دانلود ترجمه مقاله قیمت گذاری بهینه در تجارت الکترونیک

1. مقدمه 2. توضیح مسئله تفصیلی 3. پژوهش های مربوطه 4. روش پیشنهادی 5. ارزیابی 6. خلاصه و پژوهش آتی

چکیده – در بازارهای شفاف امروزی، ارائه دهندگان تجارت الکترونیک اغلب باید قیمت ‌های خود را در فواصل زمانی کوتاه تنظیم نمایند، به عنوان مثال، مرتبا قیمت‌ های متغیر رقبا را مد نظر قرار دهند. با این حال خودکار نمودن این وظیفه تعیین قیمت "بهینه" (به عنوان مثال، از نظر سود یا درآمد) با رویکرد مبتنی بر یادگیری می ‌تواند امری چالش برانگیز باشد. اغلب، تنها تعداد کمی از نقاط داده در دسترس هستند، که تشخیص قابل اطمینان روابط بین قیمت معین و درآمد یا سود حاصل از آن را دشوار می ‌سازد. در این مقاله، ما یک چارچوب نوین مبتنی بر یادگیری ماشین را برای برآورد قیمت ‌های بهینه تحت چنین محدودیتهایی پیشنهاد می دهیم. این چارچوب بر حسب معیار بهینگی امری عمومی است و می‌ تواند به طریقه های گوناگون سفارشی شود. آن در مرکز خودش، یک الگوریتم نوین را بر مبنای استنباط بیزی در ترکیب با برآورد اطمینان مبتنی بر خودراه‌اندازی و رگرسیون هسته به اجرا در می آورد. آزمایش های شبیه سازی نشان می ‌دهد که روش ما در مورد استراتژی‌ های قیمت ‌گذاری پویای موجود، مطلوب است. علاوه بر این، این روش منجر به افزایش قابل‌ توجه سود و درآمد در یک ارزیابی واقعی شد.

In today's transparent markets, e-commerce providers often have to adjust their prices within short time intervals, e.g., to take frequently changing prices of competitors into account. Automating this task of determining an “optimal” price (e.g., in terms of profit or revenue) with a learning-based approach can however be challenging. Often, only few data points are available, making it difficult to reliably detect the relationships between a given price and the resulting revenue or profit. In this paper, we propose a novel machine-learning based framework for estimating optimal prices under such constraints. The framework is generic in terms of the optimality criterion and can be customized in different ways. At its core, it implements a novel algorithm based on Bayesian inference combined with bootstrap-based confidence estimation and kernel regression. Simulation experiments show that our method is favorable over existing dynamic pricing strategies. Furthermore, the method led to a significant increase in profit and revenue in a real-world evaluation.