📊 statistics

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

यह शोध पत्र अपूर्ण ऐतिहासिक डेटा कवरेज वाले वातावरण में ऑफलाइन डायनेमिक प्राइसिंग के लिए एक नॉनपैरामीट्रिक पार्शियल आइडेंटिफिकेशन फ्रेमवर्क प्रस्तावित करता है, जिसमें विशिष्ट पेसिमिस्टिक (निराशावादी) और ऑपर्चुनिस्टिक (अवसरवादी) निर्णय नियम पेश किए गए हैं जो परिमित-नमूना रिग्रेट बाउंड्स प्रदान करते हैं और मानक ऑफलाइन सुदृढीकरण शिक्षण (रीइन्फोर्समेंट लर्निंग) बेसलाइनों से बेहतर प्रदर्शन करते हैं और साथ ही एक फर्म के जोखिम दृष्टिकोण को उसकी इष्टतम मूल्य निर्धारण रणनीति के साथ मैप करते हैं।

मूल लेखक: Zeyu Bian, Zhengling Qi, Lan Wang

प्रकाशित 2026-05-22

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zeyu Bian, Zhengling Qi, Lan Wang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक एयरलाइन के कैप्टन हैं जो टिकट बेचने की कोशिश कर रहे हैं। आपका लक्ष्य एक आदर्श कीमत तय करना है: इतनी अधिक कि आप पैसा कमा सकें, लेकिन इतनी कम कि लोग वास्तव में टिकट खरीदें।

आमतौर पर कैप्टन प्रयोग करके सीखते हैं: "चलिए आज $200 आजमाते हैं, कल$ 300 देखते हैं और देखते हैं क्या होता है।" लेकिन वास्तविक दुनिया में, कंपनियाँ अक्सर प्रयोग नहीं कर सकतीं। वे खराब कीमतों के कारण पैसा खोने का जोखिम नहीं उठा सकतीं, या उनके पास हर संभावित कीमत बिंदु का परीक्षण करने का समय नहीं होता है। इसके बजाय, उन्हें आगे बढ़ने के लिए पिछले बिक्री के "इतिहास की किताब" को देखना होता है। इसे "ऑफलाइन डायनेमिक प्राइसिंग" कहा जाता है।

समस्या: इतिहास की किताब में "गायब पन्ने"

इस शोध पत्र के लेखक बताते हैं कि कंपनियाँ आमतौर पर इतिहास की किताबों का उपयोग कैसे करती है, इसमें एक बड़ी खामी है।

कल्पना कीजिए कि आपकी इतिहास की किताब में केवल $100, $200 और$ 400 की कीमतों के लिए प्रविष्टियाँ हैं। इसमें $300 के लिए कोई डेटा नहीं है।

पुराना तरीका: अधिकांश कंप्यूटर एल्गोरिदम कहते हैं, "हमारे पास $300 के लिए कोई डेटा नहीं है, इसलिए हम इसका उपयोग नहीं कर सकते। आइए उन कीमतों में से सबसे अच्छी कीमत चुनें जो हमारे पास *हैं* ($ 100, $200, या$ 400)।"
खतरा: क्या होगा यदि परफेक्ट कीमत वास्तव में $300 थी? रिकॉर्ड में "गायब" होने के कारण उसे अनदेखा करके, कंपनी हाथ से पैसा जाने दे रही है।

इस शोध पत्र में इसे "नो-कवरेज" (no-coverage) समस्या कहा गया है। डेटा अधूरा है, और सबसे अच्छी कीमत रिकॉर्ड में पूरी तरह से गायब हो सकती है।

समाधान: "कॉमन सेंस" (मोनोटोनिसिटी) का उपयोग करना

लेखक इतिहास की किताब को पढ़ने का एक नया तरीका प्रस्तावित करते हैं। वे अर्थशास्त्र के एक सरल नियम पर भरोसा करते हैं जिसे मोनोटोनिसिटी (monotonicity) कहा जाता है: अन्य सभी चीजें समान रहने पर, यदि आप कीमत बढ़ाते हैं, तो कम लोग खरीदारी करेंगे।

