🤖 machine learning

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

Dit artikel stelt een nieuw algoritme voor waarbij derde partijen de prijsstelling van servicekosten optimaliseren onder vraag-confounding door gebruik te maken van niet-i.i.d. acties als instrumentele variabelen en een homeomorfe constructie om optimale regret te bereiken, zelfs met diepe neurale netwerken en ruis aan de aanbodzijde.

Oorspronkelijke auteurs: Rui Ai, David Simchi-Levi, Feng Zhu

Gepubliceerd 2026-07-14

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Rui Ai, David Simchi-Levi, Feng Zhu

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

Stel je voor dat je een gigantische digitale marktplaats beheert, zoals een supergeorganiseerde rommelmarkt voor alles van concerttickets tot elektrische auto-opladers. Je verkoopt de artikelen niet zelf; je neemt alleen een klein deel van elke transactie als "servicefee". Je doel is simpel: die vergoeding precies goed instellen. Te hoog, en klanten vluchten naar een concurrent; te laag, en je laat geld liggen.

Het lastige deel? Je weet niet precies hoe klanten zullen reageren op je prijs. Je moet het leren door te kijken naar wat er gebeurt. Maar hier komt de adder onder het gras: de markt is rommelig. Het is alsoal proberen te achterhalen hoeveel regen er valt door naar een plas water te kijken, terwijl iemand anders ook water in de plas giet met een tuinslang. In de economie wordt deze chaos confounding (verwarring) genoemd. Als je alleen naar de data kijkt, zou je kunnen denken dat het verhogen van prijzen de verkoop verhoogt (wat onmogelijk is!), omdat de "tuinslang" (veranderingen in het aanbod) je zicht vertroebelt.

De Magische Truc: Gebruik je Eigen Acties als Aanwijzing

De auteurs van dit paper ontdekten een slimme manier om deze chaos te ontwarren. Normaal gesproken heb je om een rommelige observatie te corrigeren een "instrumentele variabele" nodig — een willekeurige externe gebeurtenis (zoals een plotselinge storm) die het aanbod verandert maar de vraag niet. Maar in een digitale markt zijn er geen stormen.

In plaats daarvan stellen de auteurs een wild idee voor: gebruik je eigen servicefee als het instrument.

Denk er zo over na: Je bent een chef-kok in een keuken. Je wilt weten hoe hongerig je klanten zijn. Maar de honger van de klanten verandert willekeurig. Als je alleen maar kijkt naar wat ze eten, kun je niet weten of ze veel hebben gegeten omdat ze hongerig waren of omdat je een korting gaf.

Het paper suggere houdt voor dat je je prijzen een klein beetje moet laten "wiebelen", voordat de honger van de klanten verandert. Omdat jij hebt besloten de prijs te veranderen voordat zij hun honger voelden, fungeert jouw prijsverandering als een perfect signaal. Het is alsof je op een trommel slaat om te zien hoe de kamer weerkaatst. Zelfs al ben jij degene die op de trommel slaat, de echo vertelt je precies hoe de kamer van vorm is.

Het paper bewijst wiskundig dat deze "zelf-instrumentele" aanpak werkt, zelfs wanneer de klanten slim zijn en proberen je te misleiden door te doen alsof ze minder hongerig zijn om later lagere prijzen te krijgen.

De "Ruis"-Verrassing: Chaos is Eigenlijk Nuttig

Dit is het meest verrassende deel van het verhaal. Het paper stelt vast dat de "ruis" in de aanbodzijde (de willekeurige schommelingen in hoeveelheid die verkopers aanbieden) eigenlijk een superkracht is.

Stel je voor dat je probeert een fluistering te horen in een stille kamer. Als de kamer volkomen stil is, kun je niet horen of de fluistering er wel of niet is. Maar als er een zachte, willekeurige bries (aanbodruis) door de kamer waait, helpt dat je juist om precies te bepalen waar de fluistering vandaan komt.

