Revenue Management with Repeated Customer Interactions
Notice bibliographique
Résumé
Motivated by online advertising, we model and analyze a revenue management problem where a platform interacts with a set of customers over a number of periods. Unlike traditional network revenue management, which treats the interaction between platform and customers as one-shot, we consider stateful customers who can dynamically change their goodwill toward the platform depending on the quality of their past interactions. Customer goodwill further determines the amount of budget that they allocate to the platform in the future. These dynamics create a trade-off between the platform myopically maximizing short-term revenues, versus maximizing the long-term goodwill of its customers to collect higher future revenues. We identify a set of natural conditions under which myopic policies that ignore the budget dynamics are either optimal or admit parametric guarantees; such simple policies are particularly desirable since they do not require the platform to learn the parameters of each customer dynamic and only rely on data that is readily available to the platform. We also show that, if these conditions do not hold, myopic and finite look-ahead policies can perform arbitrarily poorly in this repeated setting. From an optimization perspective, this is one of a few instances where myopic policies are optimal or have parametric performance guarantees for a dynamic program with nonconvex dynamics. We extend our model to the cases where supply varies over time and where customers may not interact with the platform in every period. This paper was accepted by Chung Piaw Teo, optimization.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».