इसे एक सीढ़ी की तरह सोचिए। यदि आप जानते हैं कि $200 पर कितने लोगों ने टिकट खरीदे और$ 400 पर कितने लोगों ने, तो आप $300 की कीमत के बारे में बहुत सटीक अनुमान लगा सकते हैं, भले ही किसी ने भी ठीक$ 300 पर कभी खरीदारी न की हो।

$200 की तुलना में$ 300 पर मांग कम होगी।
$400 की तुलना में$ 300 पर मांग अधिक होगी।

इसलिए, केवल $300 के लिए एक संख्या बताने के बजाय, लेखक एक **"सेफ ज़ोन" (सुरक्षित क्षेत्र)** या अंतराल बनाते हैं। वे कहते हैं, "हमें सटीक संख्या नहीं पता, लेकिन हम जानते हैं कि यह$ 200 के परिणाम और $400 के परिणाम के बीच कहीं है।"

दो रणनीतियाँ: कछुआ और लोमड़ी

एक बार जब उनके पास एकल संख्याओं के बजाय ये "सेफ ज़ोन" आ जाते हैं, तो लेखक कंपनी के लिए दो अलग-अलग निर्णय लेने की शैलियाँ बनाते हैं।

1. निराशावादी नीति (कछुआ - The Turtle) 🐢

मानसिकता: "सबसे खराब स्थिति।"
यह कैसे काम करता है: कछुआ हर कीमत के लिए "सेफ ज़ोन" को देखता है और पूछता है, "यदि मैं यह कीमत चुनता हूँ तो मैं न्यूनतम कितनी राशि कमा सकता हूँ?" फिर यह उस कीमत को चुनता है जो उन सबसे खराब-मामलों में उच्चतम गारंटीकृत राशि प्रदान करती है।
यह किसके लिए है? एक ऐसी कंपनी के लिए जो पैसा खोने से डरती है। यदि आप एक छोटा व्यवसाय हैं जो एक बुरा दिन बर्दाश्त नहीं कर सकता, तो आपको कछुआ चाहिए। यह आपको नुकसान से बचाता है। यह सुरक्षित, स्थिर और उबाऊ है।

2. अवसरवादी नीति (लोमड़ी - The Fox) 🦊

मानसिकता: "मैं क्या खो रहा हूँ?"
यह कैसे काम करता है: लोमड़ी "सेफ ज़ोन" को देखती है और पूछती है, "यदि मैं यह कीमत चुनता हूँ, तो मैं सबसे अच्छे विकल्प की तुलना में कितना खराब कर सकता हूँ?" यह "पछतावे" (regret) को कम करने की कोशिश करती है कि गलत चुनाव करने का क्या परिणाम होगा।
अंतर: यदि किसी कीमत का "सबसे खराब मामला" कम है लेकिन "सबसे अच्छा मामला" (बड़ा संभावित लाभ) बहुत बड़ा है, तो लोमड़ी अभी भी उसे चुन सकती है। कछुआ इसे तुरंत अस्वीकार कर देगा क्योंकि इसका निचला स्तर (floor) बहुत कम है। लोमड़ी एक बड़ी जीत हासिल करने के लिए गणना किए गए जोखिम लेने के लिए तैयार रहती है।
यह किसके लिए है? एक स्थापित बड़ी कंपनी के लिए जिसके पास गहरा बजट है और जो बढ़ना चाहती है। यदि आपके पास बड़े लाभ के लिए छोटे नुकसान को सहने के संसाधन हैं, तो आपको लोमड़ी चाहिए।

परिणाम: प्रयोगों में क्या हुआ?

