1933, William R. Thompson publiceerde een artikel over een Bayesiaans modelgebaseerd algoritme dat uiteindelijk bekend zou worden als Thompson-sampling. Deze heuristiek werd tot voor kort grotendeels genegeerd door de academische gemeenschap, toen het onderwerp van intensieve studie werd, mede dankzij internetbedrijven die het met succes hebben geïmplementeerd voor online advertentieweergave.

Thompson-sampling kiest acties voor het aanpakken van de exploratie-exploitatie in het probleem van de meerarmige bandieten om de prestaties te maximaliseren en voortdurend te leren, het verwerven van nieuwe informatie om toekomstige prestaties te verbeteren.

In een nieuwe studie, "Online Network Revenue Management met behulp van Thompson Sampling, " MIT-professor David Simchi-Levi en zijn team hebben nu aangetoond dat Thompson-sampling kan worden gebruikt voor een probleem met inkomstenbeheer, waarbij de vraagfunctie onbekend is.

Voorraadbeperkingen opnemen

Een belangrijke uitdaging bij het toepassen van Thompson-steekproeven voor inkomstenbeheer is dat de oorspronkelijke methode geen voorraadbeperkingen omvat. Echter, de auteurs laten zien dat Thompson-steekproeven op natuurlijke wijze kunnen worden gecombineerd met een klassieke lineaire programmaformulering om inventarisbeperkingen op te nemen.

Het resultaat is een dynamisch prijsalgoritme dat domeinkennis omvat en sterke theoretische prestatiegaranties biedt, evenals veelbelovende numerieke prestatieresultaten.

interessant, de auteurs tonen aan dat Thompson-sampling slechte prestaties levert als er geen rekening wordt gehouden met domeinkennis.

Simchi-Levi zegt, "Het is opwindend om aan te tonen dat Thomson-sampling kan worden aangepast om een ​​klassieke lineaire programmaformulering te combineren, om voorraadbeperkingen op te nemen, en om te zien dat deze methode kan worden toegepast op algemene problemen met inkomstenbeheer."

Toepassing in de branche verbetert de omzet

Het voorgestelde dynamische prijsalgoritme is zeer flexibel en toepasbaar in een groot aantal sectoren, van luchtvaartmaatschappijen en internetreclame tot en met online detailhandel.

De nieuwe studie, die zojuist is geaccepteerd door het tijdschrift Operations Research, maakt deel uit van een groter onderzoeksproject van Simchi-Levi dat machine learning en stochastische optimalisatie combineert om de omzet te verbeteren, marges, en marktaandeel.

Algoritmen die in deze onderzoeksstroom zijn ontwikkeld, zijn geïmplementeerd bij bedrijven zoals Groupon, een dagelijkse marktmaker, Rue La La, een Amerikaanse online flash-verkoopdealer, B2W digitaal, een grote online retailer in Latijns-Amerika, en bij een grote brouwerij, waar Simchi-Levi en zijn team de promotie en prijsstelling van het bedrijf in verschillende retailkanalen hebben geoptimaliseerd.