إعلان. هذه النتيجة مهمة لأنها تضع توقعات واقعية للشركات؛ فهي تشير إلى أنه بينما يعد الإعلان رافعة قيمة يمكن تحريكها، إلا أنه ليس عصا سحرية يمكنها خلق ثروات لا نهائية. إن قيمة الإعلان محدودة، وبمجرد أن يقوم البائع بتحسين سعره، فإن المكاسب الإضافية من التلاعب بالمعلومات لها سقف. علاوة على ذلك، وجد الباحثون أن هذا الحد يظل قائماً حتى لو سُمح للبائع بتغيير السعر بناءً على المعلومات المحددة التي كشف عنها الإعلان. إن السعر البسيط الواحد الذي لا يتغير بناءً على محتوى الإعلان يكاد يكون فعالاً بقدر نظام معقد من الأسعار المتغيرة، شريطة اختيار الاستراتيجية الإعلانية بعناية.

يتناول الجزء الثاني من البحث الواقع العملي المتمثل في أن البائعين نادراً ما يعرفون تفضيلات عملائهم بشكل مثالي. في العالم الحقيقي، يجب على البائع تعلم منحنى الطلب بينما يحاول في الوقت نفسه تحقيق الربح. طور الباحثون خوارزمية حاسوبية جديدة تسمح للبائع بتعلم السعر الأمثل واستراتيجية الإعلان بمرور الوقت. تعمل هذه الخوارية من خلال مراقبة ما إذا كان العملاء يشترون المنتج أم لا بعد رؤية سعر معين ونوع معين من الإعلانات. ومن خلال تحليل هذه الاستجابات، تبني الخوارزمية تدريجياً صورة لما يقدره العملاء. أظهر الباحثون أن عملية التعلم هذه فعالة للغاية؛ إذ يمكن للخوارزمية العثور على الاستراتيجية المثلى بمستوى من الدقة يتحسن باستمرار مع مرور الوقت، ليصل إلى نقطة يكون فيها الخسارة في الإيرادات المحتملة ضئيلة جداً مقارما يحققه بائع مثالي وعليم بكل شيء. وتظل هذه النتيجة صحيحة حتى دون وضع افتراضات قوية حول مدى سلاسة أو إمكانية التنبؤ بسلوك العملاء. الخوارزمية قوية بما يكفي للتعامل مع المواقف المعقدة حيث لا تكون العلاقة بين جودة المنتج ورغبة العميل مباشرة.

لاختبار أفكارهم، أجرى الباحثون عمليات محاكاة باستخدام أنواع مختلفة من سلوكيات العملاء وجودات المنتجات. في أحد السيناريوهات، نظروا في حالة يكون فيها للعملاء نطاق مستمر من التفضيلات، ووجدوا أن استراتيجية الإفصاح الجزئي المصممة بعناقة يمكن أن تزيد الإيرادات بأكثر من ثلاثين بالمائة مقارنة بمجرد إخفاء جميع المعلومات أو الكشف عنها بالكامل. وفي اختبار آخر، قارنوا خوارزمية التعلم الجديدة الخاصة بهم بطرق أقدم كانت إما تتجاهل الإعلان أو تستخدم استراتيجية إعلانية ثابتة. تفوقت الخوارزمية الجديدة باستمرار على هذه الخطوط المرجعية، خاصة مع زيادة عدد جولات البيع. وأكدت عمليات المحاكاة أن الخوارزمية نجحت في موازنة المقايضة بين استكشاف استراتيجيات جديدة لجمع المعلومات واستغلال الاستراتيجيات المعروفة لجني المال. كما أظهرت أن الخطأ في تحديد تفضيلات العملاء — أي افتراض أنها مختلفة عما هي عليه في الواقع — يمكن أن يؤدي إلى خسائر كبيرة في الإيرادات، مما يعزز الحاجة إلى التعلم التكيفي.