लेखकों ने कंप्यूटर सिमुलेशन और एयरलाइन टिकटों (विशेष रूप से न्यूयॉर्क से चार्लोट की उड़ानों) के वास्तविक डेटा का उपयोग करके इन विचारों का परीक्षण किया।

पुराने तरीके: जब डेटा गायब था (जैसे $300 की कीमत), तो मानक कंप्यूटर प्रोग्राम विफल रहे। वे उन्हीं कीमतों पर टिके रहे जो उनके पास थीं, भले ही वे उप-इष्टतम (suboptimal) थीं।
नए तरीके:
- अवसरवादी (लोमड़ी) रणनीति विजेता रही। यह उन "गायब" कीमतों को चुनने के लिए पर्याप्त साहसी थी जो वास्तव में सबसे लाभदायक साबित हुईं। कई परीक्षणों में, इसने लगभग उतना ही प्रदर्शन किया जितना कि पूर्ण डेटा होने पर होता।
- निराशावादी (कछुआ) रणनीति पुराने मानक तरीकों से बेहतर थी लेकिन कभी-कभी बहुत अधिक सतर्क थी। हालांकि, यह आपदा से बचने के लिए उत्कृष्ट थी।
- महत्वपूर्ण रूप से, अन्य शोधकर्ताओं द्वारा उपयोग किए जाने वाले पुराने "निराशावादी" तरीके कभी भी गायब कीमत को नहीं चुनते थे। नया "रिफाइंड निराशावादी" तरीका इसे चुन सकता था, लेकिन केवल बहुत विशिष्ट स्थितियों में (जैसे कि यदि गायब कीमत उच्चतम संभव कीमत हो)।

मुख्य निष्कर्ष

यह शोध पत्र कंपनियों को एक व्यावहारिक मानचित्र देता है कि जब उनका डेटा अधूरा हो तो क्या करें:

गायब कीमतों को अनदेखा न करें। उच्च और निम्न कीमतों के बीच के संबंध का उपयोग यह अनुमान लगाने के लिए करें कि गायब कीमतें क्या हो सकती हैं।
अपना व्यक्तित्व चुनें।
- यदि आपको सुरक्षा चाहिए और आप पैसा खोने से डरते हैं, तो निराशावादी (Pessimistic) नियम का उपयोग करें।
- यदि आप विकास चाहते हैं और बहुत कुछ पाने के लिए थोड़ा जोखिम उठाने को तैयार हैं, तो अवसरवादी (Opportunistic) नियम का उपयोग करें।

यह शोध पत्र गणितीय रूप से सिद्ध करता है कि इस विशिष्ट समस्या को संभालने के लिए ये दो नियम सबसे अच्छे तरीके हैं, जो कंपनियों को उनकी जोखिम लेने की क्षमता के आधार पर एक स्पष्ट विकल्प देते हैं।

तकनीकी सारांश: दो शहरों की कहानी: ऑफलाइन डायनेमिक प्राइसिंग में निराशावाद और अवसरवाद

समस्या विवरण
यह शोध पत्र उन वातावरणों में ऑफलाइन डायनेमिक प्राइसिंग की चुनौती को संबोधित करता है जहाँ ऐतिहासिक डेटा मूल्य स्थान (price space) की अपूर्ण कवरेज प्रदान करता है। कई व्यावहारिक अनुप्रयोगों में, फर्में व्यापक प्रयोग की लागत या जोखिमों को वहन नहीं कर सकती हैं, जिससे ऐसे डेटासेट बनते हैं जहाँ कुछ उम्मीदवार कीमतें—संभावित रूप से इष्टतम (optimal) कीमतें भी शामिल हैं—पूरी तरह से अनुपलब्ध होती हैं। मानक ऑफलाइन सुदृढीकरण शिक्षण (Reinforcement Learning - RL) विधियाँ, जिनमें पूर्ण कवरेज या आंशिक कवरेज धारणाओं (जहाँ डेटा में इष्टतम नीति के कार्यों का प्रतिनिधित्व होना चाहिए) पर आधारित विधियाँ शामिल हैं, इन "नो-कवरेज" (no-coverage) सेटिंग्स में विफल हो जाती हैं। जब इष्टतम मूल्य अनुपस्थित होता है, तो डिमांड (मांग) और Q-फंक्शन्स अब पॉइंट-आइडेंटिफाइड नहीं रह जाते, जिससे मानक अनुमानक (estimators) उप-इष्टतम या अनुपयुक्त हो जाते हैं। लेखक बिना किसी डेटा कवरेज धारणा के काम करने के लिए एक सांख्यिकीय रूप से सुदृढ़ ढांचा विकसित करने का लक्ष्य रखते हैं, जो इस मौलिक आर्थिक नियम का लाभ उठाता है कि मांग, कीमत के सापेक्ष गैर-बढ़ती (non-increasing) होती है।

