Agent leert online retailstrategieën via posterior-sampling
Onderzoekers presenteren een beslissingsagent die online retailers helpt bij het adverteren en bundelen van bederfelijke goederen. Het systeem leert autonoom over marktvraag en advertentieresultaten op basis van eerdere keuzes en verkoopresultaten.
In de onlinehandel staan verkopers vaak voor de uitdaging om de juiste advertentiebodprijzen te bepalen en tegelijkertijd producten slim te bundelen om zo de verkoop te stimuleren. Een nieuw ontwikkeld agentsysteem maakt gebruik van een techniek genaamd posterior-sampling om dit proces te optimaliseren. Omdat winkeliers vooraf niet precies weten hoe consumenten reageren op prijzen en advertenties, moet het systeem deze dynamiek al doende ontdekken uit onvolledige data.
Slimmer adverteren en bundelen
Het model past zijn strategie per periode aan op basis van eerdere ervaringen en verzamelde marktinzichten. Dit soort algoritmische besluitvorming is een belangrijk aandachtsgebied binnen de automatisering van e-commerce. Door vraag en aanbod beter op elkaar af te stemmen, kunnen online platforms efficiënter opereren zonder dat er vooraf diepgaande marktkennis vereist is.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.AI). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel