🤖 machine learning

Dynamic Pricing and Advertising with Demand Learning

Diese Arbeit stellt fest, dass flexible Werbung den Umsatz eines Verkäufers im Vergleich zu reiner Preisgestaltung um höchstens den Faktor zwei steigern kann, und schlägt einen effizienten Online-Algorithmus vor, der eine optimale $O(T^{2/3} (m\log T)^{1/3})$ Regret-Rate für das gleichzeitige Erlernen und Optimieren von Preisgestaltungs- und Werbestrategien unter Nachfrageunsicherheit erzielt.

Ursprüngliche Autoren: Shipra Agrawal, Yiding Feng, Wei Tang

Veröffentlicht 2026-08-18

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Shipra Agrawal, Yiding Feng, Wei Tang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Im modernen Marktplatz steht ein Verkäufer vor einer ständigen Herausforderung: Wie legt man den richtigen Preis für ein Produkt fest, wenn man nicht genau weiß, was die Kunden bereit sind zu zahlen? Diese Unsicherheit ist ein grundlegendes Problem der Wirtschaftswissenschaft. Wenn ein Verkäufer den Preis zu hoch ansetzt, gehen die Kunden weg; setzt er ihn zu niedrig an, lässt er Geld auf dem Tisch liegen. Jahrzehntelang haben Forscher untersucht, wie Verkäufer den wahren Wert ihrer Waren ermitteln können, indem sie beobachten, wie Menschen auf unterschiedliche Preise reagieren. Dieser Prozess wird als Nachfrage-Lernen (Demand Learning) bezeichnet. Verkäufer verfügen jedoch über ein weiteres mächtiges Werkzeug, das in diesen Studien oft übersehen wird: Werbung. Während traditionelle Wirtschaftsmodelle Werbung oft nur als eine Möglichkeit behandeln, die Menschen daran zu erinnern, dass ein Produkt existiert, zeigt die praktische Erfahrung, dass Werbung etwas Subtileres bewirkt. Sie prägt, wie Kunden die Qualität eines Produkts wahrnehmen, noch bevor sie es überhaupt sehen. Ein Verkäufer kann sich entscheiden, jedes Detail einer Dienstleistung offenzulegen, oder er kann bestimmte Aspekte verbergen und so ein Gefühl von Mysterium oder Vertrauen erzeugen. Die Frage ist, ob diese Fähigkeit, Informationen zu kontrollieren, einem Verkäufer tatsächlich mehr Geld einbringen kann, und wenn ja, wie er das perfekte Gleichgewicht zwischen dem, was er sagt, und dem, was er verlangt, finden kann, ohne die Präferenzen seiner Kunden im Voraus zu kennen.

Ein Forschungsteam hat dieses Problem angegangen, indem es einen neuen Rahmen entwickelt hat, der die Wissenschaft der Preisgestaltung mit der Kunst des Informationsdesigns kombiainiert. Die Forscher stellten sich ein Szenario vor, in dem ein Verkäufer ein Produkt mit variierender Qualität anbietet, wie etwa eine Box mit geretteten Lebensmitteln, bei der sich das Obst und Gemüse von Woche zu Woche ändern kann, oder einen Fahrdienst, bei dem die Zuverlässigkeit des Fahrers unbekannt ist, bis die Vermittlung erfolgt ist. In diesem Szenario kennt der Verkäufer die wahre Qualität des Produkts zum Zeitpunkt des Verkaufs, der Kunde hingegen nicht. Der Verkäufer kann dann entscheiden, ein Signal an den Kunden zu senden – im Wesentlichen eine Werbung –, das einige, alle oder keine der wahren Qualitäten des Produkts offenlegt. Der Kunde bildet nach dem Erhalt dieses Signals eine Vorstellung über das Produkt und entscheidet, ob er es zum angegebenen Preis kauft. Die Forscher wollten zwei Dinge wissen: Erstens, wie viel zusätzlichen Umsatz kann ein Verkäufer generieren, indem er flexible Werbestrategien einsetzt, im Vergleich dazu, wenn er einfach nur einen Preis festlegt und nichts sagt? Zweitens, wenn der Verkäufer die Präferenzen seiner Kunden zu Beginn nicht kennt, wie kann er durch Versuch und Irrtum das beste Verhältnis zwischen Preis und Werbestrategie erlernen?

