🤖 machine learning

Dynamic Pricing and Advertising with Demand Learning

Dit artikel stelt vast dat flexibele advertenties de omzet van een verkoper met maximaal een factor twee kunnen verhogen in vergelijking met alleen prijsstelling, en stelt een efficiënt online algoritme voor dat een optimale $O(T^{2/3} (m\log T)^{1/3})$ regret-snelheid bereikt voor het gezamenlijk leren en optimaliseren van prijs- en advertentiestrategieën onder onzekerheid van de vraag.

Oorspronkelijke auteurs: Shipra Agrawal, Yiding Feng, Wei Tang

Gepubliceerd 2026-08-18

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Shipra Agrawal, Yiding Feng, Wei Tang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

In de moderne marktplaats staat een verkoper voor een constante uitdaging: hoe stel je de juiste prijs vast voor een product wanneer je niet volledig weet wat klanten bereid zijn ervoor te betalen. Deze onzekerheid is een fundamenteel probleem in de economie. Als een verkoper de prijs te hoog instelt, lopen klanten weg; als hij de prijs te laag instelt, laat hij geld liggen. Decennialang hebben onderzoekers bestudeerd hoe verkopers de werkelijke waarde van hun goederen kunnen leren kennen door te kijken naar hoe mensen reageren op verschillende prijzen in de loop van de tijd. Dit proces staat bekend als vraag-leren (demand learning). Echter, verkopers beschikken over een ander krachtig instrument dat in deze studies vaak over het hoofd wordt gezien: reclame. Terwijl traditionele economische modellen reclame vaak behandelen als een manier om mensen er simpelweg aan te herinneren dat een product bestaat, laat de praktijk zien dat reclame iets subtielers doet. Het vormt de manier waarop klanten de kwaliteit van een product waarnemen nog voordat ze het daadwerkelijk zien. Een verkoper kan ervoor kiezen om elk detail over een dienst te onthullen, of hij kan ervoor kiezen bepaalde aspecten te verbergen, waardoor een gevoel van mysterie of vertrouwen ontstaat. De vraag is of dit vermogen om informatie te controleren een verkoper daadwerkelijk meer geld kan opleveren, en zo ja, hoe zij de perfecte balans kunnen vinden tussen wat men vertelt en wat men vraagt, zonder vooraf de voorkeuren van hun klanten te kennen.

Een team van onderzoekers heeft dit probleem aangepakt door een nieuw kader te bouwen dat de wetenschap van prijsstelling combineert met de kunst van informatieontwerp. Zij stelden zich een scenario voor waarin een verkoper een product aanbiedt met variërende kwaliteitsniveaus, zoals een doos met gered produce waarbij de specifieke vruchten en groenten van week tot week kunnen veranderen, of een ritvervoer-dienst waarbij de betrouwbaarheid van de chauffeur onbekend is totdat de koppeling is gemaakt. In deze setting kent de verkoper de werkelijke kwaliteit van het product op het moment van verkoop, maar de klant niet. De verkoper kan vervolgens besluiten om een signaal naar de klant te sturen—in feite een advertentie—dat sommige, alle of geen van de werkelijke kwaliteiten van het product onthult. De klant, die dit signaal ziet, vormt een overtuiging over het product en besluit of hij het wil kopen tegen de gecommuniceerde prijs. De onderzoekers wilden twee dingen weten: ten eerste, hoeveel extra omzet kan een verkoper genereren door gebruik te maken van deze flexibele advertentiestrategieën vergeleken met enkel een prijs vast te stellen en niets te zeggen? En ten tweede, als de verkoper de voorkeuren van de klanten aan het begin niet kent, hoe kan hij de beste combinatie van prijs en advertentiestrategie ontdekken door middel van trial-and-error?

