Pricing for Heterogeneous Products: Analytics for Ticket Reselling
Notice bibliographique
Résumé
Problem definition: We present a data-driven study of the secondary ticket market. In particular, we are primarily concerned with accurately estimating price sensitivity for listed tickets. In this setting, there are many issues including endogeneity, heterogeneity in price sensitivity for different tickets, binary outcomes, and nonlinear interactions between ticket features. Our secondary goal is to highlight how this estimation can be integrated into a prescriptive trading strategy for buying and selling tickets in an active marketplace. Academic/practical relevance: We present a novel method for demand estimation with heterogeneous treatment effect in the presence of confounding. In practice, we embed this method within an optimization framework for ticket reselling, providing the ticket reselling platform with a new framework for pricing tickets on its platform. Methodology: We introduce a general double/orthogonalized machine learning method for classification problems. This method allows us to isolate the causal effects of price on the outcome by removing the conditional effects of the ticket and market features. Furthermore, we introduce a novel loss function that can be easily incorporated into powerful, off-the-shelf machine learning algorithms, including gradient boosted trees. We show how, in the presence of hidden confounding variables, instrumental variables can be incorporated. Results: Using a wide range of synthetic data sets, we show this approach beats state-of-the-art machine learning and causal inference approaches for estimating treatment effects in the classification setting. Furthermore, using National Basketball Association ticket listings from the 2014–2015 season, we show that probit models with instrumental variables, previously used for price estimation of tickets in the resale market, are significantly less accurate and potentially misspecified relative to our proposed approach. Through pricing simulations, we show our proposed method can achieve an 11% return on investment by buying and selling tickets, whereas existing techniques are not profitable. Managerial implications: The knowledge of how to price tickets on its platform offers a range of potential opportunities for our collaborator, both in terms of understanding sellers on their platform and in developing new products to offer them. History: This paper has been accepted as part of the 2019 Manufacturing & Service Operations Management Practice-Based Research Competition. Funding: This work was supported by the National Science Foundation [Grant CMMI-1563343]. Supplemental Material: The online appendices are available at https://doi.org/10.1287/msom.2021.1065 .
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».