📈 economics

Dynamic Wholesale Pricing under Censored-Demand Learning

Die Studie untersucht einen dynamischen Großhandelspreisvertrag zwischen Hersteller und Händler unter Bedingungen zensierter Nachfrage, bei denen beide Parteien nur Verkaufszahlen beobachten, und charakterisiert die Markov-perfekten Gleichgewichte durch die Analyse von Weibull- und Exponentialnachfrage, wobei sie Existenzbeweise liefert und effiziente Berechnungsmethoden entwickelt.

Ursprüngliche Autoren: Michalis Deligiannis, Marco Scarsini, Xavier Venel

Veröffentlicht 2026-03-17

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Michalis Deligiannis, Marco Scarsini, Xavier Venel

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 ein Bäcker (der Hersteller) und Ihr Nachbar ist ein Kioskbesitzer (der Einzelhändler). Der Kiosk verkauft Ihre Brötchen. Aber es gibt ein großes Problem: Niemand weiß genau, wie viele Kunden morgen kommen werden.

In der realen Welt passiert oft Folgendes: Wenn der Kioskbesitzer nur 10 Brötchen bestellt und 50 Kunden kommen, verkauft er nur 10. Er sieht 10 verkaufte Brötchen, aber er weiß nicht, dass 40 Kunden enttäuscht nach Hause gegangen sind. Die Nachfrage ist also „verdeckt" oder „zensiert". Er denkt vielleicht: „Ah, es waren nur 10 Leute", obwohl es eigentlich 50 waren.

Dieses Papier untersucht genau dieses Dilemma in einer komplexen, aber faszinierenden Weise. Hier ist die einfache Erklärung:

1. Das Spiel: Wer setzt den Preis, wer bestellt?

Stellen Sie sich das als ein mehrstufiges Spiel vor, das über eine bestimmte Zeit (z. B. eine Woche) läuft:

Der Bäcker setzt jeden Morgen den Großhandelspreis (wie viel der Kiosk für ein Brötchen zahlen muss).
Der Kioskbesitzer sieht diesen Preis und entscheidet, wie viele Brötchen er bestellt.
Der Verkauf findet statt. Wenn der Kiosk ausverkauft ist, weiß niemand, wie viele Kunden eigentlich da waren.
Das Lernen: Beide schauen sich die tatsächlichen Verkäufe an und versuchen, daraus zu lernen, wie beliebt Brötchen wirklich sind. Da sie aber nur die verkauften Brötchen sehen (nicht die enttäuschten Kunden), lernen sie aus unvollständigen Daten.

2. Das große Rätsel: Wie lernt man aus leeren Regalen?

Normalerweise ist es schwierig, aus unvollständigen Daten zu lernen. Wenn Sie nur wissen, dass 10 Brötchen verkauft wurden, aber nicht, ob 10 oder 100 Kunden da waren, ist es schwer, die Zukunft vorherzusagen.

Die Autoren des Papiers haben eine geniale mathematische Methode gefunden, um dieses Chaos zu ordnen. Sie nutzen eine spezielle Art von Wahrscheinlichkeitsrechnung (Bayes'sches Lernen), die es erlaubt, dass sich beide Parteien ihre Meinung über die Nachfrage ständig aktualisieren, auch wenn sie nur „zensierte" Daten haben.

3. Die zwei Hauptentdeckungen (Die „Magischen Tricks")

Das Papier zeigt zwei verschiedene Szenarien, je nachdem, wie sich die Nachfrage verhält:

Szenario A: Die „Weibull"-Nachfrage (Der komplexe Fall)

Stellen Sie sich vor, die Nachfrage ist sehr unvorhersehbar und kann sich stark ändern.

