Dynamic Wholesale Pricing under Censored-Demand Learning

إليك ملخص تقني مفصل لورقة البحث بعنوان "التسعير بالجملة الديناميكي في ظل تعلم الطلب المبتور" (Dynamic Wholesale Pricing under Censored-Demand Learning) من إعداد ديليجيانيس، وسكارسيني، وفينيل.

1. صياغة المشكلة

تتقصى الورقة بحثاً في لعبة ستيكلبرج (Stackelberg game) ديناميكية ذات أفق زمني محدد بين المصنع (القائد) وتجّار التجزئة (التابع) الذين يعملون في ظل ظروف الطلب المبتور (Censored Demand).

• الإطار العام: يشارك الطرفان في عقد تسعير بالجملة على مدى $T$ من الفترات. في كل فترة، يحدد المصنع سعر الجملة $w_t$، ويختار تاجر التجزئة كمية الطلب $q_t$.
• البتور (Censoring): الطلب الحقيقي $D_t$ غير مرصود. يتم فقط رصد المبيعات $S_t = \min(q_t, D_t)$. إذا حدث نقص في المخزون ($D_t > q_t$)، فإن الطلب غير الملبي يُفقد ولا يتم رصده. وهذا يخلق مجموعة بيانات "مبتورة" حيث لا يمكن استنتاج توزيع الطلب الحقيقي مباشرة دون مراعية كمية الطلب.
• التعلم: يتشارك كلا الطرفين نفس بيانات المبيعات (معلومات عامة). ويقوم الطرفان بتحديث اعتقاد بايزي لاحق (Bayesian posterior belief) مشترك حول معلمة الطلب $\Theta$.
• هيكل الطلب: يتبع الطلب عائلة توزيع "نيو فندور" (Newsvendor distribution family) (برادين وفريمر، 1991)، والمعرفة بدالة البقاء $1 - e^{-\theta \ell(y)}$. التوزيع القبلي لـ $\Theta$ هو توزيع "غاما" مترافق بمعلمات فائقة $(a, b)$ (الشكل والمعدل).
• الهدف: توصيف توازن ماركوف الكامل (Markov Perfect Equilibrium - MPE) حيث تعتمد الاستراتيجيات فقط على حالة الاعتقاد العام الحالية (المعلمات الفائقة) والزمن، بدلاً من الاعتماد على التاريخ الكامل للعب.

2. المنهجية

يستخدم المؤلفون تقنيات البرمجة الديناميكية (DP) وتعلم بايز (Bayesian Learning) ضمن إطار نظري للألعاب.

• متغير الحالة: تُعرف حالة اللعبة من خلال المعلمات الفائقة $(a_t, b_t)$ للتوزيع اللاحق.
  • تزداد $a_t$ (الشكل) بمقدار 1 فقط عندما يتم رصد ملاحظة طلب غير مبتور ($S_t < q_t$).
  • تزداد $b_t$ (المعدل) بمقدار $\ell(S_t)$ في كل فترة.
• مفهوم الحل: يسعى المؤلفون لإيجج MPE، والذي يتم تعريفه من خلال دوال القيمة للمصنع ($V^M$) ولتاجر التجزئة ($V^R$) التي تحقق معادلات "بلمان" (Bellman equations) باستخدام الاستقراء الخلفي.
• تقليل الأبعاد: أحد التحديات المنهجية الجوهرية هو أن فضاء الحالة $(a_t, b_t)$ ثنائي الأبعاد ويتزايد تعقيداً. يوسع المؤلفون نهج القياس (scaling approach) (الذي وضعه لاري فيير وبورتيوس، 1999، للمشكلات أحادية الوكيل) ليشمل هذا الإطار الاستراتيجي.
  • يقومون ببناء حل ماركوف كامل معياري (SMPS) حيث يتم توحيد معامل المعدل $b$ ليكون 1.
  • يثبتون أن توازن اللعبة الأصلية يمكن استرداده من الحل المعياري عبر تحويل قياس يتضمن $b^{1/k}$ (حيث $k$ هو معلمة شكل "ويبُل").
• حالات محددة:
  • طلب "ويبُل" (Weibull Demand): $\ell(y) = y^k$. تثبت الورقة وجود MPE باستخدام تقنية تقليل الأبعاد.
  • الطلب الأسي (Exponential Demand): $\ell(y) = y$ (وهي حالة خاصة من "ويبُل" حيث $k=1$). تثبت الورقة تفرد الحل وتقدم توصيفاً تكرارياً ذا صيغة مغلقة.

