📊 statistics

A Tale of Two Cities: Pessimism and Opportunism in Offline Dynamic Pricing

Dieser Beitrag stellt ein nichtparametrisches Framework zur partiellen Identifikation für Offline-Dynamische Preisgestaltung in Umgebungen mit unvollständiger Abdeckung historischer Daten vor, das distinkte pessimistische und opportunistische Entscheidungsregeln einführt, die finite-Stichproben-Regressionsgrenzen liefern, Standard-Offline-Reinforcement-Learning-Baselines übertreffen und die Risikoposition eines Unternehmens auf seine optimale Preisstrategie abbilden.

Ursprüngliche Autoren: Zeyu Bian, Zhengling Qi, Lan Wang

Veröffentlicht 2026-05-22

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Zeyu Bian, Zhengling Qi, Lan Wang

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

Stellen Sie sich vor, Sie sind der Kapitän einer Fluggesellschaft, die versucht, Tickets für einen Flug zu verkaufen. Ihr Ziel ist es, den perfekten Preis festzulegen: hoch genug, um Gewinn zu erzielen, aber niedrig genug, damit die Menschen tatsächlich die Tickets kaufen.

Normalerweise lernen Kapitäne durch Experimentieren: „Lassen Sie uns heute 200 Dollar versuchen, morgen 300 Dollar, und sehen, was passiert." Aber in der realen Welt können Unternehmen oft nicht experimentieren. Sie können es sich nicht leisten, bei falschen Preisen Geld zu verlieren, oder sie haben einfach keine Zeit, jeden möglichen Preis zu testen. Stattdessen müssen sie in ein Geschichtsbuch vergangener Verkäufe schauen, um herauszufinden, was als Nächstes zu tun ist. Dies wird als „Offline-Dynamische Preisgestaltung" bezeichnet.

Das Problem: Die „fehlenden Seiten" im Geschichtsbuch

Die Autoren dieses Papers weisen auf einen gravierenden Mangel hin, wie Unternehmen diese Geschichtsbücher normalerweise nutzen.

Stellen Sie sich vor, Ihr Geschichtsbuch enthält nur Einträge für Preise von 100, 200 und 400 Dollar. Es gibt keine Daten für 300 Dollar.

Der alte Weg: Die meisten Computer-Algorithmen sagen: „Wir haben keine Daten für 300 Dollar, also können wir sie nicht nutzen. Wählen wir einfach den besten Preis aus denjenigen, die wir haben (100, 200 oder 400 Dollar)."
Die Gefahr: Was, wenn der perfekte Preis tatsächlich 300 Dollar war? Indem man ihn ignoriert, weil er im Buch „fehlt", lässt das Unternehmen Geld auf dem Tisch liegen.

Das Paper nennt dies ein „No-Coverage"-Problem. Die Daten sind unvollständig, und der beste Preis könnte vollständig in den Aufzeichnungen fehlen.

Die Lösung: „Gesunden Menschenverstand" nutzen (Monotonie)

Die Autoren schlagen einen neuen Weg vor, das Geschichtsbuch zu lesen. Sie verlassen sich auf eine einfache ökonomische Regel, die Monotonie genannt wird: Unter sonst gleichen Bedingungen werden weniger Leute kaufen, wenn Sie den Preis erhöhen.

Stellen Sie es sich wie eine Treppe vor. Wenn Sie wissen, wie viele Leute Tickets zu 200 Dollar gekauft haben und wie viele zu 400 Dollar, können Sie eine sehr fundierte Schätzung für den Preis von 300 Dollar treffen, selbst wenn noch nie jemand exakt zu 300 Dollar gekauft hat.

Die Nachfrage bei 300 Dollar muss niedriger sein als bei 200 Dollar.
Die Nachfrage bei 300 Dollar muss höher sein als bei 400 Dollar.

Anstatt also eine einzelne Zahl für 300 Dollar zu raten, erstellen die Autoren eine sichere Zone (ein Intervall). Sie sagen: „Wir kennen die genaue Zahl nicht, aber wir wissen, dass sie irgendwo zwischen dem Ergebnis bei 200 Dollar und dem Ergebnis bei 400 Dollar liegt."

Die zwei Strategien: Die Schildkröte und der Fuchs

Sobald sie diese „sicheren Zonen" anstelle einzelner Zahlen haben, entwickeln die Autoren zwei verschiedene Entscheidungsstile für das Unternehmen.

