在这篇研究论文中，我们研究了动态定价问题，其中客户对当前价格的反应受到客户的价格期望（参考价格）的影响。我们研究了一种简单而新颖的参考价格机制，其中参考价格是卖方过去所提供的价格的平均值。我们证明，在这种机制下，降价政策是近乎最优的，无论模型的参数如何。此外，我们提供了线性需求模型下近乎最优降价政策的详细特征描述，并提供了一种高效的计算方法。然后，我们考虑了一种更具挑战性的动态定价和学习问题，其中需求模型参数是先验未知的，卖方需要从客户对所提供价格的反应中在线学习这些参数，并同时优化收入。我们的目标是最小化遗憾，即与卓越最优政策相比，T 轮收入损失。对于线性需求模型，我们提供了一个高效的学习算法，并得到了一个最优的 Ο(√T) 遗憾上界。

Feb, 2024

本文提出了一种在定价环境中进行需求预测的新方法，通过建模价格作为需求的输入变量之间的因果关系，结合双机器学习方法和基于 Transformer 的预测模型。通过广泛的实证实验，在一个完全控制的设置中，我们证明了我们的方法通过合成但真实的数据更好地估计了因果效应。同时，我们展示了在真实世界数据中，我们的方法在离线策略设置（即定价策略发生变化时）中表现优于预测方法，只在在线策略设置中略有落后。

Dec, 2023

针对电子商务中的网站搜索引擎的会话归因挑战，我们将问题表述为因果反事实推断，并与行业设置的基于规则的系统和多点触摸归因文献中的预测模型进行对比。我们提出了学习针对目标商店的生成浏览模型的方法，利用 prod2vec 嵌入产生的潜在空间，展示了如何在相同的空间中有效地表示自然语言查询，并以评估因果贡献为目的进行 “搜索干预”。最后，我们在模拟了客户访谈和定性分析中出现的重要模式的合成数据集上验证了该方法，并在一个合作商店的行业数据集上呈现了初步结果。

Jul, 2020

基于实时定价与上下文信息，本文提出了一种半参数模型，能够通过回归参数和残差分布来最大化收益，考虑到了细节特征。

Jan, 2019

准确预测零售行业的需求是财务绩效和供应链效率的重要决定因素。本研究通过将顾客需求的时间序列数据与宏观经济变量（如消费者价格指数（CPI）、消费者信心指数（ICS）和失业率）相结合，开发并比较了各种回归和机器学习模型，以准确预测零售需求。

Aug, 2023

在这篇论文中，我们介绍了两个新颖的端到端降价管理系统，优化零售电子商务中不同阶段的 markdown。这些系统比我们经验丰富的运营团队的决策有着更高的盈利能力（Promotheus 提高了 86％，Ithax 提高了 79％），可以在广泛的零售电子商务领域内投入使用。

Jul, 2022

当发布新产品时，企业面临市场接受程度的不确定性。在线评论不仅为消费者提供宝贵信息，也为企业提供了调整产品特性（包括售价）的机会。本文考虑了带有在线评论的定价模型，其中产品的质量不确定，卖方和买方通过贝叶斯方法更新信念以做出购买和定价决策。我们将卖方的定价问题建模为基本的赌博机问题，并展示了与著名的卡塔兰数之间的密切关系，使我们能够有效计算卖方的整体未来折扣奖励。利用这个工具，我们在产品质量的有效学习概率方面分析和比较了最优静态和动态定价策略。

Apr, 2024

本文提出了一个多阶段模型来模拟顾客购物行为，将其嵌入一个模拟环境 RetailSynth 中，用于验证多类别零售的因果需求模型并将真实价格敏感性纳入个性化定价、促销和产品推荐的新兴基准套件。

Dec, 2023

该研究探讨在线广告和动态定价设计的问题，使用贝叶斯说服模型来研究信号对买家定价和购买决策的影响，提出了一种具有低后悔率的在线算法。

Apr, 2023

本文提出采用 CMDP 框架和模型规划相结合的学习算法，解决了在线商业活动中如何高效地分配奖励从以往的历史订单数据中学习策略的问题。实验结果表明了本方法的有效性。

Mar, 2023