De studie onthult een duidelijke en verrassende limiet aan de kracht van reclame. Wanneer de verkoper in staat is om de perfecte advertentiecampagne te ontwerpen en deze te koppelen aan de perfecte enkele prijs, kan hij de omzet verhogen, maar slechts tot een bepaald punt. De onderzoekers hebben wiskundig bewezen dat, ongeacht hoe slim de advertentiestrategie ook is, deze de omzet die een verkoper zou krijgen door simpelweg de best mogelijke prijs te publiceren zonder enige reclame, nooit meer dan kan verdubbelen. Deze bevinding is significant omdat het een realistisch verwachtingspatroon schept voor bedrijven. Het suggereert dat hoewel reclame een waardevolle hendel is om aan te trekken, het geen toverstaf is die oneindige rijkdom kan creëren. De waarde van reclame is begrensd, en zodra een verkoper zijn prijs optimaliseert, heeft de extra winst uit het manipuleren van informatie een plafond. Bovendien vonden de onderzoekers dat deze grens standhoudt, zelfs als de verkoper de mogelijkheid zou hebben om de prijs te wijzigen op basis van de specifieke informatie die in de advertentie wordt onthuld. Een eenvoudige, enkele prijs die niet verandert op basis van de inhoud van de advertentie, is bijna even effectief als een complex systeem van variabele prijsstelling, mits de advertentiestrategie zorgvuldig wordt gekozen.

Het tweede deel van het onderzoek behandelt de praktische realiteit dat verkopers de voorkeuren van hun klanten zelden perfect kennen. In de echte wereld moet een verkoper de vraagcurve leren kennen terwijl hij tegelijkertijd probeert geld te verdienen. De onderzoekers ontwikkelden een nieuw computeralgoritme waarmee een verkoper de optimale prijs en advertentiestrategie in de loop van de tijd kan leren. Dit algoritme werkt door te observeren of klanten het product wel of niet kopen nadat ze een specifieke prijs en een specifiek type advertentie hebben gezien. Door deze reacties te analyseren, bouwt het algoritme geleidelijk een beeld op van wat klanten waarderen. De onderzoekers toonden aan dat dit leerproces zeer efficiënt is. Het algoritme kan de beste strategie vinden met een nauwkeurigheid die gestaag verbetert naarmate de tijd verstrijkt, waarbij het verlies in potentiële omzet zeer klein is in vergelijking met wat een perfecte, alwetende verkoper zou bereiken. Dit resultaat is houdbaar, zelfs zonder sterke aannames te doen over hoe vloeiend of voorspelbaar het consumentengedrag is. Het algoritme is robuust genoeg om complexe situaties aan te kunnen waarbij de relatie tussen productkwaliteit en klantbehoefte niet rechtlijnig is.

Om hun ideeën te testen, voerden de onderzoekers simulaties uit met verschillende soorten consumentengedrag en productkwaliteiten. In één scenario keken ze naar een situatie waarin klanten een continu spectrum van voorkeuren hebben, en zij ontdekten dat een zorgvuldig ontworpen strategie van gedeeltelijke openbaarmaking de omzet met meer dan dertig procent kan verhogen vergeleken met het simpelweg verbergen van alle informatie of het onthullen van alles. In een andere test vergeleken ze hun nieuwe leeralgoritme met oudere methoden die ofwel reclame negeerden of een vaste advertentiestrategie gebruikten. Het nieuwe algoritme presteerde consequent beter dan deze baselines, vooral naarmate het aantal verkooprondes toenam. De simulaties bevestigden dat het algoritme erin slaagt om de balans te leren vinden tussen het verkennen van nieuwe strategieën om informatie te verzamelen en het exploiteren van bekende strategieën om geld te verdienen. Het toonde ook aan dat het verkeerd specificeren van de voorkeuren van de klant—ervan uitgaan dat deze anders zijn dan ze werkelijk zijn—kan leiden tot aanzienlijke omzetverliezen, wat het belang van adaptief leren onderstreept.

