Privacy-Preserving Personalized Revenue Management
Notice bibliographique
Résumé
This paper examines how data-driven personalized decisions can be made while preserving consumer privacy. Our setting is one in which the firm chooses a personalized price based on each new customer’s vector of individual features; the true set of individual demand-generating parameters is unknown to the firm and so must be estimated from historical data. We extend the existing personalized pricing framework by requiring also that the firm’s pricing policy preserve consumer privacy, or (formally) that it be differentially private: an industry standard for privacy preservation. We develop privacy-preserving personalized pricing algorithms and show that they achieve near-optimal revenue by deriving theoretical (upper and lower) performance bounds. Our analyses further suggest that, if the firm possesses a sufficient amount of historical data, then it can achieve a certain level of differential privacy almost “for free.” That is, the revenue loss due to privacy preservation is of smaller order than that due to estimation. We confirm our theoretical findings in a series of numerical experiments based on synthetically generated and online auto lending (CPRM-12-001) data sets. Finally, motivated by practical considerations, we also extend our algorithms and findings to a variety of alternative settings, including multiproduct pricing with substitution effect, discrete feasible price set, categorical sensitive features, and personalized assortment optimization. This paper was accepted by Vishal Gaur, operations management. Funding: R. Momot acknowledges financial support from the HEC Paris Foundation and the Agence Nationale de la Recherche (French National Research Agency) “Investissements d’Avenir” [Grant LabEx Ecodec/ANR-11-LABX-0047] during the initial stages of this project. Supplemental Material: The data files and online appendices are available at https://doi.org/10.1287/mnsc.2023.4925 .
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».