🏷️ Двигун Динамічного Ціноутворення — Еластичність Попиту в Реальному Часі

Цінова еластичність попиту ε вимірює, наскільки різко попит реагує на ціну: підвищення ціни на 1% зменшує попит приблизно на ε%. Ця симуляція генерує справжній щоденний попит із кривої сталої еластичності, попит = k·ціна^(−ε), але двигуну ніколи не повідомляють k чи ε — він лише спостерігає зашумлені, обмежені запасами одиниці, фактично продані за будь-якою ціною, яку він призначив того дня. Взявши логарифми, ln(попит) = ln(k) − ε·ln(ціна) стає прямою лінією, тож регресія методом найменших квадратів на останніх 30 парах (ціна, продано) відновлює оцінки як k, так і ε безпосередньо з нахилу та зсуву.

Регресія, підігнана до вузького кластера цін, ненадійна — якщо кожне спостереження лежить біля 38–42 доларів, оцінка нахилу ледь обмежує ε поза цим діапазоном, а оцінена крива доходу може бути суттєво помилковою після екстраполяції. Тому двигун поводиться як багаторукий бандит: більшість днів він використовує ціну, яку його поточна модель вважає найкращою, але з ймовірністю ε-бандита (повзунок рівня дослідження) він натомість зсуває ціну до випадкового сусіднього рівня чисто для збору інформативнішої точки даних. Цей компроміс дослідження/використання той самий, що використовується в реальних системах онлайн-ціноутворення та аукціонів реклами.

Дохід за сталої еластичності R(p) = p·k·p^(−ε) = k·p^(1−ε). Якщо ε > 1 (еластичний попит), показник степеня 1−ε від'ємний, тож R(p) строго спадає з p — дохід максимізується призначенням найнижчої ціни, яку двигуну дозволено призначити, а обсяг більш ніж компенсує нижчу маржу. Якщо ε < 1 (нееластичний попит), 1−ε додатний, і дохід продовжує зростати з ціною, тож найкраща ціна — найвища дозволена. Лише випадок ε = 1 робить дохід плоским. Саме тому цей симулятор завжди накладає явні повзунки нижньої та верхньої межі ціни — реальні задачі «оптимальної ціни» зазвичай є оптимізаціями відносно межі, а не гладким внутрішнім піком.

Максимізація сьогоднішнього оціненого доходу ізольовано може розпродати запаси занадто швидко (залишивши гроші на столі від клієнтів, які заплатили б більше) або занадто повільно (закінчивши сезон нерозпроданими, знижени до нуля запасами). Двигун обчислює цільовий темп — решта запасів, поділена на решту днів, — і оцінює кожну кандидатну ціну як очікуваний дохід мінус λ·(оцінений попит за цією ціною − цільовий темп)², де λ — повзунок ваги темпу. Вищий λ тягне обрану ціну до того, що утримує розпродаж за графіком; нижчий λ дозволяє двигуну гнатися за чистим доходом і ризикувати завершити із зайвим запасом чи його відсутністю.

Використання означає призначення ціни, яку поточна найкраща модель двигуна вважає такою, що максимізує скоригований за темпом бал доходу, — воно використовує вже вивчене. Дослідження означає навмисну спробу іншої, сусідньої ціни, навіть попри те, що модель наразі не вважає її оптимальною, чисто щоб спостерігати, як реагує попит там, і уточнити оцінку еластичності. Занадто мало дослідження — і двигун може застрягти біля локально пристойної ціни, пропустивши набагато кращу деінде на кривій; занадто багато дослідження — і він марнує дні на погані ціни. Повзунок рівня дослідження безпосередньо контролює, як часто використовується випадкова досліджувальна ціна замість рекомендації моделі.

Справжня крива попиту симулятора може вимагати, скажімо, 220 одиниць певного дня, але якщо на складі залишилося лише 40 одиниць, продано й спостережено лише 40 одиниць. Регресія двигуна бачить лише продані одиниці, а не справжній необмежений попит, тож у міру наближення запасів до нуля спостережений попит систематично занижує реальну криву — добре відоме упередження в роздрібних даних, зване цензуруванням попиту. Це одна з причин, чому реальні системи управління доходом намагаються зупинити знижки до того, як запаси стануть критично низькими, а не читати нульові продажі як «відсутність попиту».

Загальна форма — прихована крива сталої еластичності, цінові експерименти, що генерують зашумлені дані продажів, онлайн-регресія, що відновлює криву, і обмеження темпу відносно фіксованого горизонту — відображає управління доходом авіакомпаній і готелів, оптимізацію знижок у роздрібній торгівлі та «контекстних цінових бандитів», які використовують деякі платформи електронної комерції. Реальні системи додають набагато більше (ціни конкурентів, канібалізація між товарами, сегменти клієнтів, багатші політики дослідження на кшталт вибірки Томпсона), але базовий цикл дослідити → оцінити → оптимізувати → темпувати той самий, що використовується тут.