1. Die pessimistische Politik (Die Schildkröte) 🐢

Denkweise: „Worst-Case-Szenario."
Funktionsweise: Die Schildkröte betrachtet die „sichere Zone" für jeden Preis und fragt: „Was ist der niedrigste Geldbetrag, den ich möglicherweise verdienen könnte, wenn ich diesen Preis wähle?" Sie wählt dann den Preis, der den höchsten dieser Worst-Case-Beträge garantiert.
Für wen ist das? Ein Unternehmen, das Angst hat, Geld zu verlieren. Wenn Sie ein kleines Unternehmen sind, das sich keinen schlechten Tag leisten kann, wollen Sie die Schildkröte. Sie schützt Sie vor dem Abwärtsrisiko. Sie ist sicher, stabil und langweilig.

2. Die opportunistische Politik (Der Fuchs) 🦊

Denkweise: „Was verpasse ich?"
Funktionsweise: Der Fuchs betrachtet die „sicheren Zonen" und fragt: „Wenn ich diesen Preis wähle, wie viel schlechter könnte ich im Vergleich zur besten möglichen Alternative abschneiden?" Er versucht, das „Bedauern" einer falschen Entscheidung zu minimieren.
Der Unterschied: Wenn ein Preis einen niedrigen „Worst-Case" hat, aber einen riesigen „Best-Case" (ein enormes potenzielles Aufwärtspotenzial), könnte der Fuchs ihn trotzdem wählen. Die Schildkröte würde ihn sofort ablehnen, wegen des niedrigen Bodens. Der Fuchs ist bereit, ein kalkulierbares Risiko einzugehen, um einen großen Gewinn zu erzielen.
Für wen ist das? Ein großes, etabliertes Unternehmen mit tiefen Taschen, das wachsen möchte. Wenn Sie die Ressourcen haben, einen kleinen Verlust für die Chance auf einen massiven Gewinn zu absorbieren, wollen Sie den Fuchs.

Die Ergebnisse: Was passierte in den Experimenten?

Die Autoren testeten diese Ideen mittels Computersimulationen und echten Daten von Flugtickets (speziell Flüge von New York nach Charlotte).

Die alten Methoden: Wenn Daten fehlten (wie der Preis von 300 Dollar), versagten Standard-Computerprogramme. Sie blieben bei den Preisen, die sie kannten, selbst wenn diese Preise suboptimal waren.
Die neuen Methoden:
- Die opportunistische (Fuchs) Strategie war in den meisten Fällen der Gewinner. Sie war mutig genug, die „fehlenden" Preise zu wählen, die sich als die profitabelsten herausstellten. In vielen Tests schnitt sie fast so gut ab, als hätte sie perfekte Daten.
- Die pessimistische (Schildkröte) Strategie war besser als die alten Standardmethoden, aber manchmal zu vorsichtig. Sie war jedoch hervorragend darin, vor Katastrophen zu schützen.
- Entscheidend ist, dass die alten „pessimistischen" Methoden, die von anderen Forschern verwendet wurden, niemals einen fehlenden Preis wählten. Die neue „Verfeinerte Pessimistische" Methode konnte dies, aber nur in sehr spezifischen Situationen (wie wenn der fehlende Preis der höchstmögliche war).

Das Fazit

Dieses Paper gibt Unternehmen eine praktische Landkarte, wenn ihre Daten unvollständig sind:

Ignorieren Sie fehlende Preise nicht. Nutzen Sie die Beziehung zwischen hohen und niedrigen Preisen, um abzuschätzen, was die fehlenden sein könnten.
Wählen Sie Ihre Persönlichkeit.
- Wenn Sie Sicherheit brauchen und Geldverlust hassen, verwenden Sie die pessimistische Regel.
- Wenn Sie Wachstum wollen und bereit sind, ein wenig zu riskieren, um viel zu bekommen, verwenden Sie die opportunistische Regel.

Das Paper beweist mathematisch, dass diese beiden Regeln die bestmöglichen Wege sind, dieses spezifische Problem zu behandeln, und gibt Unternehmen eine klare Wahl basierend darauf, wie viel Risiko sie einzugehen bereit sind.