De implicaties van dit werk reiken verder dan de theoretische economie. Het biedt een routekaart voor bedrijven die opereren in markten met ondoorzichtige producten of onzekere kwaliteit, zoals online marktplaatsen, abonnementenboxen of on-demand diensten. Het onderzoek suggereert dat de meest effectieve aanpak niet is om te vertrouwen op een enkele statische strategie, maar om data te gebruiken om zowel de prijs als de gedeelde informatie met klanten continu te verfijnen. Hoewel de studie bevestigt dat reclame de omzet aanzienlijk kan verhogen, biedt het ook een waarschuwing: de voordelen zijn eindig, en de strategie moet worden afgestemd op de specifieke distributie van klanttypen. Een strategie die werkt voor een markt van high-end kopers, kan volledig falen voor een markt van budgetbewuste shoppers. Door het precieze begrip van de grenzen van reclame en het gebruik van efficiënte leermiddelen, kunnen verkopers deze onzekerheden met meer vertrouwen navigeren, waardoor zij de maximale waarde uit elke transactie kunnen halen zonder de kracht van hun marketingboodschappen te overschatten.

Technische Samenvatting: Dynamische Prijsstelling en Reclame met Vraagleren

Probleemformulering

Dit werk behandelt de gezamenlijke optimalisatie van prijsstrategieën en reclame voor een monopolist die te maken heeft met onzekerheid in de vraag. De setting betreft een verkoper die een product aanbiedt met een variërende kwaliteit $\omega \in \Omega$ aan een markt van heterogene klanten met private typen $\theta \sim F$ .

Informatie-asymmetrie en Reclame:
De verkoper observeert de gerealiseerde productkwaliteit $\omega$ , terwijl de klanten dat niet doen. De verkoper kan de overtuigingen van klanten beïnvloeden door een reclame-strategie te ontwerpen, gemodelleerd als een informatiebeleid (of signaleringsschema) $\phi$ . Dit beleid schrijft een distributie over signalen $\sigma$ voor die naar klanten worden gestuurd, geconditioneerd op de gerealiseerde kwaliteit $\omega$ . Na het observeren van een signaal vormen klanten een Bayesiaanse posterieure overtuiging $\mu$ over de kwaliteit en besluiten zij tot aankoop als hun verwachte nut niet-negatief is.

Waardering en Besluitvorming:
Klanten hebben een waarderingsfunctie $v(\theta, \omega)$ . Het artikel gaat ervan uit dat $v(\theta, \omega)$ lineair is in kwaliteit $\omega$ en toenemend en Lipschitz-continu in type $\theta$ . Een klant van type $\theta$ die koopt tegen prijs $p$ na het observeren van signaal $\sigma$ (dat een posterieure gemiddelde kwaliteit $q = E[\omega|\sigma]$ induceert), koopt als $v(\theta, q) \geq p$ .

Doelstellingen:
Het artikel onderzoekt twee primaire vragen:

Statische Waarde: Wat is de waarde van reclame voor de omzet vergeleken met alleen prijsstelling? Hoeveel omzet gaat er verloren door de verkoper te beperken tot een enkele, kwaliteit-onafhankelijke prijs?
Dynamisch Leren: Hoe kan een verkoper, die de verdeling van de klanttypen $F$ vooraf niet kent, adaptief zowel prijs- als reclame-strategieën leren en optimaliseren om de cumulatieve omzet over een tijdshorizon $T$ te maximaliseren?
Het dynamische probleem wordt geformuleerd als een online leer-taak waarbij de verkoper regret (spijt) minimaliseert, gedefinieerd als het verschil tussen de totale verwachte omzet van de optimale statische strategie (met kennis van $F$ ) en de omzet die door het leeralgoritme wordt behaald.

Methodologie

Statische Analyse

De auteurs karakteriseren de waarde van reclame door drie benchmarks te vergelijken:

$OPT_{PO}$ : Optimale omzet met een enkele kwaliteit-onafhankelijke prijs en geen reclame (geen informatie openbaar gemaakt).
$OPT$: Optimale omzet met een enkele kwaliteit-onafhankelijke prijs en een optimaal ontworpen reclame-strategie.
$OPT_{SC}$ : Optimale omzet met een reclame-strategie en een prijsmenu dat kan variëren met het gerealiseerde signaal (signaal-geconditioneerde prijsstelling).

