An Efficient Algorithm for Dynamic Pricing Using a Graphical Representation
Notice bibliographique
Résumé
We study a multi‐period, multi‐item dynamic pricing problem faced by a retailer. The objective is to maximize the total profit by choosing prices, while satisfying several business rules. The strength of our work lies in our graphical model reformulation, which allows us to use ideas from combinatorial optimization. We do not make any assumptions on the structure of the demand function. The complexity of our method depends linearly on the number of time periods but is exponential in the memory of the model (number of past prices that affect current demand) and in the number of items. We prove that the profit maximization problem is NP‐hard by showing an approximation preserving reduction from the weighted Max‐3‐SAT problem. We next introduce the discrete reference price model which is a discretized version of the reference price model, accounting for an exponentially smoothed contribution of all past prices. We show that our problem can be solved efficiently under this model. We then approximate common demand functions using the discrete reference price model. To handle cross‐item effects among multiple items, we propose to use a virtual reference price that assigns a reference price for each category of items (as opposed to a reference price for each item). To enhance the tractability of our approach, we cluster items into blocks and show how to adapt our method to include business constraints across blocks. Finally, we apply our solution approach using demand models calibrated with supermarket data and validate its practical performance.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 ».