🤖 machine learning

From Confounding to Learning: Dynamic Service Fee Pricing on Third-Party Platforms

Dieses Paper schlägt einen neuartigen Algorithmus für Drittanbieter-Plattformen vor, um die Preisgestaltung von Servicegebühren unter dem Einfluss von Nachfrage-Confounding zu optimieren, indem nicht-i.i.d. Aktionen als Instrumentvariablen und eine homöomorphe Konstruktion genutzt werden, um selbst mit tiefen neuronalen Netzen und angebotsseitigem Rauschen ein optimales Regret zu erreichen.

Ursprüngliche Autoren: Rui Ai, David Simchi-Levi, Feng Zhu

Veröffentlicht 2026-07-14

📖 7 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Rui Ai, David Simchi-Levi, Feng Zhu

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 betreiben einen riesigen digitalen Marktplatz, wie einen super organisierten Flohmarkt für alles – von Konzerttickets bis hin zu Ladestationen für Elektroautos. Sie verkaufen die Artikel nicht selbst; Sie nehmen lediglich einen winzigen Anteil aus jeder Transaktion als „Servicegebühr“. Ihr Ziel ist einfach: Diese Gebühr genau richtig festzulegen. Zu hoch, und die Kunden laufen zur Konkurrenz ab; zu niedrig, und Sie lassen Geld auf dem Tisch liegen.

Der schwierige Teil? Sie wissen nicht genau, wie die Kunden auf Ihren Preis reagieren werden. Sie müssen es lernen, indem Sie beobachten, was passiert. Aber es gibt einen Haken: Der Markt ist chaotisch. Es ist, als würde man versuchen, herauszufinden, wie viel Regen fällt, indem man eine Pfütze betrachtet, während jemand anderes gleichzeitig mit einem Schlauch Wasser hineinschüttet. In der Wirtschaftswissenschaft nennt man dieses Durcheinander Konfundierung (Confounding). Wenn Sie nur die Daten betrachten, könnten Sie denken, dass eine Preiserhöhung den Umsatz steigert (was unmöglich ist!), weil der „Schlauch“ (die Veränderung des Angebots) Ihre Sichtweise verzerrt.

Der Zaubertrick: Ihre eigenen Züge als Hinweis nutzen

Die Autoren dieser Arbeit haben einen cleveren Weg entdeckt, um dieses Chaos zu entwirren. Normalerweise benötigt man, um eine unübersichtliche Beobachtung zu korrigieren, eine „Instrumentelle Variable“ – ein zufälliges externes Ereignis (wie einen plötzlichen Sturm), das das Angebot verändert, aber nicht die Nachfrage. Aber in einem digitalen Markt gibt es keine Stürme.

Stattdessen schlagen die Autoren eine kühne Idee vor: Nutzen Sie Ihre eigene Servicegebühr als Instrument.

Denken Sie an Folgendes: Sie sind ein Koch in einer Küche. Sie wollen wissen, wie hungrig Ihre Kunden sind. Aber der Hunger der Kunden ändert sich zufällig. Wenn Sie nur beobachten, was sie essen, können Sie nicht unterscheiden, ob sie viel gegessen haben, weil sie hungrig waren oder weil Sie ihnen einen Rabatt gegeben haben.

Das Paper schlägt vor, die Preise absichtlich ein klein wenig zu „wackeln“ zu lassen, bevor sich der Hunger der Kunden ändert. Da Sie entschieden haben, den Preis zuerst zu ändern, und der Hunger der Kunden erst danach folgte, fungiert Ihre Preisänderung als perfektes Signal. Es ist, als würde man auf eine Trommel schlagen, um zu hören, wie der Raum den Schall reflektiert. Selbst wenn Sie derjenige sind, der auf die Trommel schlägt, verrät Ihnen das Echo genau, wie der Raum geformt ist.

Das Paper beweist mathematisch, dass dieser „selbst-instrumentelle“ Ansatz funktioniert, selbst wenn die Kunden klug sind und versuchen, Sie auszutricksen, indem sie vorgeben, weniger hungrig zu sein, um später niedrigere Preise zu erhalten.

Die „Rauschen“-Überraschung: Chaos ist eigentlich hilfreich

Hier ist der überraschendste Teil der Geschichte. Das Paper stellt fest, dass das „Rauschen“ auf der Angebotsseite (die zufälligen Schwankungen darin, wie viel Verkäufer anbieten) tatsächlich eine Superkraft ist.

