🤖 machine learning

Dynamic Pricing and Advertising with Demand Learning

Questo articolo stabilisce che la pubblicità flessibile può aumentare i ricavi di un venditore di un fattore massimo di due rispetto alla sola determinazione del prezzo, e propone un algoritmo online efficiente che raggiunge un tasso di regret ottimale di $O(T^{2/3} (m\log T)^{1/3})$ per apprendere e ottimizzare congiuntamente le strategie di prezzo e di pubblicità sotto incertezza della domanda.

Autori originali: Shipra Agrawal, Yiding Feng, Wei Tang

Pubblicato 2026-08-18

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Shipra Agrawal, Yiding Feng, Wei Tang

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Nel mercato moderno, un venditore affronta una sfida costante: come stabilire il prezzo giusto per un prodotto quando non conosce pienamente ciò che i suoi clienti sono disposti a pagare. Questa incertezza è un problema fondamentale in economia. Se un venditore fissa un prezzo troppo alto, i clienti si allontanano; se lo fissa troppo basso, lascia denaro sul tavolo. Per decenni, i ricercatori hanno studiato come i venditori possano apprendere il vero valore dei loro beni osservando come le persone reagiscono a diversi prezzi nel tempo. Questo processo è noto come apprendimento della domanda. Tuttavia, i venditori possiedono un altro strumento potente che viene spesso trascurato in questi studi: la pubblicità. Mentre i modelli economici tradizionali spesso trattano la pubblicità come un modo per ricordare semplicemente alle persone che un prodotto esiste, l'esperienza nel mondo reale mostra che la pubblicità fa qualcosa di più sottile. Essa modella il modo in cui i clienti percepiscono la qualità di un prodotto prima ancora di vederlo. Un venditore potrebbe scegliere di rivelare ogni dettaglio su un servizio, oppure potrebbe scegliere di nascondere certi aspetti, creando un senso di mistero o di fiducia. La questione è se questa capacità di controllare l'informazione possa effettivamente far guadagnare di più un venditore e, in caso affermativo, come possa determinare il perfetto equilibrio tra cosa dire e quanto far pagare senza conoscere in anticipo le preferenze dei propri clienti.

Un team di ricercatori ha affrontato questo problema costruendo un nuovo quadro che combina la scienza della determinazione del prezzo con l'arte del design dell'informazione. Hanno immaginato uno scenario in cui un venditore offre un prodotto con livelli variabili di qualità, come una scatola di prodotti ortofrutticoli recuperati dove la frutta e la verdura specifiche potrebbero cambiare da una settimana all'altra, o un servizio di ride-sharing dove l'affidabilità dell'autista è sconosciuta finché non avviene l'abbinamento. In questo contesto, il venditore conosce la vera qualità del prodotto al momento della vendita, ma il cliente no. Il venditore può quindi scegliere di inviare un segnale al cliente — essenzialmente una pubblicità — che rivela alcune, tutte o nessuna delle reali qualità del prodotto. Il cliente, vedendo questo segnale, forma un'opinione sul prodotto e decide se acquistarlo al prezzo indicato. I ricercatori volevano sapere due cose: primo, quanta parte di ricavo extra può generare un venditore utilizzando queste strategie pubblicitarie flessibili rispetto al semplice fissare un prezzo e non dire nulla? Secondo, se il venditore non conosce le preferenze dei clienti all'inizio, come può apprendere la migliore combinazione di prezzo e strategia pubblicitaria attraverso tentativi ed errori?

Lo studio rivela un limite chiaro e sorprendente al potere della pubblicità. Quando al venditore è permesso di progettare la campagna pubblicitaria perfetta e di abbinarla al prezzo singolo perfetto, può aumentare il proprio fatturato, ma solo fino a un certo punto. I ricercatori hanno dimostrato matematicamente che, indipendentemente da quanto sia ingegnosa la strategia pubblicitaria, essa non potrà mai più del doppio del ricavo che un venditore otterrebbe semplicemente pubblicando il miglior prezzo possibile senza alcuna pubblicità. Questo risultato è significativo perché stabilisce un'aspettativa realistica per le imprese. Suggerisce che, sebbene la pubblicità sia una leva preziosa da azionare, non è una bacchetta magica in grado di creare ricchezza infinita. Il valore della pubblicità è limitato e, una volta che un venditore ottimizza il proprio prezzo, il guadagno aggiuntivo derivante dalla manipolazione dell'informazione ha un tetto massimo. Inoltre, i ricercatori hanno scoperto che questo limite rimane valido anche se al venditore fosse permesso di cambiare il prezzo in base alle informazioni specifiche rivelate nella pubblicità. Un sistema di prezzo singolo e semplice, che non cambia in base al contenuto della pubblicità, è quasi altrettanto efficace di un sistema complesso di prezzi variabili, a condizione che la strategia pubblicitaria sia scelta con cura.

