技术摘要：基于需求学习的动态定价与广告策略

问题表述

本研究探讨了在面临需求不确定性的垄断销售商背景下，定价与广告策略的联合优化问题。该设定涉及销售商向具有异质性客户类型 $\theta \sim F$ 的市场提供具有不同质量 $\omega \in \Omega$ 的产品。

信息不对称与广告：
销售商观测到实现的产物质量 $\omega$，而客户则无法观测。销售商可以通过设计广告策略（建模为信息政策或信号机制 $\phi$）来影响客户的信念。该政策规定了基于实现质量 $\omega$ 发送给客户的信号分布 $\sigma$。在观察到信号后，客户形成关于质量的贝叶斯后验信念 $\mu$，并决定是否在期望效用非负的情况下购买。

估值与决策：
客户的估值函数为 $v(\theta, \omega)$。本文假设 $v(\theta, \omega)$ 对质量 $\omega$ 是线性的，且对类型 $\theta$ 是递增且利普希茨连续（Lipschitz continuous）的。类型为 $\theta$ 的客户在观察到信号 $\sigma$（诱导后验均值 $q = E[\omega|\sigma]$）并在价格为 $p$ 时，若满足 $v(\theta, q) \geq p$ 则进行购买。

目标：
本文研究了两个主要问题：

1. 静态价值： 与仅定价相比，广告的收入价值是多少？如果将销售商限制为单一的、与质量无关的价格，会损失多少收入？
2. 动态学习： 对于事先不知道客户类型分布 $F$ 的销售商，如何通过学习定价与广告策略，在时间跨度 $T$ 内实现累计收入最大化？

动态问题被建模为一个在线学习任务，其中销售商旨在最小化遗憾值（regret），即最优静态策略（已知 $F$）的总期望收入与学习算法所获收入之间的差值。

研究方法

静态分析

作者通过比较三个基准来刻画广告的价值：

• $OPT_{PO}$：使用单一质量无关价格且无广告（不披露信息）时的最优收入。
• $OPT$：使用单一质量无关价格且采用最优设计的广告策略时的最优收入。
• $OPT_{SC}$：采用广告策略且价格菜单可随实现信号变化（信号联动定价）时的最优收入。

分析利用了估值函数在质量上的线性性质。这一性质意味着客户的购买决策仅取决于广告信号产生的后验平均质量 $q$。因此，销售商的广告策略可以重新表述为：在满足贝叶斯一致性约束（即分布必须是先验分布的均值保持收缩/mean-preserving contraction）的前提下，选择一个后验均值分布 $\rho$。

动态学习算法

为了解决未知的需求分布 $F$ 问题，作者提出了一种基于模型的在线学习算法（算法 1）。

关键挑战与解决方案：

1. 高维决策空间： 可行广告策略的空间（后验均值的分布）是无限维的。
   • 解决方案： 算法将问题简化为在离散化类型空间上学习需求函数 $D(\theta) = 1 - F(\theta)$。
2. 离散化的可行性： 标准的类型空间均匀离散化可能会导致贝叶斯一致性约束变得不可行（即对于受限的网格，不存在有效的广告策略）。
   • 解决方案： 作者引入了一种创新的依赖于质量与价格的离散化方案。离散化类型空间 $S$ 不仅仅是一个均匀网格，而是通过包含由离散价格网格 $P$ 和离散质量空间 $\Omega$ 生成的所有临界类型 $\kappa(p, \omega)$ 来构建的。这确保了对于任何价格 $p \in P$，都存在一个有效的广告策略，其诱导的临界类型位于 $S$ 内。
3. 缺乏平滑性： 需求函数 $D(\cdot)$ 并不假设具有利普希茨连续性或平滑性。
   • 解决方案： 算法在离散化类型空间上使用置信上限（UCB）方法。它构建了一个关于需求函数的分段常数 UCB 估计，并求解一个优化问题（类似于静态问题，但使用估计的需求量）以选择价格和广告策略。