De auteurs laten zien dat als de aanbodzijde ruis genoeg heeft (zoals bij voedselbezorging of ride-hailing, waar verkeer en de beschikbaarheid van chauffeurs constant veranderen), je niets bijzonders hoeft te doen. De natuurlijke chaos helpt je om de vraagcurve bijna onmiddellijk te leren kennen, en je "regret" (het geld dat je verliest door niet de perfecte prijs te kennen) blijft minimaal.

Echter, als de aanbodzijde te stabiel is (zoals bij een nutsbedrijf of een abonnementsdienst waarbij het aanbod nooit verandert), is de natuurlijke chaos er niet om te helpen. In dat geval moet je doelbewust een beetje kunstmatige ruis in je vergoedingen injecteren om te leren. Het paper bewijst dat zonder dit bewuste "wiebelen", je de ware vraagcurve nooit zult leren kennen en je verliezen veel sneller zullen groeien.

Er is een scherpe "kantelpunt" (een faseovergang) tussen deze twee werelden. Als de aanbodruis boven een bepaalde kleine drempel ligt, win je gemakkelijk. Als het eronder ligt, moet je harder werken.

De "Slimme" Klanten en het Deep Learning Puzzelstuk

Het paper pakt ook twee andere hoofdpijndossiers aan:

Strategische Kopers: Klanten die geduldig zijn en proberen het systeem te manipuleren. De auteurs laten zien dat als je je prijsstrategie slechts een paar keer bijwerkt (bijvoorbeeld eens per paar dagen in plaats van elke seconde), deze slimme klanten je niet kunnen foppen. Hun pogingen om het systeem te manipuleren worden nutteloos omdat de beloningen te ver in de toekomst liggen.
Deep Neural Networks: Moderne platforms gebruiken enorme, complexe AI-modellen (deep neural networks) om de vraag te voorspellen. Meestal zeggen wiskundige theorieën dat deze modellen te vreemd en "niet-convexe" zijn om met standaardtools te analyseren. De auteurs bouwden een speciale wiskundige brug (een "homeomorfisme") waardoor ze kunnen bewijzen dat hun methode werkt, zelfs met deze gigantische, complexe AI-hersenen.

Wat Ze Eigenlijk Deden (en Niet Deden)

De auteurs hebben dit niet alleen verzonnen; ze hebben het getest.

Simulaties: Ze draaiden computersimulaties waarbij ze de chaos controleerden. Ze lieten zien dat wanneer het aanbod ruisig is, hun algoritme razendsnel leert. Wanneer het aanbod rustig is, moesten ze hun eigen ruis toevoegen, en de leercurve was langzamer maar werkte nog steeds.
Echte Data (Talabat): Ze testten hun methode op echte transactiedata van Talabat, een platform voor voedselbezorging in Egypte. Ze ontdekten dat een naïeve blik op de data suggereerde dat het verhogen van prijzen geen effect had op de verkoop (een vlakke lijn). Maar wanneer ze hun "actie-als-instrument"-methode gebruikten, vonden ze een duidelijke, logische vraagcurve: het verhogen van de prijzen leidde inderdaad tot minder verkopen, precies zoals de basis economie voorspelt.
Echte Data (Lyft): Ze voerden ook een vergelijkbare test uit op Lyft ride-hailing data in Boston met behulp van een complex AI-model. Ze lieten zien dat door de vergoedingen te herverdelen (hogere kosten tijdens piekuren en lagere kosten tijdens rustige uren, terwijl de gemiddelde vergoeding gelijk blijft), ze theoretisch de omzet konden verhogen.

Wat ze uitsloten: Ze toonden expliciet aan dat als je de "confounding" negeert en gewoon een standaard regressie uitvoert (een eenvoudige lijn van de best passende lijn), je het verkeerde antwoord krijgt. Je zou zelfs kunnen concluderen dat hogere prijzen leiden tot hogere verkopen, wat onzin is. Ze bewezen ook dat als je geen enkele aanbodruis hebt en er zelf ook geen toevoegt, je de vraagcurve helemaal niet kunt leren kennen.