Stellen Sie sich vor, Sie versuchen, ein Flüstern in einem ruhigen Raum zu hören. Wenn der Raum vollkommen still ist, können Sie nicht feststellen, ob das Flüstern überhaupt da ist oder nicht. Aber wenn ein sanfter, zufälliger Windzug (Angebotsrauschen) durch den Raum weht, hilft er Ihnen tatsächlich dabei, genau zu lokalisieren, woher das Flüstern kommt.

Die Autoren zeigen, dass, wenn die Angebotsseite rauschig genug ist (wie bei Essenslieferungen oder Ride-Hailing, wo Verkehr und Verfügbarkeit von Fahrern ständig schwanken), Sie nichts Besonderes tun müssen. Das natürliche Chaos hilft Ihnen, die Nachfragekurve fast augenblicklich zu lernen, und Ihr „Bedauern“ (das Geld, das Sie verlieren, weil Sie nicht den perfekten Preis kennen) bleibt minimal.

Wenn die Angebotsseite jedoch zu stabil ist (wie bei einem Versorgungsunternehmen oder einem Abonnementdienst, bei dem das Angebot sich nie ändert), ist das natürliche Chaos nicht vorhanden, um Ihnen zu helfen. In diesem Fall müssen Sie absichtlich ein wenig künstliches Rauschen in Ihre Gebühren injizieren, um zu lernen. Das Paper beweist, dass Sie ohne dieses bewusste „Wackeln“ niemals die wahre Nachfrage lernen würden und Ihre Verluste viel schneller steigen würden.

Es gibt einen scharfen „Tipping Point“ (einen Phasenübergang) zwischen diesen beiden Welten. Wenn das Angebotsrauschen über einem bestimmten winzigen Schwellenwert liegt, gewinnen Sie mühelos. Wenn es darunter liegt, müssen Sie härter arbeiten.

Die „schlauen“ Kunden und das Deep-Learning-Rätsel

Das Paper befasst sich auch mit zwei anderen Kopfschmerzen:

Strategische Käufer: Kunden, die geduldig sind und versuchen, das System zu manipulieren. Die Autoren zeigen, dass, wenn Sie Ihre Preisstrategie nur selten aktualisieren (z. B. einmal alle paar Tage statt jede Sekunde), diese klugen Kunden Sie nicht austricksen können. Ihre Versuche, das System zu manipulieren, werden wirkungslos, weil die Belohnungen in zu ferner Zukunft liegen.
Deep Neural Networks: Moderne Plattformen nutzen massive, komplexe KI-Modelle (Deep Neural Networks), um die Nachfrage vorherzusagen. Normalerweise besagt die mathematische Theorie, dass diese Modelle zu „eigenartig“ und „nicht-konvex“ sind, um mit Standardwerkzeugen analysiert zu werden. Die Autoren haben eine spezielle mathematische Brücke (eine „Homöomorphie“) gebaut, die es ihnen ermöglicht, zu beweisen, dass ihre Methode selbst mit diesen riesigen, komplexen KI-Gehirnen funktioniert.

Was sie tatsächlich getan haben (und nicht getan haben)

Die Autoren haben dies nicht nur erdacht; sie haben es getestet.

Simulationen: Sie führten Computersimulationen durch, in denen sie das Chaos kontrollierten. Sie zeigten, dass das Lernen extrem schnell geht, wenn das Angebot rauschig ist. Wenn das Angebot ruhig war, mussten sie ihr eigenes Rauschen hinzufügen, wodurch das Lernen langsamer, aber dennoch erfolgreich war.
Reale Daten (Talabat): Sie testeten ihre Methode mit echten Transaktionsdaten von Talabat, einer Essenslieferplattform in Ägypten. Sie fanden heraus, dass ein naiver Blick auf die Daten suggerierte, dass eine Preiserhöhung keine Auswirkung auf den Umsatz hatte (eine flache Linie). Doch als sie ihre „Handlung-als-Instrument“-Methode anwandten, fanden sie eine klare, sinnvolle Nachfragekurve: Preiserhöhungen senkten den Umsatz, genau wie die Grundlagen der Ökonomie es vorhersagen.
Reale Daten (Lyft): Sie führten auch einen ähnlichen Test mit Lyft-Ride-Hailing-Daten in Boston unter Verwendung eines komplexen KI-Modells durch. Sie zeigten, dass sie durch die Umverteilung von Gebühren (höhere Gebühren während der Stoßzeiten und niedrigere in ruhigen Zeiten, während die Durchschnittsgebühr gleich bleibt) theoretisch den Umsatz steigern könnten.