Das Problem: Normalerweise müsste man für jede mögliche Kombination von „wie viele Kunden kamen" und „wie viele waren enttäuscht" eine neue Rechnung machen. Das wäre wie ein riesiges Labyrinth, in dem man sich verlaufen würde.
Die Lösung: Die Autoren haben einen „Verkleinerungs-Trick" (Dimensionalitätsreduktion) gefunden. Sie zeigen, dass der Bäcker den Preis nicht für jede einzelne Zahl neu berechnen muss. Stattdessen reicht es, wenn er nur auf einen einzigen Wert schaut: Wie oft haben wir bisher genau gewusst, wie viele Kunden da waren?
Die Analogie: Stellen Sie sich vor, der Bäcker hat einen Zähler. Solange der Zähler auf 0 steht, ist er unsicher. Jedes Mal, wenn er genau weiß, wie viele Kunden da waren (weil das Regal nicht leer war), macht er einen Schritt vorwärts. Er muss sich nicht um die genaue Anzahl der Brötchen kümmern, sondern nur um diesen Zähler. Das macht die Berechnung des perfekten Preises plötzlich machbar.
Ergebnis: Der Bäcker muss den Preis nicht an die aktuelle Größe der Nachfrage anpassen, sondern nur daran, wie viel er gelernt hat.

Szenario B: Die „Exponentielle" Nachfrage (Der einfache Fall)

Stellen Sie sich vor, die Nachfrage folgt einem sehr einfachen, vorhersehbaren Muster (wie ein gleichmäßiger Strom).

Das Ergebnis: Hier ist das Spiel noch einfacher. Es gibt genau eine perfekte Strategie für beide. Man kann sie wie eine Leiter berechnen: Man fängt am Ende der Woche an und rechnet rückwärts bis zum Anfang.
Der Clou: Man muss in jedem Schritt keine komplizierte Optimierung lösen. Es ist wie ein Rezept, das man einfach abarbeiten kann. Der Bäcker weiß genau, welchen Preis er setzen muss, basierend auf dem, was er bisher gelernt hat.

4. Warum ist das wichtig?

In der echten Welt (wie bei Walmart oder großen Supermarktketten) teilen Hersteller und Händler oft Daten. Aber sie sehen immer nur das, was verkauft wurde, nicht das, was hätte verkauft werden können.

Dieses Papier sagt uns:

Auch wenn die Daten unvollständig sind, können Hersteller und Händler eine perfekte Partnerschaft finden.
Es gibt mathematische Wege, um den optimalen Preis zu setzen, ohne verrückt zu werden.
Besonders interessant: Der Hersteller muss sich nicht um die Größe der Nachfrage kümmern, sondern nur darum, wie viel Wissen er bereits gesammelt hat.

Zusammenfassung in einem Satz

Das Papier zeigt, wie ein Hersteller und ein Händler in einem unsicheren Markt, in dem sie nur unvollständige Verkaufsdaten sehen, durch kluges gemeinsames Lernen und mathematische Tricks herausfinden können, wie sie ihre Preise und Bestellungen perfekt aufeinander abstimmen, um beide maximalen Gewinn zu erzielen.

Es ist im Grunde ein Rezept für Vertrauen und Berechnung in einer Welt voller Unsicherheit.

1. Problemstellung und Kontext

Das Paper untersucht eine dynamische, endliche-Horizont-Wholesale-Preis-Kontraktbeziehung zwischen einem Hersteller (Manufacturer) und einem Händler (Retailer). Das zentrale Merkmal des Modells ist die Zensierung der Nachfrage (censored demand):

Beobachtbare Daten: Beide Parteien beobachten nur die realisierten Verkäufe ( $S_t = \min(q_t, D_t)$ ), nicht die wahre Nachfrage ( $D_t$ ).
Zensierung: Wenn der Händler ausverkauft ist ( $D_t > q_t$ ), bleibt die nicht befriedigte Nachfrage unbemerkt. Dies führt zu unvollständigen Daten für das Lernen.
Gemeinsames Lernen: Im Gegensatz zu vielen früheren Modellen, in denen nur eine Partei lernt, haben hier sowohl Hersteller als auch Händler Zugriff auf dieselben Point-of-Sale (POS)-Daten. Beide aktualisieren daher ihre gemeinsamen Überzeugungen (Posterior) über die unbekannte Nachfrageverteilung basierend auf denselben zensierten Beobachtungen.
Spielstruktur: Es handelt sich um ein dynamisches Stackelberg-Spiel mit unvollständiger Information. In jeder Periode $t$ setzt der Hersteller zuerst den Großhandelspreis $w_t$ , der Händler reagiert darauf mit einer Bestellmenge $q_t$ , und anschließend wird der Zustand (die gemeinsamen Überzeugungen) aktualisiert.