تمتد آثار هذا العمل إلى ما وراء الاقتصاد النظري؛ فهو يوفر خارطة طريق للشركات العاملة في الأسواق ذات المنتجات الغامضة أو الجودة غير المؤكدة، مثل الأسواق عبر الإنترنت، أو صناديق الاشتراك، أو الخدمات عند الطلب. تشير الأبحاث إلى أن النهج الأكثر فعالية ليس الاعتماد على استراتيجية ثابتة واحدة، بل استخدام البيانات لتحسين كل من السعر والمعلومات المشاركة مع العملاء باستمرار. وبينما تؤكد الدراسة أن الإعلان يمكن أن يعزز الإيرادات بشكل كبير، فإنها تقدم أيضاً ملاحظة تحذيرية: الفوائد محدودة، ويجب تفصيل الاستراتيجية لتناسب توزيع أنواع العملاء بدقة. فالاستراتيجية التي قد تنجح في سوق للمشترين رفيعي المستوى قد تفشل تماماً في سوق للمتسوقين ذوي الميزانية المحدودة. ومن خلال فهم الحدود الدقيقة للإعلان واستخدام أدوات تعلم فعالة، يمكن للبائعين التنقل عبر حالات عدم اليقين هذه بثقة أكبر، مما يضمن استخراج أقصى قيمة ممكنة من كل معاملة دون المبالغة في تقدير قوة رسائلهم التسويقية.

ملخص تقني: التسعير الديناميكي والإعلان مع تعلم الطلب

صياغة المشكلة

يتناول هذا العمل التحسين المشترك لاستراتيجيات التسعير والإعلان لِبائع يحتكر السوق ويواجه عدم يقين في الطلب. يتضمن الإطار بائعاً يقدم منتجاً بجودة متغيرة $\omega \in \Omega$ لسوق من العملاء غير المتجانسين ذوي الأنواع الخاصة $\theta \sim F$ .

عدم تماثل المعلومات والإعلان:
يراقب البائع جودة المنتج المحققة $\omega$ ، بينما لا يراها العملاء. يمكن للبائع التأثير على معتقدات العملاء من خلال تصميم استراتيجية إعلان، تُنمذج كسياسة معلومات (أو مخطط إشارات) $\phi$ . تحدد هذه السياسة توزيعاً على الإشارات $\sigma$ المرسلة إلى العملاء بناءً على الجودة المحققة $\omega$ . عند ملاحظة الإشارة، يشكل العملاء معتقداً بايزياً (Bayesian posterior belief) $\mu$ حول الجودة ويقررون الشراء إذا كان توقع المنفعة لديهم غير سالب.

التقييم والقرار:
لدى العميل دالة تقييم $v(\theta, \omega)$ . تفترض الورقة أن $v(\theta, \omega)$ خطية في الجودة $\omega$ وتتزايد وتكون "ليبتشيتز" (Lipschitz) في النوع $\theta$ . العميل من النوع $\theta$ الذي يشتري بسعر $p$ بعد ملاحظة الإشارة (التي تستحث متوسط جودة لاحق $q = E[\omega|\sigma]$ ) يشتري إذا كان $v(\theta, q) \geq p$ .

الأهداف:
تستقصي الورقة سؤالين رئيسيين:

القيمة الاستاتيكية (الثابتة): ما هي قيمة الإعلان مقارنة بالتسعير وحده؟ وكم من الإيرادات يُفقد بسبب تقييد البائع بسعر واحد مستقل عن الجودة؟
التعلم الديناميكي: كيف يمكن للبائع، الذي لا يعرف توزيع نوع العميل $F$ مسبقاً، أن يتعلم ويكيف استراتيجيات التسعير والإعلان بشكل تكيفي لتعظيم الإيرادات التراكمية عبر أفق زمني $T$ ؟

تُصاغ المشكلة الديناميكية كمسألة تعلم عبر الإنترنت (online learning) حيث يسعى البائع لتقليل "الندم" (regret)، المعرف بأنه الفرق بين إجمالي الإيرادات المتوقعة للسياسة الاستاتيكية المثلى (التي تعرف $F$ ) وبين الإيرادات التي تحققها خوارزمية التعلم.

المنهجية

التحليل الاستاتيكي

يحدد المؤلفون قيمة الإعلان من خلال مقارنة ثلاثة معايير مرجعية:

$OPT_{PO}$ : الإيرادات المثلى مع سعر واحد مستقل عن الجودة وبدون إعلان (لا يتم الكشف عن أي معلومات).
$OPT$ : الإيرادات المثلى مع سعر واحد مستقل عن الجودة واستراتيجية إعلان مصممة بشكل أمثل.
$OPT_{SC}$ : الإيرادات المثلى مع استراتيجية إعلان وقائمة أسعار يمكن أن تتغير وفقاً للإشارة المستلمة (تسعير مشروط بالإشارة).