De analyse maakt gebruik van de lineariteit van de waarderingsfunctie in kwaliteit. Deze eigenschap impliceert dat de aankoopbeslissing van de klant alleen afhangt van het reclamesignaal via het posterieure gemiddelde van de kwaliteit $q$ . Bijgevolg kan de reclame-strategie van de verkoper worden geherformuleerd als het kiezen van een distributie over posterieure gemiddelden $\rho$ , onderworpen aan Bayes-consistentiebeperkingen (d.w.z. de distributie moet een gemiddelde-preserverende contractie zijn van de prior).

Dynamisch Leeralgoritme

Om de onbekende vraagverdeling $F$ aan te pakken, stellen de auteurs een model-gebaseerd online leeralgoritme voor (Algoritme 1).

Belangrijke Uitdagingen en Oplossingen:

Hoog-dimensionale Beslissingsruimte: De ruimte van haalbare reclame-strategieën (distributies over posterieure gemiddelden) is oneindig-dimensionaal.
- Oplossing: Het algoritme reduceert het probleem tot het leren van de vraagfunctie $D(\theta) = 1 - F(\theta)$ over een gediscretiseerde typeruimte.
Haalbaarheid van Discretisering: Standaard uniforme discretisering van de typeruimte kan de Bayes-consistentiebeperkingen ontoelaatbaar maken (d.w.z. er bestaat geen geldige reclame-strategie voor het beperkte rooster).
- Oplossing: De auteurs introduceren een nieuw kwaliteit- en prijsafhankelijk discretiseringsschema. De gediscretiseerde typeruimte $S$ wordt niet alleen als een uniform rooster geconstrueerd, maar ook door alle kritieke typen $\kappa(p, \omega)$ toe te voegen die gegenereerd worden door het gediscretiseerde prijsrooster $P$ en de discrete kwaliteitsruimte $\Omega$ . Dit garandeert dat voor elke prijs in $P$ een haalbare reclame-strategie bestaat waarvan de geïnduceerde kritieke typen binnen $S$ liggen.
Gebrek aan Gladheid: De vraagfunctie $D(\cdot)$ $D (\cdot)$ wordt niet verondersteld Lipschitz-continu of glad te zijn.
- Oplossing: Het algoritme gebruikt een Upper Confidence Bound (UCB)-benadering op de gediscretiseerde typeruimte. Het construeert een stuksgewijs constante UCB-schatting van de vraagfunctie en lost een optimalisatieprobleem op (vergelijkbaar met het statische probleem, maar met de geschatte vraag) om in elke ronde de prijs en de reclame-strategie te selecteren.

Mechanica van het Algoritme:

Exploratiefase: Het algoritme verkent aanvankelijk de gediscretiseerde typeruimte om gegevens te verzamelen.
Optimalisatiefase: In elke ronde berekent het $D^{UCB}_t(x)$ voor alle $x \in S$ . Vervolgens lost het een convex programma op om de prijs $p \in P$ en de reclame-distributie $\rho$ te vinden (ondersteund op $Q_p = \{q : \kappa(p, q) \in S\}$ ) die de geschatte omzet met de UCB-vraag maximaliseert.
Afronding (Rounding): Een cruciaal technisch onderdeel is een afrondingsprocedure die elke optimale continue strategie mapt naar een haalbare strategie op het gediscretiseerde rooster met een begrensde omzetverlies ( $2\epsilon$ ).

Belangrijkste Bijdragen en Resultaten

1. De Waarde van Reclame (Statisch)

Het artikel biedt een nauwkeurige kwantitatieve karakterisering van de waarde van reclame:

Omzetgrens: Onder standaardveronderstellingen is de optimale omzet met gezamenlijke reclame en prijsstelling ($OPT$) hoogstens twee keer de omzet van prijsstelling zonder reclame ( $OPT_{PO}$ ).
$OPT_{PO} \leq OPT \leq OPT_{SC} \leq 2 \cdot OPT_{PO}$
Strakheid: De factor 2 is strikt voor alle drie de vergelijkingen ( $OPT/OPT_{PO}$ , $OPT_{SC}/OPT_{PO}$ , en $OPT_{SC}/OPT$ ).
Implicatie: Reclame kan de omzet bijna verdubbelen, maar kan de omzet niet met meer dan een factor twee verbeteren zoden met de prijs is geoptimaliseerd. Bovendien is een enkele kwaliteit-onafhankelijke prijs een robuuste benadering, die ten minste de helft van de omzet behaalt van de flexibelere signaal-geconditioneerde prijsstelling-benchmark.