La seconda parte della ricerca affronta la realtà pratica per cui i venditori raramente conoscono perfettamente le preferenze dei loro clienti. Nel mondo reale, un venditore deve apprendere la curva di domanda mentre cerca contemporaneamente di guadagnare denaro. I ricercatori hanno sviluppato un nuovo algoritmo informatico che permette a un venditore di apprendere il prezzo ottimale e la strategia pubblicitaria nel tempo. Questo algoritmo funziona osservando se i clienti acquistano il prodotto o meno dopo aver visto un determinato prezzo e un determinato tipo di pubblicità. Analizzando queste risposte, l'algoritmo costruisce gradualmente un'immagine di ciò che i clienti apprezzano. I ricercatori hanno dimostrato che questo processo di apprendimento è altamente efficiente. L'algoritmo può trovare la strategia migliore con un livello di accuratezza che migliora costantemente con il passare del tempo, raggiungendo un punto in cui la perdita di potenziale ricavo è molto piccola rispetto a quella di un venditore perfetto e onnisciente. Questo risultato è valido anche senza fare forti assunzioni su quanto il comportamento dei clienti sia fluido o prevedibile. L'algoritmo è abbastanza robusto da gestire situazioni complesse in cui la relazione tra la qualità del prodotto e il desiderio del cliente non è lineare.

Per testare le loro idee, i ricercatori hanno eseguito simulazioni utilizzando diversi tipi di comportamenti dei clienti e qualità dei prodotti. In uno scenario, hanno esaminato una situazione in cui i clienti hanno un intervallo continuo di preferenze, e hanno scoperto che una strategia di divulgazione parziale attentamente progettata poteva aumentare il fatturato di oltre il trenta percentuali rispetto al semplice nascondere tutte le informazioni o rivelarle tutte. In un altro test, hanno confrontato il loro nuovo algoritmo di apprendimento con metodi più vecchi che ignoravano la pubblicità o utilizzavano una strategia pubblicitaria fissa. Il nuovo algoritmo ha costantemente superato questi parametri di riferimento, specialmente all'aumentare del numero di round di vendita. Le simulazioni hanno confermato che l'algoritmo riesce ad apprendere l'equilibrio tra l'esplorazione di nuove strategie per raccogliere informazioni e lo sfruttamento delle strategie note per fare soldi. Ha inoltre dimostrato che specificare erroneamente le preferenze del cliente — assumendo che siano diverse da quelle reali — può portare a perdite significative di ricavi, rafforzando la necessità di un apprendimento adattivo.

Le implicazioni di questo lavoro vanno oltre l'economia teorica. Fornisce una tabella di marcia per le imprese che operano in mercati con prodotti opachi o qualità incerta, come i marketplace online, le scatole in abbonamento o i servizi on-demand. La ricerca suggerisce che l'approccio più efficace non è affidarsi a una singola strategia statica, ma utilizzare i dati per affinare continuamente sia il prezzo che l'informazione condivisa con i clienti. Sebbene lo studio confermi che la pubblicità può aumentare significativamente il fatturato, offre anche una nota di cautela: i benefici sono finiti e la strategia deve essere adattata alla specifica distribuzione dei tipi di clienti. Una strategia che funziona per un mercato di acquirenti di fascia alta potrebbe fallire completamente per un mercato di acquirenti attenti al budget. Comprendendo i limiti precisi della pubblicità e utilizzando strumenti di apprendimento efficienti, i venditori possono navigare in queste incertezze con maggiore fiducia, assicurando di estrarre il massimo valore possibile da ogni transazione senza sopravvalutare il potere dei loro messaggi di marketing.

Sintesi Tecnica: Prezzi Dinamici e Pubblicità con Apprendimento della Domanda

Formulazione del Problema

Questo lavoro affronta l'ottimizzazione congiunta delle strategie di prezzo e pubblicità per un venditore monopolista che affronta l'incertezza della domanda. L'ambiente coinvolge un venditore che offre un prodotto con qualità variabile $\omega \in \Omega$ a un mercato di clienti eterogenei con tipi privati $\theta \sim F$ .

Asimmetria Informativa e Pubblicità:
Il venditore osserva la qualità realizzata del prodotto $\omega$ , mentre i clienti no. Il venditore può influenzare le credenze dei clienti progettando una strategia pubblicitaria, modellata come una politica informativa (o schema di segnalazione) $\phi$ . Questa politica prescrive una distribuzione su segnali $\sigma$ inviati ai clienti condizionatamente alla qualità realizzata $\omega$ . Dopo aver osservato un segnale, i clienti formano una credenza bayesiana posteriore $\mu$ sulla qualità e decidono di acquistare se la loro utilità attesa è non negativa.