Hoe zeker zijn ze?
Het paper biedt rigoureuze wiskundige bewijzen voor hun belangrijkste claims en laat zien dat hun algoritme "minimax-optimaal" is (wat betekent dat het de best mogelijke strategie is die je kunt hebben). Ze bewezen dat de "faseovergang" tussen ruisig en rustig aanbod een fundamentele wet van dit probleem is, en geen toevalstreffer.

In de simulaties en de echte wereld data van Talabat en Lyft werkte de methode precies zoals de wiskunde voorspelde. Het Talabat-experiment suggereerde dat door deze methode te gebruiken om vergoedingen te herverdelen, het platform een enorme potentiële omzetstijging had kunnen zien (ongeveer 5,5 keer de geobserveerde omzet in hun contrafeitelijke model), hoewel de auteurs waarschuwen dat dit een modelgebaseerde schatting is en dat echte wereldfactoren het exacte aantal kunnen veranderen.

De Kern van het Verhaal

Het paper leert ons dat in een chaotische markt volatiliteit informatie is. Als de aanbodzijde onrustig is, kun je leren om perfect te prijzen zonder er veel moeite voor te doen. Als de markt te kalm is, moet jij degene zijn die de boel een beetje opschudt om te leren. En het beste deel? Je hebt geen toverstaf of een externe expert nodig; je hebt alleen je eigen beslissingen nodig als de sleutel om de waarheid te ontsluiten.

Technische Samenvatting: Van Confounding naar Leren: Dynamische Servicefee-prijsbepaling op Derdepartijplatforms

1. Probleemformulering

Het artikel behandelt het probleem van dynamische prijsbepaling waar derdepartijplatforms (bijv. voedselbezorging, ride-hailing, ticketdoorverkoop) voor staan die transacties tussen verkopers en strategische kopers bemiddelen. De omzet van het platform wordt afgeleid van een servicefee ( $a_t$ ) die per transactie wordt geheven. De kernuitdaging is vraagleren onder confounding in de aanwezigheid van strategische kopers en vraagmodellen met een hoge capaciteit.

Marktdynamiek: Verkopers committeren zich aan aanbodcurves ( $P_{St}$ ) voordat het platform de fee vaststelt. Het platform observeert de kenmerken van het aanbod en stelt een fee $a_t$ vast. Kopers, die handelen om hun gedisconteerde cumulatieve surplus te maximaliseren, bepalen hun afnamehoeveelheid op basis van de totale prijs (aanbodprijs + servicefee).
Het Confounding-probleem: Het platform observeert alleen de marktzuiverende prijs ( $P^e_t$ ) en hoeveelheid ( $Q^e_t$ ). Deze worden gezamenlijk bepaald door aanbod, vraag en de eigen fee van het platform. Naïeve regressie van $Q^e_t$ op $P^e_t$ faalt omdat de fee $a_t$ endogeen is aan de vraagshock $\epsilon_{Dt}$ , wat leidt tot vertekende schattingen (bijv. potentieel positieve vraaghellingen).
Strategisch Gedrag: Kopers kunnen hun vraag verkeerd rapporteren om toekomstige fees te manipuleren. Als kopers even geduldig zijn als het platform ( $\gamma=1$ ), kan geen enkel algoritme sublineaire regret bereiken. Het artikel richt zich op het empirisch relevante regime waarbij kopers minder geduldig zijn ( $\gamma < 1$ ).
Modelcomplexiteit: Moderne platforms maken gebruik van modellen met een hoge capaciteit zoals Deep Neural Networks (DNN's) voor de voorspelling van de vraag. Standaard niet-parametrische instrumentele variabele (IV) theorie rust vaak op "star-shapedness"-aannames, die DNN's doorgaans schenden.

2. Methodologie

De auteurs stellen een framework voor dat de eigen beslissingsvariabele van het platform transformeert naar een geldige instrumentele variabele voor het leerproces, gekoppeld aan specifieke technische verfijningen om om te gaan met dynamische en strategische omgevingen.