Was sie ausschlossen: Sie zeigten explizit auf, dass, wenn man die „Konfundierung“ ignoriert und stattdessen eine Standardregression (eine einfache Regressionsgerade) durchführt, man das falsche Ergebnis erhält. Man könnte sogar zu dem Schluss kommen, dass höhere Preise zu höheren Umsätzen führen, was völliger Unsinn ist. Sie bewiesen auch, dass man die Nachfragekurve überhaupt nicht lernen kann, wenn man gar kein Angebotsrauschen hat und auch kein eigenes hinzufügt.

Wie sicher sind sie?
Das Paper liefert rigorose mathematische Beweise für ihre Hauptthesen und zeigt, dass ihr Algorithmus „minimax-optimal“ ist (das heißt, es ist die bestmögliche Strategie, die man verfolgen kann). Sie haben bewiesen, dass der „Phasenübergang“ zwischen verrauschtem und ruhigem Angebot ein grundlegendes Gesetz dieses Problems ist und kein Zufallsprodukt.

In den Simulationen und den realen Daten von Talabat und Lyft funktionierte die Methode exakt so, wie es die Mathematik vorhersagte. Das Talabat-Experiment deutete darauf hin, dass die Plattform durch die Anwendung dieser Methode zur Umverteilung der Gebühren einen massiven potenziellen Umsatzanstieg hätte erzielen können (etwa das 5,5-fache des beobachteten Umsatzes in ihrem Kontrafaktual-Modell), wobei die Autoren jedoch darauf hinweisen, dass dies eine modellbasierte Schätzung ist und reale Faktoren das genaue Ergebnis beeinflussen könnten.

Das Fazit

Das Paper lehrt uns, dass in einem chaotischen Markt Volatilität Information ist. Wenn die Angebotsseite unruhig ist, können Sie lernen, perfekt zu preisen, ohne sich viel anzustrengen. Wenn der Markt zu ruhig ist, müssen Sie derjenige sein, der ihn ein wenig aufmischt, um zu lernen. Und das Beste daran? Sie brauchen keinen Zauberstab oder einen externen Experten; Sie müssen nur Ihren eigenen Entscheidungen vertrauen, um den Schlüssel zur Wahrheit zu finden.

Technisches Resümee: Von der Konfundierung zum Lernen: Dynamische Servicegebühren-Preisgestaltung auf Drittanbieter-Plattformen

1. Problemformulierung

Die Arbeit befasst sich mit dem Problem der dynamischen Preisgestaltung, vor dem Drittanbieter-Plattformen (z. B. Essenslieferung, Ride-Hailing, Ticket-Wiederverkauf) stehen, die Transaktionen zwischen Verkäufern und strategischen Käufern vermitteln. Der Umsatz der Plattform wird aus einer Servicegebühr ( $a_t$ ) generiert, die bei jeder Transaktion erhoben wird. Die zentrale Herausforderung besteht in der Nachfrage-Lernproblematik unter Konfundierung in Gegenwart von strategischen Käufern und hochkapazitiven Nachfragemodellen.

Marktdynamik: Verkäufer verpflichten sich zu Angebotskurven ( $P_{St}$ ) vor der Festlegung der Gebühr durch die Plattform. Die Plattform beobachtet die Angebotsmerkmale und setzt eine Gebühr $a_t$ fest. Käufer, die strategisch handeln, um ihren diskontierten kumulativen Überschuss zu maximieren, bestimmen ihre Kaufmenge basierend auf dem Gesamtpreis (Angebotspreis + Servicegebühr).
Das Konfundierungsproblem: Die Plattform beobachtet lediglich den marktclearen Preis ( $P^e_t$ ) und die Menge ( $Q^e_t$ ). Diese werden gemeinsam durch Angebot, Nachfrage und die eigene Gebühr der Plattform bestimmt. Eine naive Regression von $Q^e_t$ auf $P^e_t$ scheitert, da die Gebühr $a_t$ endogen zum Nachfrageschock $\epsilon_{Dt}$ ist, was zu verzerrten Schätzungen führt (z. B. potenziell positiven Nachfragesteriken).
Strategisches Verhalten: Käufer könnten ihre Nachfrage falsch melden, um zukünftige Gebühren zu manipulieren. Wenn Käufer so geduldig sind wie die Plattform ( $\gamma=1$ ), kann kein Algorithmus einen sublinearen Regret erzielen. Die Arbeit konzentriert sich auf das empirisch relevante Regime, in dem Käufer weniger geduldig sind ( $\gamma < 1$ ).
Modellkomplexität: Moderne Plattformen nutzen hochkapazitive Modelle wie Deep Neural Networks (DNNs) zur Nachfrageprognose. Die Standardtheorie der nichtparametrischen Instrumentalvariablen (IV) stützt sich oft auf „Star-Shapedness“-Annahmen, die DNNs typischerweise verletzen.