تعتمد التحليلات على خطية دالة التقييم في الجودة. تعني هذه الخاصية أن قرار الشراء لدى العميل يعتمد على إشارة الإعلان فقط من خلال متوسط الجودة اللاحق $q$ . وبناءً على ذلك، يمكن إعادة صياغة استراتيجية الإعلان للبائع كاختيار لتوزيع على متوسطات الجودة اللاحقة $\rho$ مع مراعاة قيود الاتساق البايزي (أي أن التوزيع يجب أن يكون انكماشاً حافظاً للمتوسط - mean-preserving contraction - للارتباط السابق).

خوارزمية التعلم الديناميكي

لمعالجة توزيع الطلب $F$ المجهول، يقترح المؤلفون خوارزمية تعلم عبر الإنترنت قائمة على النموذج (الخوارزمية 1).

التحديات والحلول الرئيسية:

فضاء القرار عالي الأبعاد: فضاء استراتيجيات الإعلان الممكنة (التوزيعات على متوسطات الجودة اللاحقة) هو فضاء لانهائي الأبعاد.
- الحل: تقوم الخوارزمية باختزال المشكلة إلى تعلم دالة الطلب $D(\theta) = 1 - F(\theta)$ عبر فضاء أنواع مجزأ (discretized).
قابلية التجزئة (Discretization): التجزئة الموحدة القياسية لفضاء الأنواع قد تجعل قيود الاتساق البايزي غير قابلة للتحقيق (أي لا توجد استراتيجية إعلان صالحة للمربعات المحددة).
- الحل: يقدم المؤلفون مخطط تجزئة جديد يعتمد على الجودة والسعر. يتم بناء فضاء الأنواع المجزأ $S$ ليس فقط كشبكة موحدة، بل عبر تضمين جميع الأنواع الحرجة $\kappa(p, \omega)$ الناتجة عن شبكة الأسعار المجزأة $P$ وفضاء الجودة المنفصل $\Omega$ . يضمن ذلك أنه لأي سعر في $P$ ، توجد استراتيجية إعلان صالحة تقع أنواعها الحرجة ضمن $S$ .
الافتقار إلى النعومة (Smoothness): دالة الطلب $D(\cdot)$ $D (\cdot)$ لا يُفترض أنها "ليبتشيتز" أو ناعمة.
- الحل: تستخدم الخوارزمية نهج "الحد الأعلى للثقة" (Upper Confidence Bound - UCB) على فضاء الأنواع المجزأ. تقوم ببناء تقدير للطلب $D^{UCB}_t(x)$ يكون ثابتاً في قطع مستمرة، ثم تحل مسألة تحسين (مشابهة للمسألة الاستاتيكية ولكن باستخدام تقدير الطلب) لاختيار السعر واستراتيجية الإعلان في كل جولة.

آلية عمل الخوارزمية:

مرحلة الاستكشاف: تستكشف الخوارما في البداية فضاء الأنواع المجزأ لجمع البيانات.
مرحلة التحسين: في كل جولة، تحسب $D^{UCB}_t(x)$ لجميع قيم $x \in S$ . ثم تحل برنامجاً محدباً لإيجاد السعر $p \in P$ وتوزيع الإعلان $\rho$ (المدعوم على $Q_p = \{q : \kappa(p, q) \in S\}$ ) الذي يعظم الإيرادات المقدرة باستخدام طلب الـ UCB.
التقريب (Rounding): مكون تقني حاسم هو إجراء التقريب الذي يربط أي استراتيجية مستمرة مثلى باستراتيجية صالحة على الشبكة المجزأة مع خسارة إيرادات محدودة ( $2\epsilon$ ).