2.1 Actions-as-Instruments (AaI)

De centrale methodologische inzichten is dat de servicefee $a_t$ zelf als een instrumentele variabele kan dienen.

Orthogonaliteit: Omdat het platform zich voorafgaand aan de realisatie van de vraagshock $\epsilon_{Dt}$ committeert aan $a_t$ , is $a_t$ orthogonaal aan $\epsilon_{Dt}$ voorwaardelijk op de historie.
Identificatie: Dit maakt de constructie van een momentvoorwaarde $E[(P^e_t - \beta Q^e_t - f(x_t)) a_t] = 0$ mogelijk, wat, gecombineerd met standaard feature-orthogonaliteit, de vraagparameters identificeert, zelfs wanneer $a_t$ adaptief wordt gekozen.
Afhandeling van Non-i.i.d.: Omdat $a_t$ niet onafhankelijk en identiek verdeeld is (het hangt af van de eerdere historie), gebruiken de auteurs argumenten uit de martingaalconcentratie in plaats van standaard i.i.d.-instrumenten om identificatie te bewijzen.

2.2 Technische Verfijningen

Om de AaI-benadering in de praktijk werkbaar te maken, worden drie specifieke mechanismen geïntroduceerd:

Doubly-Robust Correctie: Om de variantie van de schatter te beheersen en convergentie te versnellen, gebruiken de auteurs een dubbel-robuuste structurele vergelijking: $E[(P^e_t - \beta Q^e_t - f(x_t))(a_t - E[a_t | x_t])] = 0$ . Dit garandeert consistentie als ofwel het vraagmodel ofwel het fee-voorspellingsmodel correct gespecificeerd is.
Adaptieve Exploratie met Verdwijnende Ruis: Wanneer de ruis aan de aanbodzijde ( $\sigma^2_S$ ) laag is, wordt het instrument zwak. Het algoritme injecteert kunstmatige Gaussische ruis in de fee met een grootte van $t^{-1/4}$ . Dit tempo is bewezen de unieke balans te zijn tussen het beheersen van de variantie van zwakke instrumenten en het minimaliseren van exploratie-regret.
Low-Switching Updates: Om strategische manipulatie door kopers te beperken, worden de beleidsparameters slechts $O(\log T)$ keer bijgewerkt (in doubling episodes). Dit beperkt de prikkel voor kopers om de vraag verkeerd te rapporteren, aangezien toekomstige verlagingen van de fee exponentieel worden gedisconteerd.

2.3 Afhandeling van Deep Neural Networks

Om het framework uit te breiden naar DNN's, construeren de auteurs een homeomorfisme naar een hulpfunctieklasse.

Omzeilen van Star-Shapedness: Standaard IV-theorie vereist dat de functieklasse star-shaped is rond de ware functie. De auteurs construeren een hulpklasse die homeomorf is aan de oorspronkelijke klasse, maar star-shaped is ten opzichte van de ware functie.
Dimensionaliteit: Deze constructie verhoogt de effectieve dimensie van de klasse met maximaal één, waardoor het mogelijk is om regret-bounds af te leiden voor willekeurig diepe multilayer perceptrons (MLP's) zonder star-shapedness te veronderstellen.

3. Belangrijkste Resultaten

3.1 Minimax Regret en Faseovergang

Het artikel stelt de minimax-optimale regret-snelheid vast, waarbij een scherpe faseovergang wordt onthuld die afhankelijk is van de variantie van de aanbodzijde-ruis ( $\sigma^2_S$ ):

Hoge Aanbodruis ( $\sigma^2_S \gtrsim 1/\sqrt{T}$ ): Natuurlijke schommelingen in het aanbod zorgen voor voldoende exploratie. Het platform hoeft geen kunstmatige ruis te injecteren. De regret is logaritmisch in $T$ ( $\tilde{O}(1)$ ).
Lage Aanbodruis ( $\sigma^2_S \lesssim 1/\sqrt{T}$ ): Het aanbod is te stabiel om de vraag te identificeren. Het platform moet expliciet exploreren door $t^{-1/4}$ ruis te injecteren. De regret schaalt als $\tilde{O}(\sqrt{T})$ .
Verenigde Bound: De minimax regret is $\tilde{\Theta}(\sqrt{T} \wedge \sigma^{-2}_S)$ .