Technische Zusammenfassung: Eine Geschichte von zwei Städten: Pessimismus und Opportunismus beim dynamischen Offline-Preismanagement

Problemstellung
Dieser Beitrag adressiert die Herausforderung des dynamischen Offline-Preismanagements in Umgebungen, in denen historische Daten eine unvollständige Abdeckung des Preisraums bieten. In vielen praktischen Anwendungen können Unternehmen die Kosten oder Risiken umfangreicher Experimente nicht tragen, was zu Datensätzen führt, in denen bestimmte Kandidatenpreise – einschließlich potenziell optimaler Preise – vollständig unbeobachtet bleiben. Standardmethoden des Offline-Reinforcement-Learning (RL), einschließlich solcher, die auf Annahmen einer vollständigen oder teilweisen Abdeckung beruhen (wonach die Aktionen der optimalen Policy im Datenmaterial vertreten sein müssen), versagen in diesen „No-Coverage"-Szenarien. Wenn der optimale Preis fehlt, sind Nachfrage und Q-Funktionen nicht mehr punktidentifiziert, was Standard-Schätzer suboptimal oder unanwendbar macht. Die Autoren zielen darauf ab, ein statistisch fundiertes Rahmenwerk für das dynamische Offline-Preismanagement zu entwickeln, das ohne jegliche Annahmen zur Datenabdeckung operiert und dabei die fundamentale ökonomische Regularität nutzt, dass die Nachfrage mit dem Preis nicht steigt.

Methodik
Die Autoren schlagen ein nichtparametrisches Rahmenwerk zur partiellen Identifikation vor, das die Monotonie der Nachfrage in Bezug auf den Preis ausnutzt, um den Wert unbeobachteter Preise zu begrenzen.

Rahmenwerk zur partiellen Identifikation:
Anstatt über parametrische Modelle zu extrapolieren, konstruiert die Methode Intervallgrenzen für die Nachfrageverteilungsfunktion $F_t(d|a)$ bei unbeobachteten Preisen $a$ . Diese Grenzen werden aus den beobachteten Nachfrageverteilungen bei den nächstgelegenen unteren ( $a^L_t$ ) und oberen ( $a^U_t$ ) beobachteten Preisen abgeleitet. Spezifisch gilt für einen unbeobachteten Preis $a$ , dass die bedingte Verteilungsfunktion durch $F_t(d|a^L_t) \le F_t(d|a) \le F_t(d|a^U_t)$ begrenzt ist. Um Stichprobenfehler zu berücksichtigen, verfeinern die Autoren diese Grenzen mittels Konfidenzintervallen, die aus der Dvoretzky–Kiefer–Wolfowitz-Ungleichung abgeleitet werden, und stellen sicher, dass die wahre Verteilungsfunktion mit hoher Wahrscheinlichkeit innerhalb des konstruierten Intervalls liegt.
Entscheidungsregeln:
Innerhalb dieses Rahmens formulieren die Autoren zwei unterschiedliche dynamische Entscheidungsregeln, die auf sequenzielle No-Coverage-Umgebungen zugeschnitten sind:
- Pessimistische Policy: Diese Policy maximiert den Worst-Case-Umsatz. Sie wählt den Preis aus, der die untere Grenze der Q-Funktion maximiert, welche durch Minimierung der Q-Funktion über die Konfidenzmenge möglicher Nachfrageverteilungen konstruiert wird. Dieser Ansatz bietet Schutz gegen Abwärtsrisiken, wenn die Unsicherheit bezüglich unbeobachteter Preise erheblich ist.
- Opportunistische Policy: Diese Policy minimiert das Worst-Case-Reue (Regret) im Verhältnis zur besten machbaren Alternative. Im Gegensatz zum pessimistischen Ansatz, der sich auf die untere Grenze des Umsatzes konzentriert, betrachtet der opportunistische Ansatz das maximale Reue, das eine Aktion im Vergleich zur besten alternativen Aktion unter der Worst-Case-Realisierung der unbekannten Nachfrage verursachen könnte. Dies ermöglicht es Unternehmen, potenzielle Aufwärtspotenziale von unterexplorierten Preisen zu verfolgen.
Algorithmen:
Die Autoren entwickeln effiziente Algorithmen für beide Policies unter Verwendung der Rückwärtsinduktion (dynamische Programmierung). Der zentrale Rechenschritt umfasst die Lösung eines linearen Programms, um den Worst-Case-Q-Wert (für die pessimistische Policy) oder das Worst-Case-Reue (für die opportunistische Policy) innerhalb der konstruierten Konfidenzmengen zu finden.