कार्यप्रणाली (Methodology)
लेखक एक नॉनपैरामेट्रिक पार्शियल-आइडेंटिफिकेशन फ्रेमवर्क का प्रस्ताव करते हैं जो अनऑब्जर्व्ड (unobserved) कीमतों के लिए डिमांड बाउंड्स (demand bounds) बनाने के लिए कीमत के सापेक्ष मांग की एकतंत्रीता (monotonicity) का उपयोग करता है।

पार्शियल आइडेंटिफिकेशन फ्रेमवर्क:
पैरामेट्रिक मॉडल के माध्यम से एक्सट्रपलेशन करने के बजाय, यह विधि अनऑब्जर्व्ड कीमतों $a$ पर डिमांड डिस्ट्रीब्यूशन फंक्शन $F_t(d|a)$ के लिए इंटरवल बाउंड्स का निर्माण करती है। ये बाउंड्स निकटतम निचले ( $a^L_t$ ) और ऊपरी ( $a^U_t$ ) ऑब्जर्व्ड कीमतों पर प्राप्त डिमांड डिस्ट्रीब्यूशन से प्राप्त होते हैं। विशेष रूप से, एक अनऑब्जर्व्ड कीमत $a$ के लिए, कंडीशनल CDF को $F_t(d|a^L_t) \le F_t(d|a) \le F_t(d|a^U_t)$ द्वारा सीमित किया जाता है। सैंपलिंग एरर को ध्यान में रखते हुए, लेखक इन बाउंड्स को ड्वेट्ज़की-कीफर-वोल्फोविट्ज़ (Dvoretzky–Kiefer–Wolfowitz) असमानता से प्राप्त कॉन्फिडेंस इंटरवल्स का उपयोग करके परिष्कृत करते हैं, यह सुनिश्चित करते हुए कि वास्तविक CDF उच्च संभावना के साथ निर्मित अंतराल के भीतर रहे।
निर्णय नियम (Decision Rules):
इस ढांचे के भीतर, लेखक दो अलग-अलग डायनेमिक निर्णय नियम प्रस्तावित करते हैं जो अनुक्रमिक नो-कवरेज वातावरण के लिए अनुकूलित हैं:

निराशावादी नीति (Pessimistic Policy): यह नीति 'वर्स्ट-केस रेवेन्यू' (सबसे खराब स्थिति वाले राजस्व) को अधिकतम करती है। यह उस कीमत का चयन करती है जो Q-फंक्शन के लोअर बाउंड को अधिकतम करती है, जिसे अनऑब्जर्व्ड डिमांड डिस्ट्रीब्यूशन के कॉन्फिडेंस सेट पर Q-फंक्शन को न्यूनतम करके बनाया जाता है। यह दृष्टिकोण तब सुरक्षा प्रदान करता है जब अनऑब्जर्व्ड कीमतों के बारे में अनिश्चितता पर्याप्त हो।
अवसरवादी नीति (Opportunistic Policy): यह नीति सबसे अच्छे व्यवहार्य विकल्प के सापेक्ष 'वर्स्ट-केस रिग्रेट' (सबसे खराब स्थिति वाले पछतावे) को कम करती है। निराशावादी दृष्टिकोण के विपरीत, जो राजस्व के निचले स्तर पर केंद्रित है, अवसरवादी दृष्टिकोण उस अधिकतम रिग्रेट पर विचार करता है जो अज्ञात डिमांड के वर्स्ट-केस रियलाइजेशन के तहत सबसे अच्छे वैकल्पिक एक्शन की तुलना में हो सकता है। यह फर्मों को कम-एक्सप्लोर्ड (under-explored) कीमतों से संभावित लाभ उठाने की अनुमति देता है।