2. Methodik

Die Autoren schlagen ein Framework vor, das die eigene Entscheidungsvariable der Plattform in eine gültige Instrumentenvariable für das Lernen transformiert, gekoppelt mit spezifischen technischen Verfeinerungen zur Handhabung dynamischer und strategischer Umgebungen.

2.1 Actions-as-Instruments (AaI)

Der zentrale methodische Einblick ist, dass die Servicegebühr $a_t$ selbst als Instrumentalvariable dienen kann.

Orthogonalität: Da die Plattform sich auf $a_t$ festlegt, bevor der Nachfrageschock $\epsilon_{Dt}$ eintritt, ist $a_t$ unter der Bedingung der Historie orthogonal zu $\epsilon_{Dt}$ .
Identifikation: Dies ermöglicht die Konstruktion einer Momentenbedingung $E[(P^e_t - \beta Q^e_t - f(x_t)) a_t] = 0$ , die zusammen mit der Standard-Feature-Orthogonalität die Nachfrageparameter identifiziert, selbst wenn $a_t$ adaptiv gewählt wird.
Umgang mit Nicht-i.i.d.: Da $a_t$ nicht identisch und unabhängig verteilt ist (sie hängt von der vergangenen Historie ab), verwenden die Autoren Argumente der Martingalkonzentration anstelle von Standard-i.i.d.-Werkzeugen, um die Identifikation zu beweisen.

2.2 Technische Verfeinerungen

Um den AaI-Ansatz in der Praxis anwendbar zu machen, werden drei spezifische Mechanismen eingeführt:

Doppelt robuste Korrektur: Um die Varianz des Schätzers zu kontrollieren und die Konvergenz zu beschleunigen, verwenden die Autoren eine doppelt robuste Strukturgleichung: $E[(P^e_t - \beta Q^e_t - f(x_t))(a_t - E[a_t | x_t])] = 0$ . Dies gewährleistet Konsistenz, falls entweder das Nachfragemodell oder das Gebührenprognosemodell korrekt spezifiziert ist.
Adaptive Exploration mit verschwindendem Rauschen: Wenn das Rauschen auf der Angebotsseite ( $\sigma^2_S$ ) gering ist, wird das Instrument schwach. Der Algorithmus injiziert künstliches Gaußsches Rauschen in die Gebühr mit einer Größenordnung von $t^{-1/4}$ . Diese Rate wird als das einzig ausgewogene Verhältnis zwischen der Kontrolle der Schwachstellen-Varianz des Instruments und der Minimierung des Explorations-Regrets nachgewiesen.
Low-Switching Updates: Um die strategische Manipulation durch Käufer zu mildern, werden die Richtlinienparameter nur $O(\log T)$ -mal aktualisiert (in Verdoppelungs-Episoden). Dies begrenzt den Anreiz für Käufer, die Nachfrage falsch zu melden, da zukünftige Gebührenreduzierungen exponentiell diskontiert werden.

2.3 Umgang mit Deep Neural Networks

Um das Framework auf DNNs zu erweitern, konstruieren die Autoren eine Homeomorphie in eine Hilfsfunktionsklasse.

Umgehung der Star-Shapedness: Die Standard-IV-Theorie erfordert, dass die Funktionsklasse „star-shaped“ um die wahre Funktion ist. Die Autoren konstruieren eine Hilfsklasse, die homöomorph zur ursprünglichen Klasse ist, aber bezüglich der wahren Funktion „star-shaped“ ist.
Dimensionalität: Diese Konstruktion erhöht die effektive Dimension der Klasse um höchstens eins, was die Ableitung von Regret-Schranken für beliebig tiefe Multilayer-Perzeptrone (MLPs) ermöglicht, ohne die Star-Shapedness vorauszusetzen.

3. Kernergebnisse

3.1 Minimax-Regret und Phasenübergang

Die Arbeit etabliert die minimax-optimale Regrate-Rate und zeigt einen scharfen Phasenübergang auf, der von der Varianz des Angebotsrauschens ( $\sigma^2_S$ ) abhängt:

Hohes Angebotsrauschen ( $\sigma^2_S \gtrsim 1/\sqrt{T}$ ): Natürliche Angebotsschwankungen bieten ausreichend Exploration. Die Plattform muss kein künstliches Rauschen injizieren. Der Regret ist logarithmisch in $T$ ( $\tilde{O}(1)$ ).
Niedriges Angebotsrauschen ( $\sigma^2_S \lesssim 1/\sqrt{T}$ ): Das Angebot ist zu stabil, um die Nachfrage zu identifizieren. Die Plattform muss explizit explorieren, indem sie $t^{-1/4}$ -Rauschen injiziert. Der Regret skaliert als $\tilde{O}(\sqrt{T})$ .
Vereinheitlichte Schranke: Der Minimax-Regret ist $\tilde{\Theta}(\sqrt{T} \wedge \sigma^{-2}_S)$ .