Die Studie zeigt eine klare und überraschende Grenze für die Macht der Werbung auf. Wenn der Verkäufer in der Lage ist, die perfekte Werbekampagne zu entwerfen und sie mit dem perfekten Einzelpreis zu kombinieren, kann er seinen Umsatz steigern, aber nur bis zu einem gewissen Punkt. Die Forscher haben mathematisch bewiesen, dass eine noch so kluge Werbestrategie den Umsatz, den ein Verkäufer durch das bloße Angeben des bestmöglichen Preises ohne jegliche Werbung erzielen würde, niemals mehr als verdoppeln kann. Dieser Befund ist bedeutend, da er eine realistische Erwartung an Unternehmen stellt. Er legt nahe, dass Werbung zwar ein wertvoller Hebel ist, aber kein Zauberstab, der unendlichen Reichtum schaffen kann. Der Wert der Werbung ist begrenzt, und sobald ein Verkäufer seinen Preis optimiert hat, hat der zusätzliche Gewinn durch die Manipulation von Informationen eine Obergrente. Darüber hinaus fanden die Forscher heraus, dass diese Grenze auch dann gilt, wenn der Verkäufer in der Lage wäre, den Preis basierend auf den spezifischen Informationen der Anzeige zu ändern. Ein einfacher, einheitlicher Preis, der sich nicht je nach Inhalt der Anzeige ändert, ist fast so effektiv wie ein komplexes System variabler Preisgestaltung, sofern die Werbestrategie sorgfältig gewählt wurde.

Der zweite Teil der Forschung befasst sich mit der praktischen Realität, dass Verkäufer die Präferenzen ihrer Kunden selten perfekt kennen. In der realen Welt muss ein Verkäufer die Nachfragekurve lernen, während er gleichzeitig versucht, Geld zu verdienen. Die Forscher entwickelten einen neuen Computer-Algorithmus, der es einem Verkäufer ermöglicht, den optimalen Preis und die optimale Werbestrategie im Laufe der Zeit zu erlernen. Dieser Algorithmus arbeitet, indem er beobachtet, ob Kunden das Produkt kaufen oder nicht, nachdem sie einen spezifischen Preis und eine spezifische Art von Werbung gesehen haben. Durch die Analyse dieser Reaktionen baut der Algorithmus schrittweise ein Bild davon auf, was die Kunden wertschätzen. Die Forscher zeigten, dass dieser Lernprozess hocheffizient ist. Der Algorithmus kann die beste Strategie mit einer Genauigkeit finden, die sich mit der Zeit stetig verbessert, bis der Verlust an potenziellem Umsatz im Vergleich zu einem perfekten, allwissenden Verkäufer sehr gering ist. Dieses Ergebnis gilt auch ohne starke Annahmen darüber, wie glatt oder vorhersehbar das Kundenverhalten ist. Der Algorithmus ist robust genug, um komplexe Situationen zu handhaben, in denen die Beziehung zwischen Produktqualität und Kundenwunsch nicht geradlinig ist.

Um ihre Ideen zu testen, führten die Forscher Simulationen mit verschiedenen Arten von Kundenverhalten und Produktqualitäten durch. In einem Szenario untersuchten sie eine Situation, in der Kunden über ein kontinuierliches Spektrum an Präferenzen verfügen, und fanden heraus, dass eine sorgfältig gestaltete Strategie der teilweisen Offenlegung den Umsatz im Vergleich zum vollständigen Verbergen oder vollständigen Offenlegen aller Informationen um mehr als dreißig Prozent steigern konnte. In einem anderen Test verglichen sie ihren neuen Lernalgorithmus mit älteren Methoden, die entweder Werbung ignorierten oder eine feste Werbestrategie verwendeten. Der neue Algorithmus schnitt konsequent besser ab als diese Baselines, insbesondere mit zunehmender Anzahl der Verkaufsrunden. Die Simulationen bestätigten, dass der Algorithmus erfolgreich lernt, das Gleichgewicht zwischen dem Erkunden neuer Strategien zur Informationsgewinnung und dem Ausnutzen bekannter Strategien zur Gewinnmaximierung zu finden. Es zeigte sich auch, dass eine falsche Annahme über die Kundenpräferenzen – also die Annahme, sie seien anders, als sie tatsächlich sind – zu erheblichen Umsatzverlusten führen kann, was die Notwendigkeit eines adaptiven Lernens unterstreicht.

