Dynamic Wholesale Pricing under Censored-Demand Learning

Resumo Técnico: Precificação Dinâmica de Atacado sob Aprendizado de Demanda Censurada

1. Problema e Contexto

O artigo investiga um contrato de preço de atacado dinâmico de horizonte finito entre um fabricante e um varejista. O cenário central é caracterizado pela demanda censurada: quando ocorre um esgotamento de estoque (stockout), a demanda não atendida não é observada. Consequentemente, ambas as partes observam apenas as vendas realizadas (o mínimo entre a quantidade pedida e a demanda real), e não a demanda total.

• Desafio Principal: Em mercados volátiles com ciclos de vida curtos de produtos, as empresas dependem de dados recentes e incompletos para tomar decisões operacionais. A censura dos dados de demanda impede o uso direto de muitas famílias de distribuições padrão em modelos de aprendizado Bayesiano, pois a propriedade de conjugação (necessária para atualizações analíticas tratáveis) é perdida na maioria dos casos.
• Estrutura do Jogo: Modelado como um jogo dinâmico de Stackelberg com informação incompleta.
  • Em cada período $t$, o fabricante define o preço de atacado $w_t$.
  • O varejista observa o preço e define a quantidade de pedido $q_t$.
  • A demanda $D_t$ é realizada, e as vendas $S_t = \min(q_t, D_t)$ são observadas publicamente.
  • Ambas as partes atualizam suas crenças comuns sobre o parâmetro desconhecido da distribuição de demanda usando o teorema de Bayes.

2. Metodologia e Modelagem

A. Estrutura de Aprendizado e Distribuição de Demanda
Para superar a dificuldade analítica da censura, os autores utilizam a família de distribuições do "Newsvendor" introduzida por Braden e Freimer (1991).

• A distribuição condicional da demanda é dada por $F(y|\theta) = 1 - e^{-\theta \ell(y)}$, onde $\ell(y)$ é uma função crescente.
• Assume-se um prior conjugado (Gama) para o parâmetro $\theta$.
• Sob essa estrutura, a distribuição posterior mantém a mesma forma funcional, permitindo que o estado de crença seja resumido por dois hiperparâmetros:
  • $a_t$: parâmetro de forma (aumenta apenas quando a demanda é observada exatamente, ou seja, sem censura).
  • $b_t$: parâmetro de taxa (atualizado com base na magnitude das vendas observadas).

B. Conceito de Solução
O conceito de solução adotado é o Equilíbrio Perfeito de Markov (MPE - Markov Perfect Equilibrium).

• As estratégias dependem apenas do estado atual de crença pública $(a_t, b_t)$ e, para o varejista, do preço atual $w_t$.
• O problema é resolvido via programação dinâmica retroativa (backward induction).

C. Redução de Dimensionalidade (Weibull)
Para o caso geral de demanda Weibull (onde $\ell(y) = y^k$), os autores estendem uma técnica de redução de dimensionalidade de Lariviere e Porteus (1999).

• Eles transformam o problema original em um Modelo Padronizado (Standardized Model).
• A chave da transformação é mostrar que o parâmetro de taxa $b$ atua apenas como um fator de escala.
• Isso reduz o espaço de estados de duas dimensões $(a, b)$ para uma única dimensão $(a)$ no problema padronizado, tornando a computação viável.

3. Principais Contribuições e Resultados

1. Existência de Equilíbrio para Demanda Weibull

• Os autores provam a existência de um MPE para demanda Weibull.
• Resultado Chave: O preço de atacado de equilíbrio do fabricante depende apenas do parâmetro de forma inicial e do número de observações de demanda não censurada (que determina $a_t$). O preço é invariante em relação ao parâmetro de escala $b_t$ (que reflete a magnitude da demanda).
• Embora o fabricante não condicione o preço a $b_t$, o lucro e a quantidade pedida pelo varejista aumentam com $b_t$ (escalonamento $b^{1/k}$).

2. Unicidade e Caracterização para Demanda Exponencial

• No caso especial onde a demanda é exponencial ($k=1$, logo $\ell(y)=y$), os autores provam que o MPE é único.
• O equilíbrio pode ser computado através de uma recursão simples para trás, sem a necessidade de resolver problemas de otimização complexos em cada período.
• As fórmulas explícitas para o preço de atacado $w^*_t$ e a quantidade $q^*_t$ são derivadas em termos das diferenças nos valores futuros das funções de valor (margem de aprendizado).

3. Estrutura do Equilíbrio

• O preço de atacado e a quantidade de pedido são funções das crenças compartilhadas.
• A estratégia do fabricante é "insensível à escala" da demanda (não depende de $b$), enquanto a estratégia do varejista e os lucros são sensíveis à escala.
• Isso revela uma assimetria estratégica: o fabricante ajusta o preço baseado na incerteza sobre a forma da distribuição (número de dados observados), enquanto o varejista ajusta o volume baseado na magnitude esperada da demanda.

4. Significado e Implicações

• Teórico: O artigo preenche uma lacuna na literatura ao integrar contratos de cadeia de suprimentos com aprendizado estratégico de dados censurados. Demonstra que, mesmo com dados incompletos, equilíbrios estáveis e computáveis podem ser caracterizados em jogos dinâmicos de Stackelberg.
• Prático:
  • Oferece insights para plataformas de dados B2B (como a Luminate da Walmart), onde fabricantes e varejistas compartilham dados de vendas.
  • Sugere que, em contratos de atacado dinâmicos, o fabricante pode simplificar sua política de preços ignorando a magnitude absoluta da demanda (se a forma da distribuição for conhecida), focando apenas na evolução da confiança estatística (número de observações exatas).
  • Fornece um algoritmo computacional eficiente para calcular preços e quantidades ótimas em ambientes de alta volatilidade e ciclos de vida curtos.

5. Conclusão

O trabalho estabelece que a combinação de contratos dinâmicos e aprendizado Bayesiano sob censura é tratável e estruturalmente rica. A técnica de redução de dimensionalidade permite resolver problemas que seriam intratáveis em espaços de estado de alta dimensão, oferecendo uma base sólida para futuras pesquisas sobre eficiência de canais, compartilhamento de informação e contratos alternativos (como buyback ou compartilhamento de receita) em cenários de aprendizado dinâmico.