एल्गोरिदम:
लेखक बैकवर्ड इंडक्शन (डायनेमिक प्रोग्रामिंग) का उपयोग करके दोनों नीतियों के लिए कुशल एल्गोरिदम विकसित करते हैं। मुख्य कम्प्यूटेशनल चरण निर्मित कॉन्फिडेंस सेट्स के भीतर वर्स्ट-केस Q-वैल्यू (निराशावादी नीति के लिए) या वर्स्ट-केस रिग्रेट (अवसरवादी नीति के लिए) खोजने के लिए एक लीनियर प्रोग्राम को हल करना है।

प्रमुख योगदान

नो-कवरेज फ्रेमवर्क: यह पेपर पहला ऑफलाइन डायनेमिक प्राइसिंग तकनीक प्रस्तुत करता है जो बिना किसी डेटा कवरेज धारणा के वैध रहता है। यह जब इष्टतम कीमतें ऑफलाइन डेटा में गायब होती हैं, तो पॉलिसी लर्निंग के लिए एक पार्शियल-आइडेंटिफिकेशन फ्रेमवर्क पेश करता है, जो डिमांड, पॉलिसी क्लास, या Q-फंक्शन क्लास पर कोई पैरामेट्रिक प्रतिबंध नहीं लगाता है।
सैद्धांतिक गारंटी: लेखक दोनों (निराशावादी और अवसरवादी) नीतियों के लिए 'फाइनाइट-सैंपल रिग्रेट बाउंड्स' स्थापित करते हैं। ये बाउंड्स दो घटकों में विभाजित हैं: एक ऑब्जर्व्ड कीमतों के लिए एस्टिमेशन एरर को कैप्चर करता है और दूसरा अनऑब्जर्वड इष्टतम कीमतों के कारण होने वाली अतिरिक्त लागत को मापता है।
- जब इष्टतम कीमत कवर होती है, तो रिग्रेट मानक दर $O_p(\sqrt{\log N / N})$ को रिकवर करता है।
- जब कवरेज विफल होता है, तो परिणाम पार्शियल आइडेंटिफिकेशन के तहत सीखने की सटीक लागत को मात्रात्मक रूप से बताते हैं, यह दिखाते हुए कि बाउंड टाइट (प्राप्य) है।
मैनेजेरियल मैपिंग: यह ढांचा एक फर्म की जोखिम मुद्रा (risk posture) से उसकी प्राइसिंग पॉलिसी तक एक व्यावहारिक मैपिंग प्रदान करता है। यह उन फर्मों के बीच अंतर करता है जो राजस्व स्थिरता (निराशावादी नीति) चाहती हैं और वे जो संभावित लाभ के लिए मापे गए जोखिम उठाने को तैयार हैं (अवसरवादी नीति)।

परिणाम
लेखक अपने तरीकों का मूल्यांकन सिमुलेशन और एयरलाइन टिकट प्राइसिंग के एक रियल-डेटा एप्लिकेशन के माध्यम से करते हैं।