Valutazione e Decisione:
I clienti hanno una funzione di valutazione $v(\theta, \omega)$ . Il documento assume che $v(\theta, \omega)$ sia lineare rispetto alla qualità $\omega$ e crescente e Lipschitziana rispetto al tipo $\theta$ . Un cliente di tipo $\theta$ che acquista al prezzo $p$ dopo aver osservato il segnale $\sigma$ (che induce la media posteriore $q = E[\omega|\sigma]$ ) acquista se $v(\theta, q) \geq p$ .

Obiettivi:
Il documento indaga due questioni primarie:

Valore Statico: Qual è il valore in termini di ricavi della pubblicità rispetto al solo pricing? Quanto ricavo viene perso limitando il venditore a un singolo prezzo indipendente dalla qualità?
Apprendimento Dinamico: Come può un venditore, che non conosce a priori la distribuzione dei tipi del cliente $F$ , apprendere e ottimizzare in modo adattivo sia le strategie di prezzo che quelle pubblicitarie per massimizzare il ricavo cumulativo su un orizzonte temporale $T$ ?

Il problema dinamico è formulato come un compito di apprendimento online in cui il venditore minimizza il regret, definito come la differenza tra il ricavo totale della politica statica ottimale (conoscendo $F$ ) e il ricavo ottenuto dall'algoritmo di apprendimento.

Metodologia

Analisi Statica

Gli autori caratterizzano il valore della pubblicità confrontando tre benchmark:

$OPT_{PO}$ : Ricavo ottimale con un singolo prezzo indipendente dalla qualità e senza pubblicità (nessuna informazione divulgata).
$OPT$: Ricavo ottimale con un singolo prezzo indipendente dalla qualità e una strategia pubblicitaria progettata in modo ottimale.
$OPT_{SC}$ : Ricavo ottimale con una strategia pubblicitaria e un menu di prezzi che può variare con il segnale realizzato (prezzo contingente al segnale).

L'analisi sfrutta la linearità della funzione di valutazione. Questa proprietà implica che la decisione di acquisto del cliente dipende dal segnale pubblicitario solo attraverso la media posteriore della qualità $q$ . Di conseguenza, la strategia pubblicitaria del venditore può essere riformulata come la scelta di una distribuzione sulle medie posteriori $\rho$ soggetta a vincoli di coerenza bayesiana (ovvero, la distribuzione deve essere una contrazione preservante la media della distribuzione a priori).

Algoritmo di Apprendimento Dinamico

Per affrontare la distribuzione della domanda $F$ sconosciuta, gli autori propongono un algoritmo di apprendimento online basato su un modello (Algoritmo 1).

Sfide Chiave e Soluzioni:

Spazio Decisionale ad Alta Dimensionalità: Lo spazio delle strategie pubblicitarie ammissibili (distribuzioni sulle medie posteriori) è a dimensionalità infinita.
- Soluzione: L'algoritmo riduce il problema all'apprendimento della funzione di domanda $D(\theta) = 1 - F(\theta)$ su uno spazio di tipi discretizzato.
Fattibilità della Discretizzazione: Una standard discretizzazione uniforme dello spazio dei tipi potrebbe rendere i vincoli di coerenza bayesiana non ammissibili (ovvero, non esiste una valida strategia pubblicitaria per la griglia ristretta).
- Soluzione: Gli autori introducono uno schema di discretizzazione dipendente dalla qualità e dal prezzo. Lo spazio dei tipi discretizzato $S$ è costruito non solo come una griglia uniforme, ma includendo tutti i tipi critici $\kappa(p, \omega)$ generati dalla griglia di prezzi discretizzata $P$ e dallo spazio di qualità discreto $\Omega$ . Ciò garantisce che, per qualsiasi prezzo in $P$ , esista una strategia pubblicitaria ammissibile i cui tipi critici indotti ricadano in $S$ .
Mancanza di Smoothness: La funzione di domanda $D(\cdot)$ $D (\cdot)$ non è assunto essere Lipschitziana o smooth.
- Soluzione: L'algoritmo utilizza un approccio Upper Confidence Bound (UCB) sullo spazio dei tipi discretizzato. Costruisce una stima piecewise-constant della funzione di domanda e risolve un problema di ottimizzazione (analogo al problema statico ma con la domanda stimata) per selezionare il prezzo e la strategia pubblicitaria in ogni round.