Die Implikationen dieser Arbeit reichen über die theoretische Ökonomie hinaus. Sie bietet einen Fahrplan für Unternehmen, die in Märkten mit intransparenten Produkten operieren, wie Online-Marktplätze, Abonnement-Boxen oder On-Demand-Dienste. Die Forschung legt nahe, dass der effektivste Ansatz nicht darin besteht, sich auf eine einzige statische Strategie zu verlassen, sondern Daten zu nutzen, um sowohl den Preis als auch die geteilten Informationen kontinuierlich zu verfeinern. Während die Studie bestätigt, dass Werbung den Umsatz signifikant steigern kann, liefert sie auch eine Warnung: Die Vorteile sind endlich, und die Strategie muss auf die spezifische Verteilung der Kundentypen zugeschnitten sein. Eine Strategie, die für einen Markt von High-End-Käufern funktioniert, könnte für einen Markt von preisbewussten Käufern völlig versagen. Indem Verkäufer die präzisen Grenzen der Werbung verstehen und effiziente Lernwerkzeuge nutzen, können sie diese Unsicherheiten mit größerer Zuversicht navigieren und sicherstellen, dass sie den maximalen Wert aus jeder Transaktion ziehen, ohne die Macht ihrer Marketingbotschaften zu überschätzen.

Technisches Resümee: Dynamische Preisgestaltung und Werbung mit Nachfrage-Lernen

Problemformulierung

Diese Arbeit befasst sich mit der gemeinsamen Optimierung von Preisgestaltungs- und Werbestrategien für einen monopolistischen Verkäufer, der mit Unsicherheit bezüglich der Nachfrage konfrontiert ist. Das Szenario umfasst einen Verkäufer, der ein Produkt mit variierender Qualität $\omega \in \Omega$ an einen Markt mit heterogenen Kunden mit privaten Typen $\theta \sim F$ anbietet.

Informationsasymmetrie und Werbung:
Der Verkäufer beobachtet die realisierte Produktqualität $\omega$ , die Kunden hingegen nicht. Der Verkäufer kann die Erwartungen der Kunden beeinflussen, indem er eine Werbestrategie entwirft, die als Informationspolitik (oder Signalisierungsschema) $\phi$ modelliert wird. Diese Politik schreibt eine Verteilung über Signale $\sigma$ vor, die abhängig von der realisierten Qualität $\omega$ an die Kunden gesendet werden. Nach Beobachtung eines Signals bilden die Kunden eine bayessche Posterior-Überzeugung $\mu$ über die Qualität und entscheiden über den Kauf, falls ihr erwarteter Nutzen nicht negativ ist.

Bewertung und Entscheidung:
Kunden haben eine Bewertungsfunktion $v(\theta, \omega)$ . Das Paper geht davon aus, dass $v(\theta, \omega)$ linear in der Qualität $\omega$ und steigend sowie Lipschitz-stetig in Bezug auf den Typ $\theta$ ist. Ein Kunde des Typs $\theta$ kauft zum Preis $p$ nach Beobachtung des Signals $\sigma$ (welches den Posterior-Mittelwert $q = E[\omega|\sigma]$ induziert), wenn $v(\theta, q) \geq p$ gilt.

Zielsetzungen:
Das Paper untersucht zwei primäre Fragen:

Statischer Wert: Welchen Wert hat Werbung im Vergleich zur reinen Preisgestaltung hinsichtlich des Umsatzes? Wie viel Umsatz geht verloren, wenn der Verkäufer auf einen einzigen, qualitätsunabhängigen Preis beschränkt ist?
Dynamisches Lernen: Wie kann ein Verkäufer, der die Verteilung der Kundentypen $F$ nicht im Voraus kennt, sowohl Preisgestaltungs- als auch Werbestrategien adaptiv lernen und optimieren, um den kumulativen Umsatz über einen Zeithorizont $T$ zu maximieren?

Das dynamische Problem wird als Online-Learning-Aufgabe formuliert, bei der der Verkäufer den Regret (Reue) minimiert, definiert als die Differenz zwischen dem Gesamterwartungsumsatz der optimalen statischen Politik (unter Kenntnis von $F$ ) und dem durch den Lernalgorithmus erzielten Umsatz.