算法机制：

• 探索阶段： 算法初步探索离散化类型空间以收集数据。
• 优化阶段： 在每一轮中，它计算所有 $x \in S$ 的 $D^{UCB}_t(x)$。随后，它求解一个凸规划问题，以找到使估计收入最大化的价格 $p \in P$ 和广告分布 $\rho$（$\rho$ 的支撑集位于 $Q_p = \{q : \kappa(p, q) \in S\}$ 上）。
• 舍入（Rounding）： 一个关键的技术组件是舍入程序，它将任何最优的连续策略映射到在离散网格上可行且收入损失有界（$2\epsilon$）的策略。

核心贡献与结果

1. 广告的价值（静态）

本文对广告的价值提供了严密的定量刻画：

• 收入边界： 在标准假设下，联合广告与定价的最优收入（$OPT$）至多是仅定价无广告（$OPT_{PO}$）时的两倍。
  $$OPT_{PO} \leq OPT \leq OPT_{SC} \leq 2 \cdot OPT_{PO}$$
• 紧致性： 该因子 2 对于所有三种比较（$OPT/OPT_{PO}$、$OPT_{SC}/OPT_{PO}$ 以及 $OPT_{SC}/OPT$）都是紧致的。
• 启示： 广告可以使收入几乎翻倍，但一旦优化了价格，广告对收入的提升幅度不会超过两倍。此外，单一的质量无关价格是一个稳健的近似，至少能达到更灵活的信号联动定价基准的一半收入。

2. 动态学习遗憾值

主要的算法贡献是一个针对动态场景的高效在线算法：

• 遗憾值界限： 算法实现了 $O(T^{2/3}(m \log T)^{1/3})$ 的遗憾值，其中 $T$ 是时间跨度，$m$ 是离散质量空间的基数。
• 最优性： 该速率在忽略对数因子的情况下，与已知的不带广告的动态定价（即 $m=1$ 的情况）的 $\Omega(T^{2/3})$ 遗憾值下界相匹配。这表明，只要质量空间较小，学习最优广告策略并不会比单纯学习定价需求带来额外的渐近成本。
• 假设： 该结果在不假设需求函数具有利普希茨连续性或平滑性的情况下依然成立，仅依赖于估值在质量上的线性性质以及对估值函数的轻微正则性要求。

3. 特殊情况与扩展

• 加性估值（Additive Valuations）： 对于广泛研究的加性估值情形（$v(\theta, \omega) = \theta + \omega$），作者推导出了改进的遗憾值界限。如果质量空间是等间距的，遗憾值可优化至 $O(T^{2/3}(\log T)^{1/3} + \sqrt{mT \log T})$。
• 大型/连续质量空间： 对于具有任意大或连续质量空间的加性估值，通过池化（pooling-based）还原法，可以实现与质量空间大小无关的 $\tilde{O}(T^{3/4})$ 遗憾值。

重要性与主张

本文声称是首个将贝叶斯劝说（信息设计）与动态定价及需求学习相结合的研究。

• 理论依据： 它为使用单一发布价格（posted price）的常见做法提供了严谨的理论证明。即使在使用广告来塑造信念时，单一价格也是最优信号联动定价策略的二分之一近似。
• 实际相关性： 本研究解决了销售商缺乏客户偏好先验知识的实际挑战。它证明了销售商可以在不知道需求曲线的情况下，通过学习来联合优化信息披露（广告）与定价，从而实现收入最大化。
• 算法创新： 所提出的离散化与舍入技术克服了广告设计问题中高维且非平滑的特性，提供了一个计算上可行的解法，并实现了最优的遗憾值速率。

作者指出，虽然 2 倍收入边界可以推广到质量非线性估值的情形，但需求学习的结果关键在于利用线性假设将状态空间简化为后验均值。他们将把如何将这些学习技术扩展到非线性估值作为未来的研究方向。