Das Ziel ist die Charakterisierung von Markov-Perfekten Gleichgewichten (MPE), bei denen die Strategien nur vom aktuellen öffentlichen Glaubenszustand (belief state) abhängen.

2. Methodik und Modellierung

Das Papier verwendet einen Bayesschen Lernansatz innerhalb eines dynamischen Spiels.

Nachfrageverteilung: Um die analytische Komplexität der zensierten Daten zu bewältigen, wird die sogenannte Newsvendor-Familie von Braden und Freimer (1991) verwendet. Die bedingte Nachfrageverteilung ist gegeben durch:
$F(y | \theta) = 1 - e^{-\theta \ell(y)}$
wobei $\theta$ $θ$ ein unbekannter Parameter ist und $\ell(y)$ $ℓ (y)$ eine wachsende Funktion ist.
- Ein Spezialfall ist die Weibull-Verteilung ( $\ell(y) = y^k$ ).
- Ein weiterer Spezialfall ist die Exponentialverteilung ( $\ell(y) = y$ , also $k=1$ ).
Prior und Posterior: Der unbekannte Parameter $\theta$ $θ$ folgt einer konjugierten Gamma-Prior-Verteilung mit den Hyperparametern $(a, b)$ $(a, b)$ (Form und Rate).
- Bei zensierten Daten (Verkauf $s_t < q_t$ ) wird der Parameter $a$ um 1 erhöht.
- Bei nicht zensierten Daten (Verkauf $s_t = q_t$ , d.h. Nachfrage war höher) wird $b$ um $\ell(s_t)$ erhöht.
- Der Zustand des Systems wird vollständig durch die Hyperparameter $(a_t, b_t)$ beschrieben, die als Markov-Zustandsvariablen dienen.
Lösungskonzept: Da die Strategien von der gesamten Historie abhängen könnten, wird auf Markov-Strategien eingeschränkt, die nur vom aktuellen Zustand $(a_t, b_t)$ abhängen. Das Lösungskonzept ist das Markov-perfekte Gleichgewicht (MPE).

3. Schlüsselbeiträge und Ergebnisse

Die Autoren liefern drei Hauptbeiträge, die sich auf die Existenz, Eindeutigkeit und Berechenbarkeit des Gleichgewichts konzentrieren:

A. Dimensionsreduktion für Weibull-Nachfrage

Für den allgemeinen Fall der Weibull-Nachfrage ( $\ell(y) = y^k$ ) stellen die Autoren eine Dimensionsreduktionstechnik vor, die auf der Arbeit von Lariviere und Porteus (1999) für Einzelentscheider aufbaut, aber hier auf ein strategisches Zwei-Ebenen-Problem erweitert wird.

Standardisierung: Durch eine Skalierung der Variablen kann das Problem so transformiert werden, dass der kontinuierliche Rate-Parameter $b$ aus der dynamischen Programmierung eliminiert wird.
Ergebnis: Das Gleichgewicht hängt nur noch vom Form-Parameter $a$ (der Anzahl der unzensierten Beobachtungen) und der Zeit ab. Der Parameter $b$ (der die Skalierung der Nachfrage widerspiegelt) beeinflusst das Gleichgewicht nur über eine einfache Skalierungsrelation.
Implikation: Der Großhandelspreis des Herstellers im Gleichgewicht hängt nicht vom aktuellen Wert von $b$ ab, sondern nur von $a$ und der Zeit. Dies ist ein überraschendes Ergebnis, da die Nachfragemenge mit $b$ skaliert, die Preisstrategie jedoch invariant bleibt.
Existenz: Es wird die Existenz eines MPE für Weibull-Nachfrage bewiesen.

