1933, William R. Thompson publicerade en artikel om en Bayesiansk modellbaserad algoritm som i slutändan skulle bli känd som Thompson sampling. Denna heuristik ignorerades till stor del av det akademiska samfundet tills nyligen, när det blev föremål för intensiva studier, delvis tack vare internetföretag som framgångsrikt implementerade det för visning av annonser online.

Thompsons sampling väljer åtgärder för att ta itu med prospekterings-exploateringen i det flerarmade banditproblemet för att maximera prestanda och kontinuerligt lära sig, skaffa ny information för att förbättra framtida prestanda.

I en ny studie, "Online Network Revenue Management med Thompson Sampling, "MIT-professor David Simchi-Levi och hans team har nu visat att Thompson-provtagning kan användas för ett intäktshanteringsproblem, där efterfrågefunktionen är okänd.

Inkluderar lagerbegränsningar

En huvudutmaning med att anta Thompson-sampling för intäktshantering är att den ursprungliga metoden inte inkluderar lagerbegränsningar. Dock, författarna visar att Thompson-sampling naturligt kan kombineras med en klassisk linjär programformulering för att inkludera lagerbegränsningar.

Resultatet är en dynamisk prissättningsalgoritm som införlivar domänkunskap och har starka teoretiska prestandagarantier samt lovande numeriska prestandaresultat.

Intressant, författarna visar att Thompson-sampling ger dålig prestanda när den inte tar hänsyn till domänkunskap.

Simchi-Levi säger, "Det är spännande att visa att Thomsons sampling kan anpassas för att kombinera en klassisk linjär programformulering, att inkludera lagerbegränsningar, och att se att den här metoden kan tillämpas på allmänna intäktshanteringsproblem."

Industriapplikation förbättrar intäkterna

Den föreslagna dynamiska prissättningsalgoritmen är mycket flexibel och kan användas i en rad olika branscher, från flygbolag och internetannonsering hela vägen till onlinehandel.

Den nya studien, som just har godkänts av tidskriften Operations Research, är en del av ett större forskningsprojekt av Simchi-Levi som kombinerar maskininlärning och stokastisk optimering för att förbättra intäkterna, marginaler, och marknadsandel.

Algoritmer som utvecklats i denna forskningsström har implementerats hos företag som Groupon, en daglig marknadsgarant, Rue La La, en amerikansk flash-återförsäljare online, B2W Digital, en stor onlineåterförsäljare i Latinamerika, och på ett stort bryggeri, där Simchi-Levi och hans team optimerade företagets marknadsföring och prissättning i olika detaljhandelskanaler.