2. Dynamisch Leerregret

De belangrijkste algoritmische bijdrage is een computationeel efficiënt online algoritme voor de dynamische setting:

Regret-grens: Het algoritme bereikt een regret van $O(T^{2/3}(m \log T)^{1/3})$ , waarbij $T$ de tijdshorizon is en $m$ de kardinaliteit van de discrete kwaliteitsruimte.
Optimaliteit: Deze snelheid komt overeen met de bekende ondergrens van $\Omega(T^{2/3})$ voor dynamische prijsstelling zonder reclame (het geval waar $m=1$ ), tot aan de logaritmische factoren. Dit geeft aan dat het leren van de optimale reclame-strategie geen extra asymptotische kosten met zich meebrengt vergeleken met het leren van de vraag voor prijsstelling alleen, mits de kwaliteitsruimte klein is.
Aannames: Het resultaat geldt zonder Lipschitz- of gladheidsveronderstellingen op de vraagfunctie, en vertrouwt enkel op de lineariteit van de waardering en milde regulariteitsvoorwaarden van de waarderingsfunctie.

3. Speciale Geval en Uitbreidingen

Additieve Waarderingen: Voor het veelbestudeerde geval van additieve waarderingen ( $v(\theta, \omega) = \theta + \omega$ ), leiden de auteurs verbeterde regret-grenzen af. Als de kwaliteitsruimte gelijkmatig verdeeld is, verbetert de regret naar $O(T^{2/3}(\log T)^{1/3} + \sqrt{mT \log T})$ .
Grote/Continue Kwaliteitsruimtes: Voor additieve waarderingen met willekeurig grote of continue kwaliteitsruimtes maakt een pooling-reductie het mogelijk om een regret van $\tilde{O}(T^{3/4})$ te bereiken, onafhankelijk van de grootte van de kwaliteitsruimte.

Betekenis en Claims

Het artikel claimt het eerste te zijn dat Bayesiaanse overreding (informatieontwerp) integreert met dynamische prijsstelling en vraagleren.

Theoretische Rechtvaardiging: Het biedt een rigoureuze theoretische rechtvaardiging voor de gangbare praktijk van het gebruiken van een enkele geposteerde prijs. Zelfs wanneer reclame wordt gebruikt om overtuigingen te vormen, ligt een enkele prijs binnen een factor twee van de optimale signaal-geconditioneerde prijsstrategie.
Praktische Relevantie: Het werk adresseert de praktische uitdaging waarbij verkopers geen voorkennis hebben van klantvoorkeuren. Het toont aan dat verkopers kunnen leren om zowel de informatie-onthulling (reclame) als de prijsstelling gezamenlijk te optimaliseren om de omzet te maximaliseren, zelfs zonder de vraagcurve te kennen.
Algoritmische Innovatie: De voorgestelde discretisering en afrondingstechnieken overwinnen de hoog-dimensionale en niet-gladde aard van het reclame-ontwerpprobleem, wat leidt tot een computationeel tractabele oplossing die optimale regret-snelheden bereikt.

De auteurs merken op dat hoewel de 2-factor omzetgrens zich uitstrekt naar waarderingen die niet-lineair zijn in kwaliteit, de resultaten van het leren van de vraag kritiek afhankelijk zijn van de lineariteitsveronderstelling om de toestandsruimte te reduceren tot posterieure gemiddelden. Zij identificeren het uitbreiden van deze leertechnieken naar niet-lineaire waarderingen als een richting voor toekomstig onderzoek.