Methodik

Statische Analyse

Die Autoren charakterisieren den Wert von Werbung durch den Vergleich von drei Benchmarks:

$OPT_{PO}$ : Optimaler Umsatz mit einem einzigen, qualitätsunabhängigen Preis und ohne Werbung (keine Informationspreisgabe).
$OPT$: Optimaler Umsatz mit einem einzigen, qualitätsunabhängigen Preis und einer optimal gestalteten Werbestrategie.
$OPT_{SC}$ : Optimaler Umsatz mit einer Werbestrategie und einer Preisstruktur, die je nach realisiertem Signal variieren kann (signalabhängige Preisgestaltung).

Die Analyse nutzt die Linearität der Bewertungsfunktion in Bezug auf die Qualität. Diese Eigenschaft impliziert, dass die Kaufentscheidung des Kunden nur über den Posterior-Mittelwert der Qualität $q = E[\omega|\sigma]$ vom Werbesignal abhängt. Folglich kann die Werbestrategie des Verkäufers als Wahl einer Verteilung über Posterior-Mittelwerte $\rho$ unter Einhaltung von Bayes-Konsistenzbeschränkungen (d. h. die Verteilung muss eine mittelwahrende Kontraktion der Prior-Verteilung sein) umformuliert werden.

Dynamischer Lernalgorithmus

Um die unbekannte Nachfrageverteilung $F$ zu adressieren, schlagen die Autoren einen modellbasierten Online-Lernalgorithmus (Algorithmus 1) vor.

Zentrale Herausforderungen und Lösungen:

Hochdimensionaler Entscheidungsraum: Der Raum der zulässigen Werbestrategien (Verteilungen über Posterior-Mittelwerte) ist unendlichdimensional.
- Lösung: Der Algorithmus reduziert das Problem auf das Lernen der Nachfragefunktion $D(\theta) = 1 - F(\theta)$ über einen diskretisierten Typenraum.
Durchführbarkeit der Diskretisierung: Eine standardmäßige uniforme Diskretisierung des Typenraums könnte die Bayes-Konsistenzbeschränkungen unzulässig machen (d. h. es existiert keine gültige Werbestrategie für das eingeschränkte Gitter).
- Lösung: Die Autoren führen ein neuartiges qualitäts- und preisabhängiges Diskretisierungsschema ein. Der diskretisierte Typenraum $S$ wird nicht nur als uniformes Gitter konstruiert, sondern enthält alle kritischen Typen $\kappa(p, \omega)$ , die durch das diskretisierte Preisgitter $P$ und den diskreten Qualitätsraum $\Omega$ generiert werden. Dies stellt sicher, dass für jeden Preis in $P$ eine zulässige Werbestrategie existiert, deren induzierte kritische Typen innerhalb von $S$ liegen.
Mangelnde Glattheit: Die Nachfragefunktion $D(\cdot)$ $D (\cdot)$ wird nicht als Lipschitz-stetig oder glatt vorausgesetzt.
- Lösung: Der Algorithmus verwendet einen Upper Confidence Bound (UCB)-Ansatz auf dem diskretisierten Typenraum. Er konstruiert eine stückweise konstante UCB-Schätzung der Nachfragefunktion und löst ein Optimierungsproblem (analog zum statischen Problem, jedoch mit der geschätzten Nachfrage), um in jeder Runde den Preis und die Werbestrategie auszuwählen.

Mechanik des Algorithmus:

Explorationsphase: Der Algorithmus exploriert zunächst den diskretisierten Typenraum, um Daten zu sammeln.
Optimierungsphase: In jeder Runde berechnet er $D^{UCB}_t(x)$ für alle $x \in S$ . Anschließend löst er ein konvexes Programm, um den Preis $p \in P$ und die Verteilung $\rho$ (gestützt auf $Q_p = \{q : \kappa(p, q) \in S\}$ ) zu finden, die den geschätzten Umsatz unter Verwendung der UCB-Nachfrage maximieren.
Rounding (Rundung): Eine entscheidende technische Komponente ist ein Rundungsverfahren, das jede optimale kontinuierliche Strategie auf eine zulässige Strategie auf dem diskretisierten Gitter mit begrenztem Umsatzverlust ( $2\epsilon$ ) abbildet.