B. Eindeutigkeit und Berechenbarkeit bei Exponentialnachfrage

Für den Spezialfall der Exponentialnachfrage ( $k=1$ ) wird eine stärkere Charakterisierung erreicht:

Eindeutigkeit: Das MPE ist eindeutig.
Berechnung: Das Gleichgewicht kann durch eine einfache Rückwärtsrekursion (backward recursion) berechnet werden, ohne dass in jedem Schritt ein komplexes Optimierungsproblem gelöst werden muss.
Analytische Form: Die Autoren leiten explizite Formeln für den optimalen Preis $w^*_t(a)$ und die optimale Bestellmenge $q^*_t(a, b)$ her. Diese hängen von den Differenzen der Wertfunktionen ab (z.B. $v^R_{t+1}(a+1) - v^R_{t+1}(a)$ ), was den Lernwert einer zusätzlichen unzensierten Beobachtung quantifiziert.

C. Strategische Interaktion und Lernen

Das Paper zeigt, wie das Lernen aus zensierten Daten die Preis- und Bestellstrategien verändert:

Der Hersteller nutzt den Großhandelspreis nicht nur zur Gewinnmaximierung, sondern auch, um die Informationsakkumulation des Händlers (und damit seine eigene) zu steuern.
Da beide Parteien denselben Informationsstand teilen, entsteht ein öffentliches Glaubenssystem, das den Zustand des Spiels definiert.

4. Signifikanz und Bedeutung

Theoretischer Fortschritt: Dies ist eine der ersten Arbeiten, die dynamische Verträge und strategisches Lernen aus zensierten Daten in einem Stackelberg-Spiel kombiniert. Die meisten bisherigen Studien betrachten entweder Verträge bei bekannter Nachfrage oder Lernen bei einzelnen Akteuren.
Praktische Relevanz: Das Modell spiegelt moderne Supply-Chain-Realitäten wider, in denen digitale Plattformen (wie Walmarts Luminate) Echtzeit-Verkaufsdaten teilen, aber keine Daten über verpasste Verkäufe liefern. Es liefert Einsichten, wie Hersteller in solchen Umgebungen Preise setzen sollten, wenn Unsicherheit über die Nachfrage besteht.
Methodische Innovation: Die Erweiterung der Dimensionsreduktionstechnik auf ein strategisches Setting ist ein wichtiger methodischer Schritt, der die Berechnung von Gleichgewichten in komplexen dynamischen Spielen mit Lernen ermöglicht.
Ergebnis zur Preisinvarianz: Die Erkenntnis, dass der optimale Preis im Weibull-Fall unabhängig von der Skalierung der Nachfrage ( $b$ ) ist, bietet eine robuste Heuristik für die Preisgestaltung in volatilen Märkten.

Zusammenfassung der Struktur des Papers

Einleitung: Motivation durch digitale Datenplattformen und das Problem der zensierten Nachfrage.
Literaturübersicht: Verknüpfung mit Inventory Management unter Zensierung und dynamischen Verträgen.
Modellformulierung: Definition des Spiels, der Zustandsvariablen $(a_t, b_t)$ und der Wertfunktionen.
Existenz und Dimensionsreduktion: Beweis der Existenz eines MPE für Weibull-Nachfrage und Herleitung der Standardisierung.
Charakterisierung bei Exponentialnachfrage: Beweis der Eindeutigkeit und Herleitung der rekursiven Lösung.
Offene Probleme: Ausblick auf unendliche Horizonte, andere Vertragstypen (z.B. Buyback) und asymmetrische Information.
Beweise: Detaillierte mathematische Herleitungen, einschließlich der Anwendung von Berge's Maximum Theorem zur Sicherstellung der Existenz.

Das Paper liefert somit einen rigorosen theoretischen Rahmen für das Verständnis von Preisgestaltung und Bestandsmanagement in Lieferketten, die unter Unsicherheit und unvollständiger Information operieren.