3. المساهمات الرئيسية

1. التعلم الاستراتيجي مع البيانات المبتورة: تجسر الورقة الفجوة بين عقود سلاسل التوريد وتعلم الطلب المبتور. بخلاف الأدبيات السابقة حيث يكون التعلم غالباً خارجياً أو أحادي الوكيل، يتميز هذا النموذج بـ تفاعل استراتيجي حيث يؤثر قرار تاجر التجزئة في الطلب (الذي يسبب البتور) مباشرة على المعلومات المتاحة لكلا الطرفين.
2. وجود MPE في الأطر الاستراتيجية: يثبت المؤلفون وجود MPE لطلب "ويبُل" في سلسلة توريد ذات مستويين. يعد هذا أول تطبيق لتقنية تقليل الأبعاد لإثبات وجود التوازن في سياق "نيو فندور" استراتيجي (متعدد الوكلاء).
3. التفرد والقابلية للحساب للطلب الأسي: بالنسبة للطلب الأسي، يثبت المؤلفون أن MPE فريد. علاوة على ذلك، يظهرون أن التوازن يمكن حسابه عبر تكرار خلفي بسيط دون الحاجة لحل مشكلات تحسين معقدة في كل خطوة، مما يقلل التعقيد الحسابي بشكل كبير.
4. رؤى هيكلية حول التسعير: من النتائج غير المتوقعة هي أنه في التوازن، يعتمد سعر الجملة للمصنع فقط على معلمة الشكل $a$ (عدد الملاحظات غير المبتورة) والزمن، ولكنه لا يتأثر بمعلمة المعدل $b$ (التي تقيس حجم الطلب).

4. النتائج الرئيسية

أ. تقليل الأبعاد والوجود (طلب ويبُل)

• مبرهنة 4.2: تؤكد أنه إذا وجد حل للمشكلة المعيارية (حيث $b=1$)، فإن MPE موجود للمشكلة الأصلية.
• علاقة القياس: سعر الجملة التوازني $w^*_t(a, b)$ في اللعبة الأصلية مطابق لسعر التوازن المعياري $w^*_t(a)$. أما كمية الطلب فتتدرج كالتالي: $q^*_t(a, b) = b^{1/k} \tilde{q}^*_t(a)$.
• الاستنتاج: لا يحتاج المصنع لتعديل أسعاره بناءً على حجم الطلب ($b$)، بل بناءً على دقة الاعتقاد فيما يخص شكل الطلب ($a$). ومع ذلك، فإن كمية طلب تاجر التجزئة وأرباح كلا الطرفين تتدرج مع حجم الطلب.

ب. توصيف MPE (الطلب الأسي)

• مبرهنة 5.1: بالنسبة للطلب الأسي ($k=1$)، يكون MPE فريداً.
• الصيغ التكرارية: تُعطى استراتيجيات التوازن من خلال صيغ صريحة:
  • طلب تاجر التجزئة: $\tilde{q}^*_t(a, w) = \max\left( \left( \frac{p + \Delta V^R}{w} \right)^{1/a} - 1, 0 \right)$، حيث تمثل $\Delta V^R$ قيمة التعلم المستقبلي.
  • سعر المصنع: يتم تحديده بواسطة شرط الدرجة الأولى الذي يوازن بين الهامش الفوري وقيمة توليد المعلومات.
• الكفاءة الحسابية: يتطلب الحل تكراراً خلفياً على الحالة القياسية $a$ فقط، مما يتجنب لعنة الأبعاد المرتبطة بالمعلمة المستمرة $b$.

5. الأهمية والآثار المترتبة

• رؤية تشغيلية: تشير النتائج إلى أنه في الأسواق المتقلبة ذات البيانات المبتورة، يمكن للمصنعين تبسيط سياسات التسعير الخاصة بهم. فهم ليسوا بحاجة لتعديل الأسعار باستمرار بناءً على حجم المبيعات المطلق (المقياس)، بل يجب التركيز على تكرار نقص المخزون (الذي يحدث معلمة الشكل $a$).
• مشاركة البيانات: يدعم النموذج قيمة المنصات مثل "Walmart's Luminate"، حيث تسمح البيانات المشتركة لنقاط البيع لكلا الطرفين بالتعلم من نفس الملاحظات المبتورة، مما يؤدي إلى حالة اعتقاد مشتركة.
• التقدم النظري: من خلال توسيع تقنية القياس لـ (Lariviere and Porteus, 1999) لتشمل لعبة ستيكلبرج ديناميكية، توفر الورقة إطاراً قابلاً للحل لتحليل العقود الديناميكية تحت عدم اليقين، وهو ما كان يعتبر سابقاً غير قابل للحل تحليلياً بسبب عدم التوافق (non-conjugacy) للبيانات المبتورة في التوزيعات القياسية.
• الاتجاهات المستقبلية: تفتح الورقة آفاقاً لدراسة المعلومات غير المتماثلة (حيث يرى أحد الأطراف بيانات أكثر)، وأشكال العقود البديلة (مشاركة الإيرادات)، وديناميكيات الأفق الزمني اللانهائي.

باختصار، توفر هذه الورقة أساساً نظرياً للعبة صارمة للتسعير الديناميكي في سلاسل التوريد حيث يكون الطلب مجهولاً والبيانات مبتورة، مقدمةً براهين الوجود وخوارزميات فعالة حسابياً لاستراتيجيات التوازن.