3.2 Strategische Koper-Regret

Voor kopers met een kortingsvoet $\gamma < 1$ , vertoont de regret slechts een polynomiale afhankelijkheid van $1/(1-\gamma)$ . Het low-switching update-schema zorgt ervoor dat de strategische verstoring van de vraagcurve onder controle blijft.

3.3 Constructie van de Lower Bound

Het artikel biedt een bijpassende lower bound van $\Omega(\sqrt{T} \wedge \frac{\log T}{\sigma^2_S})$ . Het bewijs introduceert een nieuwe constructie die het informatiekanaal dat door de vraagruis ( $\epsilon_{Dt}$ ) wordt gedragen, isoleert. Door simultaan de vraagparameters en de omvang van de vraagruis aan te passen, creëren de auteurs ononderscheidbare instanties waarbij zowel eerste- als tweede-orde verschillen verdwijnen, een techniek die voorheen niet werd gebruikt in dynamische prijsbepaling lower bounds.

4. Empirische Validatie

De auteurs valideren hun aanpak met zowel synthetische data als echte datasets:

Synthetische Experimenten: Simulaties bevestigen de faseovergang bij $\sigma^2_S \approx 1/\sqrt{T}$ en laten zien dat de doubly-robust correctie de variantie van de schatter aanzienlijk vermindert vergeleken met gewone IV.
Talabat (Voedselbezorging): Bij gebruik van micro-niveau transactiedata van een Egyptisch voedselbezorgplatform, tonen de auteurs aan dat naïeve OLS-regressie onbeduidende vraaghellingen oplevert (confounding), terwijl de AaI-methode een statistisch significante en economisch zinvolle vraagelasticiteit ( $\approx -0,53$ ) produceert. Een offline tegenfeitelijke analyse suggereert een potentieel omzetplafond van $\approx 5,5\times$ door fees dynamisch te herverdelen over piek- en daluren onder een vaste gemiddelde fee-restrictie.
Lyft (Ride-Hailing): Een studie naar Boston ride-hailing data breidt de methodologie uit naar niet-lineaire modellen met behulp van Transformers. Hoewel de verbeteringen bescheidener waren (consistent met volwassen surge pricing), demonstreert het experiment de haalbaarheid van het toepassen van diepe IV-regressie op complexe, niet-gescheiden vraagfuncties.

5. Betekenis en Claims

Het artikel claimt drie primaire bijdragen:

Methodologische Innovatie: Het introduceert het "actions-as-instruments" framework en bewijst dat de eigen adaptieve beslissingen van een platform als geldige instrumenten kunnen dienen voor het leren van de vraag, mits specifieke condities (martingaalconcentratie, low-switching) worden vervuld.
Theoretisch Inzicht: Het onthult een fundamentele faseovergang in dynamische prijsbepaling waarbij marktvolatiliteit informatie is, niet alleen ruis. De leerbaarheid van de vraag wordt fundamenteel bepaald door de variantie van de aanbodschokken.
Praktische Toepasbaarheid: Het biedt de eerste theoretische regret-garanties voor het leren van de vraag met confounding met behulp van willekeurig diepe neurale netwerken, waarbij de restrictieve star-shapedness aanname wordt omzeild via een homeomorfe constructie.

De auteurs concluderen dat hun aanpak een levensvatbaar pad biedt voor derdepartijplatforms om de omzet te optimaliseren in complexe, strategische en hoogdimensionale omgevingen, mits de exploratie zorgvuldig wordt afgestemd op de natuurlijke volatiliteit van de markt.