Meccanica dell'Algoritmo:

Fase di Esplorazione: L'algoritmo esplora inizialmente lo spazio dei tipi discretizzato per raccogliere dati.
Fase di Ottimizzazione: In ogni round, calcola $D^{UCB}_t(x)$ per tutti gli $x \in S$ . Successivamente, risolve un programma convesso per trovare il prezzo $p \in P$ e la distribuzione pubblicitaria $\rho$ (supportata su $Q_p = \{q : \kappa(p, q) \in S\}$ ) che massimizza il ricavo stimato utilizzando la domanda UCB.
Rounding: Una componente tecnica critica è una procedura di rounding che mappa qualsiasi strategia continua ottimale in una strategia ammissibile sulla griglia discretizzata con una perdita di ricavo limitata ( $2\epsilon$ ).

Contributi Chiave e Risultati

1. Il Valore della Pubblicità (Statico)

Il documento fornisce una caratterizzazione quantitativa rigorosa del valore della pubblicità:

Limite di Ricavo: Sotto ipotesi standard, il ricavo ottimale con pubblicità e prezzi congiunti ($OPT$) è al massimo il doppio del ricavo della sola componente di prezzo senza pubblicità ( $OPT_{PO}$ ).
$OPT_{PO} \leq OPT \leq OPT_{SC} \leq 2 \cdot OPT_{PO}$
Tightness: Il fattore 2 è stretto per tutti e tre i confronti ( $OPT/OPT_{PO}$ , $OPT_{SC}/OPT_{PO}$ , e $OPT_{SC}/OPT$ ).
Implicazione: La pubblicità può quasi raddoppiare il ricavo, ma non può migliorare il ricavo di più di un fattore due una volta che il prezzo è ottimizzato. Inoltre, un singolo prezzo indipendente dalla qualità è un'approssimazione robusta, ottenendo almeno la metà del ricavo del benchmark più flessibile del pricing contingente al segnale.

2. Regret dell'Apprendimento Dinamico

Il principale contributo algoritmico è un algoritmo online computazionalmente efficiente per il contesto dinamico:

Limite di Regret: L'algoritmo raggiunge un regret di $O(T^{2/3}(m \log T)^{1/3})$ , dove $T$ è l'orizzonte temporale e $m$ è la cardinalità dello spazio di qualità discreto.
Ottimalità: Questo tasso corrisponde al limite inferiore noto di $\Omega(T^{2/3})$ per il pricing dinamico senza pubblicità (il caso in cui $m=1$ ), a meno di fattori logaritmici. Ciò indica che l'apprendimento della politica pubblicitaria ottimale non comporta costi asintotici aggiuntivi rispetto all'apprendimento della domanda per il solo pricing, a condizione che lo spazio di qualità sia piccolo.
Assunzioni: Il risultato è valido senza assunzioni di Lipschitz o smoothness sulla funzione di domanda, basandosi solo sulla linearità della valutazione in qualità e su lievi condizioni di regolarità della funzione di valutazione.

3. Casi Speciali ed Estensioni

Valutazioni Additive: Per il caso ampiamente studiato delle valutazioni additive ( $v(\theta, \omega) = \theta + \omega$ ), gli autori derivano limiti di regret migliorati. Se lo spazio di qualità è equispaziato, il regret migliora a $O(T^{2/3}(\log T)^{1/3} + \sqrt{mT \log T})$ .
Spazi di Qualità Grandi/Continui: Per le valutazioni additive con spazi di qualità arbitrariamente grandi o continui, una riduzione basata sul pooling permette di raggiungere un regret di $\tilde{O}(T^{3/4})$ indipendente dalla dimensione dello spazio di qualità.

Significato e Rivendicazioni

Il documento sostiene di essere il primo a integrare la persuasione bayesiana (design dell'informazione) con il pricing dinamico e l'apprendimento della domanda.

Giustificazione Teorica: Fornisce una rigorosa giustificazione teorica per la pratica comune di utilizzare un singolo prezzo esposto. Anche quando viene utilizzata la pubblicità per plasmare le credenze, un singolo prezzo è entro un fattore due della strategia di pricing ottimale contingente al segnale.
Rilevanza Pratica: Il lavoro affronta la sfida pratica in cui i venditori mancano di conoscenza pregressa sulle preferenze dei clienti. Dimostra che i venditori possono apprendere a ottimizzare congiuntamente la divulgazione delle informazioni (pubblicità) e il pricing per massimizzare il ricavo, anche senza conoscere la curva di domanda.
Innovazione Algoritmica: Le tecniche di discretizzazione e rounding proposte superano la natura ad alta dimensionalità e non smooth del problema di design pubblicitario, offrendo una soluzione computazionalmente trattabile che raggiunge tassi di regret ottimali.

Gli autori osservano che, sebbene il limite di ricavo del fattore 2 si estenda a valutazioni non lineari nella qualità, i risultati sull'apprendimento della domanda si basano criticamente sull'assunzione di linearità per ridurre lo spazio degli stati alle medie posteriori. Identificano l'estensione di queste tecniche di apprendimento a valutazioni non lineari come una direzione per lavori futuri.