Zentrale Beiträge und Ergebnisse

1. Der Wert von Werbung (Statisch)

Das Paper liefert eine präzise quantitative Charakterisierung des Wertes von Werbung:

Umsatz-Schranke: Unter Standardannahmen ist der optimale Umsatz mit kombinierter Werbung und Preisgestaltung ($OPT$) höchstens doppelt so hoch wie der Umsatz durch reine Preisgestaltung ohne Werbung ( $OPT_{PO}$ ):
$OPT_{PO} \leq OPT \leq OPT_{SC} \leq 2 \cdot OPT_{PO}$
Tightness (Schärfe): Der Faktor 2 ist für alle drei Vergleiche scharf ( $OPT/OPT_{PO}$ , $OPT_{SC}/OPT_{PO}$ und $OPT_{SC}/OPT$ ).
Implikation: Werbung kann den Umsatz nahezu verdoppeln, aber sobald der Preis optimiert ist, kann sie den Umsatz nicht um mehr als den Faktor zwei verbessern. Zudem ist ein einzener, qualitätsunabhängiger Preis eine robuste Approximation, der mindestens die Hälfte des Umsatzes der flexiberen, signalabhängigen Preisstrategie erzielt.

2. Dynamischer Lern-Regret

Der wesentliche algorithmische Beitrag ist ein effizienter Online-Algorithmus für das dynamische Setting:

Regret-Schranke: Der Algorithmus erreicht einen Regret von $O(T^{2/3}(m \log T)^{1/3})$ , wobei $T$ der Zeithorizont und $m$ die Kardinalität des diskreten Qualitätsraums ist.
Optimalität: Diese Rate entspricht der bekannten unteren Schranke von $\Omega(T^{2/3})$ für dynamische Preisgestaltung ohne Werbung (der Fall $m=1$ ), abzüglich logarithmischer Faktoren. Dies zeigt, dass das Lernen der optimalen Werbepolitik keinen zusätzlichen asymptotischen Kostenaufwand gegenüber dem Lernen der Nachfrage für die reine Preisgestaltung verursacht, sofern der Qualitätsraum klein ist.
Annahmen: Das Ergebnis gilt ohne Lipschitz- oder Glattheitsannahmen für die Nachfragefunktion und stützt sich lediglich auf die Linearität der Bewertung in der Qualität sowie milde Regularitätsbedingungen der Bewertungsfunktion.

3. Spezialfälle und Erweiterungen

Additive Bewertungen: Für den weit verbreiteten Fall additiver Bewertungen ( $v(\theta, \omega) = \theta + \omega$ ) leiten die Autoren verbesserte Regret-Schranken ab. Wenn der Qualitätsraum äquidistant ist, verbessert sich der Regret auf $O(T^{2/3}(\log T)^{1/3} + \sqrt{mT \log T})$ .
Große/Kontinuierliche Qualitätsräume: Für additive Bewertungen mit beliebig großen oder kontinuierlichen Qualitätsräumen ermöglicht eine Pooling-basierte Reduktion einen Regret von $\tilde{O}(T^{3/4})$ , der unabhängig von der Größe des Qualitätsraums ist.

Bedeutung und Behauptungen

Das Paper beansprucht, das erste Werk zu sein, das Bayesian Persuasion (Informationsdesign) mit dynamischer Preisgestaltung und Nachfrage-Lernen integriert.

Theoretische Rechtfertigung: Es liefert eine fundierte theoretische Rechtfertigung für die gängige Praxis der Verwendung eines einzigen festgesetzten Preises (Posted Price). Selbst wenn Werbung genutzt wird, um Erwartungen zu formen, liegt ein einzelner Preis innerhalb eines Faktors von zwei der optimalen signalabhängigen Preisstrategie.
Praktische Relevanz: Die Arbeit adresset die praktische Herausforderung, bei der Verkäufer keine Vorabkenntnis über Kundenpräferenzen haben. Sie zeigt, dass Verkäufer lernen können, die Informationspreisgabe (Werbung) und die Preisgestaltung gemeinsam zu optimieren, um den Umsatz zu maximieren, selbst ohne die Nachfragekurve zu kennen.
Algorithmische Innovation: Die vorgeschlagenen Diskretisierungs- und Rundungstechniken überwinden die hochdimensionale und nicht-glatte Natur des Designproblems der Werbung und bieten eine rechnerisch handhabbare Lösung, die optimale Regret-Raten erreicht.

Die Autoren merken an, dass die 2-Faktor-Umsatzschranke auch für Bewertungen gilt, die nicht linear in der Qualität sind, die Ergebnisse des Nachfrage-Lernens jedoch entscheidend auf der Linearitätsannahme beruhen, um den Zustandsraum auf die Posterior-Mittelwerte zu reduzieren. Sie identifizieren die Erweiterung dieser Lerntechniken auf nicht-lineare Bewertungen als zukünftige Forschungsrichtung.