3.2 Strategischer Käufer-Regret

Für Käufer mit einer Diskontrate $\gamma < 1$ weist der Regret nur eine polynomielle Abhängigkeit von $1/(1-\gamma)$ auf. Der Low-Switching-Update-Plan stellt sicher, dass die strategische Verzerrung der Nachfragekurve kontrolliert bleibt.

3.3 Konstruktion der Untergrenze

Die Arbeit liefert eine passende Untergrenze von $\Omega(\sqrt{T} \wedge \frac{\log T}{\sigma^2_S})$ . Der Beweis führt eine neuartige Konstruktion ein, die den Informationskanal isoliert, der durch das Nachfragerauschen ( $\epsilon_{Dt}$ ) getragen wird. Durch die gleichzeitige Anpassung der Nachfrageparameter und der Magnitude des Nachfrerauschens erschaffen die Autoren ununterscheidbare Instanzen, in denen sowohl erste als auch zweite Differenzen verschwinden – eine Technik, die zuvor bei dynamischen Preisgestaltungs-Untergrenzen nicht verwendet wurde.

4. Empirische Validierung

Die Autoren validieren ihren Ansatz sowohl mit synthetischen Daten als auch mit realen Datensätzen:

Synthetische Experimente: Simulationen bestätigen den Phasenübergang bei $\sigma^2_S \approx 1/\sqrt{T}$ und zeigen, dass die doppelt robuste Korrektur die Varianz des Schätzers im Vergleich zum einfachen IV signifikant reduziert.
Talabat (Essenslieferung): Unter Verwendung von Mikrotransaktionsdaten einer ägyptischen Essenslieferplattform zeigen die Autoren, dass eine naive OLS-Regression insignifikante Nachfragesteriken liefert (Konfundierung), während die AaI-Methode eine statistisch signifikante und ökonomisch sinnvolle Nachfrageelastizität ( $\approx -0,53$ ) produziert. Eine Offline-Kontrafaktualität deutet auf ein potenzielles Umsatzpotenzial von $\approx 5,5\times$ hin, indem Gebühren unter einer festen Durchschnittsgebühr-Beschränkung dynamisch zwischen Spitzen- und Nebenzeiten umverteilt werden.
Lyft (Ride-Hailing): Eine Studie mit Bostoner Ride-Hailing-Daten erweitert die Methodik auf nicht-lineare Modelle unter Verwendung von Transformern. Während die Verbesserungen moderater ausfallen (konsistent mit reifem Surge-Pricing), demonstriert das Experiment die Machbarkeit der Anwendung von Deep-IV-Regression auf komplexe, nicht-separable Nachfragefunktionen.

5. Bedeutung und Ansprüche

Die Arbeit beansprucht drei primäre Beiträge:

Methodische Innovation: Sie führt das „Actions-as-Instruments“-Framework ein und beweist, dass die eigenen adaptiven Entscheidungen einer Plattform als gültige Instrumente für das Nachfrage-Lernen dienen können, sofern spezifische Bedingungen (Martingalkonzentration, Low-Switching) erfüllt sind.
Theoretische Einsicht: Sie deckt einen fundamentalen Phasenübergang in der dynamischen Preisgestaltung auf, bei dem Marktvolatilität Information ist, nicht nur Rauschen. Die Lernbarkeit der Nachfrage wird fundamental durch die Varianz der Angebots-Schocks bestimmt.
Praktische Anwendbarkeit: Sie bietet die ersten theoretischen Regret-Garantien für das Lernen der Nachfrage unter Konfundierung mittels beliebig tiefer neuronaler Netze und umgeht die restriktive Star-Shapedness-Annahme durch eine Homeomorphie-Konstruktion.

Die Autoren kommen zu dem Schluss, dass ihr Ansatz einen gangbaren Weg für Drittanbieter-Plattformen bietet, um den Umsatz in komplexen, strategischen und hochdimensionalen Umgebungen zu optimieren, vorausgesetzt, dass die Exploration sorgfältig auf die natürliche Volatilität des Marktes abgestimmt ist.