सिमुलेशन: विभिन्न मिसिंग-डेटा मैकेनिज्म के साथ पॉइसन (Poisson) और नेगेटिव बाइनोमियल (Negative Binomial) डिमांड मॉडल का उपयोग करते हुए, प्रस्तावित विधियों की तुलना मानक ऑफलाइन RL बेसलाइन्स (Greedy, Vanilla Pessimistic, Conservative Q-Learning, और Batch-Constrained Q-learning) से की जाती है। परिणाम दिखाते हैं कि प्रस्तावित अवसरवादी विधि अक्सर बेसलाइन्स से बेहतर प्रदर्शन करती है, विशेष रूप से उन परिदृश्यों में जहाँ बिहेवियर पॉलिसी सब-ऑप्टिमल है या डेटा कवरेज विरल (sparse) है। अवसरवादी विधि अक्सर अनऑब्जर्व्ड इष्टतम कीमतों के साथ भी ऑरेकल ऑप्टिमल पॉलिसी के प्रदर्शन के बराबर पहुँच जाती है। परिष्कृत निराशावादी विधि भी कई मामलों में वैनिला निराशावादी दृष्टिकोण से बेहतर प्रदर्शन करती है। उल्लेखनीय रूप से, अवसरवादी विधि ही एकमात्र ऐसी है जो अनऑब्जर्व्ड इष्टतम कीमतों को चुनने में सक्षम है, जबकि निराशावादी बेसलाइन्स (अधिकांश मामलों में परिष्कृत संस्करण सहित) उन्हें बाहर कर देते हैं।
रियल डेटा एप्लीकेशन: एक्सपीडिया (Expedia) एयरलाइन टिकट डेटा (JFK से CLT) के विश्लेषण में, जहाँ कुछ प्राइस पॉइंट्स कम प्रतिनिधित्व वाले थे, प्रस्तावित अवसरवादी विधि ने मोंटे कार्लो सिमुलेशन में उच्चतम अनुभवजन्य कुल राजस्व प्राप्त किया। परिष्कृत निराशावादी विधि तीसरे स्थान पर रही, जिसका प्रदर्शन CQL से थोड़ा कम था, जबकि वैनिला निराशावादी दृष्टिकोण ने सबसे कम राजस्व दिया। अवसरवादी दृष्टिकोण ने विशिष्ट स्टेट्स में अनऑब्जर्व्ड प्राइस पॉइंट को सफलतापूर्वक चुना, जबकि CQL नहीं कर सका।

महत्व और दावे
यह पेपर ऑफलाइन डायनेमिक प्राइसिंग और पार्शियल आइडेंटिफिकेशन के बीच के अंतर को एक अनुक्रमिक, नो-कवरेज वातावरण में जोड़ने का दावा करता है। यह तर्क देता है कि मौजूदा ऑफलाइन RL विधियाँ उन प्राइसिंग समस्याओं के लिए अपर्याप्त हैं जहाँ इष्टतम कीमत ऐतिहासिक डेटा में पूरी तरह से अनुपस्थित हो सकती है। डिमांड मोनोटोनिसिटी का लाभ उठाकर, प्रस्तावित फ्रेमवर्क बिना किसी पैरामेट्रिक धारणा के ऑब्जर्व्ड डेटा के सपोर्ट से परे पॉलिसी लर्निंग की अनुमति देता है। लेखक जोर देते हैं कि उनके रिग्रेट बाउंड्स टाइट और रेट-ऑप्टिमल हैं। प्रबंधकीय रूप से, यह कार्य निर्णय लेने वालों के लिए एक सूक्ष्म उपकरण प्रदान करता है, जिससे उन्हें डाउनसाइड प्रोटेक्शन के लिए एक रूढ़िवादी रणनीति (निराशावाद) और संभावित लाभ के लिए एक आक्रामक रणनीति (अवसरवाद) के बीच चयन करने की अनुमति मिलती है, जो उनकी जोखिम सहनशीलता और संसाधनों की उपलब्धता पर निर्भर करता है। पेपर यह निष्कर्ष निकालता है कि हालांकि कोई भी एक रणनीति समान रूप से बेहतर प्रदर्शन नहीं करती है, लेकिन चुनाव विशिष्ट संदर्भ और जोखिम एवं अनिश्चितता के संबंध में फर्म के रणनीतिक लक्ष्यों पर निर्भर करता है।