Em 1933, William R. Thompson publicou um artigo sobre um algoritmo baseado em modelo bayesiano que se tornaria conhecido como amostragem de Thompson. Essa heurística foi amplamente ignorada pela comunidade acadêmica até recentemente, quando se tornou objeto de intenso estudo, graças em parte às empresas de internet que o implementaram com sucesso para exibição de anúncios online.

A amostragem de Thompson escolhe ações para abordar a exploração-exploração no problema do bandido multiarmed para maximizar o desempenho e aprender continuamente, adquirir novas informações para melhorar o desempenho futuro.

Em um novo estudo, "Online Network Revenue Management Using Thompson Sampling, "O professor do MIT David Simchi-Levi e sua equipe demonstraram agora que a amostragem de Thompson pode ser usada para um problema de gerenciamento de receita, onde a função de demanda é desconhecida.

Incorporando restrições de estoque

O principal desafio de adotar a amostragem Thompson para gerenciamento de receita é que o método original não incorpora restrições de estoque. Contudo, os autores mostram que a amostragem de Thompson pode ser combinada naturalmente com uma formulação de programa linear clássica para incluir restrições de estoque.

O resultado é um algoritmo de precificação dinâmico que incorpora conhecimento de domínio e tem fortes garantias de desempenho teórico, bem como resultados de desempenho numéricos promissores.

Interessantemente, os autores demonstram que a amostragem de Thompson alcança baixo desempenho quando não leva em consideração o conhecimento do domínio.

Simchi-Levi diz, "É empolgante demonstrar que a amostragem Thomson pode ser adaptada para combinar uma formulação de programa linear clássica, para incluir restrições de estoque, e ver se esse método pode ser aplicado a problemas gerais de gerenciamento de receita. "

Aplicação da indústria melhora a receita

O algoritmo de preço dinâmico proposto é altamente flexível e aplicável em uma variedade de setores, desde companhias aéreas e publicidade na Internet até o varejo online.

O novo estudo, que acaba de ser aceito pela revista Operations Research, faz parte de um projeto de pesquisa maior da Simchi-Levi que combina aprendizado de máquina e otimização estocástica para melhorar a receita, margens, e participação de mercado.

Algoritmos desenvolvidos neste fluxo de pesquisa foram implementados em empresas como a Groupon, um criador de mercado diário, Rue La La, um varejista de vendas online flash nos EUA, B2W Digital, um grande varejista online na América Latina, e em uma grande cervejaria, onde Simchi-Levi e sua equipe otimizaram a promoção e os preços da empresa em vários canais de varejo.