المساهمات والنتائج الرئيسية

1. قيمة الإعلان (استاتيكياً)

تقدم الورقة توصيفاً كمياً دقيقاً لقيمة الإعلان:

حد الإيرادات: تحت الافتراضات القياسية، تكون الإيرادات المثلى مع الإعلان والتسعير المشترك ( $OPT$ ) لا تزيد عن ضعف الإيرادات من التسعير وحده بدون إعلان ( $OPT_{PO}$ ).
$OPT_{PO} \leq OPT \leq OPT_{SC} \leq 2 \cdot OPT_{PO}$
الدقة (Tightness): عامل الـ 2 دقيق لجميع المقارنات الثلاث ( $OPT/OPT_{PO}$ ، $OPT_{SC}/OPT_{PO}$ ، و $OPT_{SC}/OPT$ ).
الاستنتاج: يمكن للإعلان أن يضاعف الإيرادات تقريباً، لكنه لا يمكن أن يحسن الإيرادات بأكثر من عامل اثنين بمجرد تحسين السعر. علاوة على ذلك، فإن السعر الواحد المستقل عن الجودة يعد تقريباً قوياً، حيث يحقق على الأقل نصف الإيرادات من معيار التسعير المرتبط بالإشارة الأكثر مرونة.

2. الندم في التعلم الديناميكي

المساهمة الخوارزمية الرئيسية هي خوارزمية فعالة حاسوبياً للتعلم عبر الإنترنت في الإطار الديناميكي:

حد الندم: تحقق الخوارزمية ندماً قدره $O(T^{2/3}(m \log T)^{1/3})$ ، حيث $T$ هو الأفق الزمني و $m$ هو عدد عناصر فضاء الجودة المنفصل.
المثالية: يطابق هذا المعدل الحد الأدنى المعروف $\Omega(T^{2/3})$ للتسعير الديناميكي بدون إعلان (حالة $m=1$ )، مع مراعاة العوامل اللوغاريتمية. وهذا يشير إلى أن تعلم سياسة الإعلان المثلى لا يضيف تكلفة تقاربية إضافية مقارنة بتعلم الطلب للتسعير وحده، بشرما كان فضاء الجودة صغيراً.
الافتراضات: تسري هذه النتيجة دون افتراضات النعومة أو "ليبتشيتز" على دالة الطلب، بالاعتماد فقط على خطية التقييم في الجودة وشروط انتظام طفيفة لدالة التقييم.

3. الحالات الخاصة والتوسعات

التقييمات الجمعية (Additive Valuations): بالنسبة للحالة المدروسة على نطاق واسع للتقييمات الجمعية ( $v(\theta, \omega) = \theta + \omega$ )، يستنتج المؤلفون حدود ندم محسنة. إذا كان فضاء الجودة متباعداً بالتساوي، يتحسن الندم إلى $O(T^{2/3}(\log T)^{1/3} + \sqrt{mT \log T})$ .
فضاءات الجودة الكبيرة/المستمرة: بالنسبة للتقييمات الجمعية مع فضاءات جودة كبيرة أو مستمرة، يسمح اختزال قائم على التجميع (pooling-based reduction) بتحقيق ندم قدره $\tilde{O}(T^{3/4})$ مستقل عن حجم فضاء الجودة.

الأهمية والادعاءات

تدعي الورقة أنها الأولى التي تدمج الإقناع البايزي (تصميم المعلومات) مع التسعير الديناميكي وتعلم الطلب.

التبرير النظري: توفر تبريراً نظرياً صارماً للممارسة الشائعة لاستخدام سعر واحد معلن. حتى عند استخدام الإعلان لتشكيل المعتقدات، يظل السعر الواحد ضمن عامل اثنين من استراتيجية التسعير المرتبطة بالإشارة الأكثر مرونة.
الأهمية العملية: تعالج الورقة التحدي العملي المتمثل في افتقار البائعين للمعرفة المسبقة بتفضيلات العملاء. وتثبت أنه يمكن للبائعين تعلم تحسين الإفصاح عن المعلومات (الإعلان) والتسعير معاً لتعظيم الإيرادات، حتى دون معرفة منحنى الطلب.
الابتكار الخوارزمي: تتغلب تقنيات التجزئة والتقريب المقترحة على الطبيعة عالية الأبعاد وغير الناعمة لمشكلة تصميم الإعلان، مما يوفر حلاً قابلاً للتطبيق حاسوبياً يحقق معدلات ندم مثالية.

يشير المؤلفون إلى أنه بينما يمتد حد الإيرات (عامل الـ 2) إلى التقييمات غير الخطية في الجودة، فإن نتائج تعلم الطلب تعتمد بشكل حاسم على فرضية الخطية لتقليص فضاء الحالة إلى متوسطات الجودة اللاحقة. وقد حددوا توسيع تقنيات التعلم هذه لتشمل التقييمات غير الخطية كاتجاه للعمل المستقبلي.