Hauptbeiträge

No-Coverage-Rahmenwerk: Der Beitrag stellt die erste Technik für dynamisches Offline-Preismanagement vor, die auch ohne jede Annahme zur Datenabdeckung gültig bleibt. Er führt ein Rahmenwerk zur partiellen Identifikation für das Policy-Learning ein, wenn optimale Preise in Offline-Daten fehlen, und setzt keine parametrischen Beschränkungen für die Nachfrage, die Policy-Klasse oder die Q-Funktionsklasse voraus.
Theoretische Garantien: Die Autoren leiten Regret-Schranken für endliche Stichproben für sowohl die pessimistische als auch die opportunistische Policy her. Die Schranken zerfallen in zwei Terme: einer erfasst den Schätzfehler für beobachtete Preise, und ein anderer quantifiziert die zusätzlichen Kosten, die durch unbeobachtete optimale Preise verursacht werden.
- Wenn der optimale Preis abgedeckt ist, erholt sich das Reue die Standardrate von $O_p(\sqrt{\log N / N})$ .
- Wenn die Abdeckung versagt, quantifizieren die Ergebnisse die präzisen Kosten des Lernens unter partieller Identifikation und zeigen, dass die Schranke straff (erreichbar) ist.
Managerielle Zuordnung: Das Rahmenwerk bietet eine praktische Zuordnung von der Risikoposition eines Unternehmens zu seiner Preispolitik. Es unterscheidet zwischen Unternehmen, die Umsatzstabilität anstreben (pessimistische Policy), und solchen, die bereit sind, gemessene Risiken für potenzielle Gewinne einzugehen (opportunistische Policy).

Ergebnisse
Die Autoren evaluieren ihre Methoden durch Simulationen und eine Anwendung auf reale Daten im Zusammenhang mit Flugticketpreisen.

Simulationen: Unter Verwendung von Poisson- und Negativ-Binomial-Nachfragemodellen mit verschiedenen Mechanismen für fehlende Daten werden die vorgeschlagenen Methoden mit Standard-Offline-RL-Baselines (Greedy, Vanilla Pessimistic, Conservative Q-Learning und Batch-Constrained Q-learning) verglichen. Die Ergebnisse zeigen, dass die vorgeschlagene opportunistische Methode die Baselines oft übertrifft, insbesondere in Szenarien, in denen die Verhaltenspolicy suboptimal ist oder die Datenabdeckung spärlich ist. Die opportunistische Methode erreicht häufig eine Leistung, die mit einer orakelhaften optimalen Policy vergleichbar ist, selbst bei fehlenden Preisen. Die verfeinerte pessimistische Methode übertrifft in mehreren Fällen auch den reinen pessimistischen Ansatz. Bemerkenswerterweise ist die opportunistische Methode die einzige, die in der Lage ist, unbeobachtete Preise zu wählen, die optimal sind, wohingegen pessimistische Baselines (einschließlich der verfeinerten Version in den meisten Fällen) dazu neigen, diese auszuschließen.
Anwendung auf reale Daten: In einer Analyse von Expedia-Flugticketdaten (JFK nach CLT), bei der bestimmte Preispunkte unterrepräsentiert waren, erzielte die opportunistische Methode den höchsten empirischen Gesamtumsatz in Monte-Carlo-Simulationen. Die verfeinerte pessimistische Methode belegte den dritten Platz und schnitt leicht schlechter als CQL ab, während der reine pessimistische Ansatz den niedrigsten Umsatz erzielte. Der opportunistische Ansatz wählte erfolgreich den unbeobachteten Preispunkt in spezifischen Zuständen, während CQL dies nicht tat.

Bedeutung und Behauptungen
Der Beitrag beansprucht, die Lücke zwischen dynamischem Offline-Preismanagement und partieller Identifikation in einer sequenziellen No-Coverage-Umgebung zu schließen. Er argumentiert, dass bestehende Offline-RL-Methoden für Preisprobleme unzureichend sind, bei denen der optimale Preis möglicherweise vollständig in historischen Daten fehlt. Durch die Nutzung der Nachfrage-Monotonie ermöglicht das vorgeschlagene Rahmenwerk Policy-Learning jenseits des Trägers beobachteter Daten, ohne auf parametrische Annahmen zurückzugreifen. Die Autoren betonen, dass ihre Regret-Schranken straff und ratenoptimal sind. Managerial bietet die Arbeit ein nuanciertes Werkzeug für Entscheidungsträger, das es ihnen ermöglicht, je nach Risikotoleranz und Ressourcenverfügbarkeit zwischen einer konservativen Strategie (Pessimismus) zum Schutz vor Abwärtsrisiken und einer aggressiven Strategie (Opportunismus) für potenzielle Gewinne zu wählen. Der Beitrag schließt, dass zwar keine einzelne Strategie die andere uniform übertrifft, die Wahl jedoch vom spezifischen Kontext und den strategischen Zielen des Unternehmens hinsichtlich Risiko und Unsicherheit abhängt.