This thesis revolves around the problem of selling and advertising products on the Web and exploits techniques from the fields of algorithmic game theory, mechanism design, and online learning. We study scenarios in which strategic agents, such as sellers, advertisers, and buyers, interact on Web platforms, and we analyze optimization problems faced by each party involved in the interaction. For instance, online marketplaces matching sellers/advertisers to buyers need to design mechanisms that incentivise agents to participate, while providing guarantees on their revenue. Taking the perspective of the online platform, we employ techniques and performance criteria from the mechanism design literature in order to design novel auction mechanisms and characterize their performance, with the goal of providing solutions for new e-commerce scenarios which emerged through recent advancements of digital advertising platforms. Moreover, we study how to address problems faced by agents interacting on the platforms, such as sellers and advertisers. In particular, when an agent has to sell and/or advertise their products on the Web, they have to repeatedly interact with the mechanism operated by the platform. The structure of such interaction is distributed over time: agents are required to perform sequential actions, after which they observe a reward produced by the environment that also depends on their decisions.In this setting, online learning techniques are well suited to design emph{no-regret algorithms} which allow agents to learn effective strategies while addressing the exploration/exploitation dilemma.Inspired by novel real-world scenarios, we study non-standard learning processes in which, for instance, the feedback returned by the environment is affected by delays, or agents' actions are subject to time-varying constraints.These scenarios are common in practice when, for instance, agents are financially constrained by their budget or want to reach a target profitability in the form of a return-on-investment (ROI) constraint. To conclude, this thesis extends classical models for online markets incorporating novel e-commerce frameworks that have emerged as a result of the continuous expansion of Web platforms. In doing so, it bridges the gap between theory and the latest real-world applications.

Questa tesi studia come vendere e pubblicizzare prodotti sul Web e sfrutta tecniche provenienti dai campi della teoria dei giochi algoritmica, del mechanism design e dell'online learning. La tesi considera scenari in cui agenti strategici, come venditori, pubblicitari e acquirenti, interagiscono su piattaforme Web e analizza i problemi di ottimizzazione affrontati da ciascuna delle parti coinvolte nell'interazione. Ad esempio, le piattaforme Web che mettono in contatto venditori/pubblicitari ad acquirenti devono progettare meccanismi che incentivino gli agenti a partecipare, fornendo al contempo garanzie rispetto al loro guadagno. Assumendo la prospettiva delle piattaforma Web, utilizziamo tecniche e criteri di misura delle performance tratti dalla letteratura di mechanism design al fine di progettare nuovi meccanismi d'asta e caratterizzarne le prestazioni. L’obiettivo è quello di fornire soluzioni per nuovi scenari di e-commerce emersi a partire dalle recenti innovazioni delle piattaforme di pubblicità digitale. In seguito, studiamo il problema dal punto di vista degli agenti che interagiscono sulle piattaforme, come venditori e inserzionisti. In particolare, quando un agente vuole vendere e/o pubblicizzare i propri prodotti sul Web, deve interagire ripetutamente con il meccanismo gestito dalla piattaforma. La struttura di tale interazione è distribuita nel tempo: gli agenti eseguono azioni sequenziali, dopo le quali osservano un guadagno prodotto dall'ambiente e che dipende dalle loro decisioni. In questo contesto, le tecniche di online learning sono adatte per progettare algoritmi no-regret che consentono agli agenti di apprendere strategie efficaci bilanciando exploration ed exploitation. Ispirandoci a nuovi scenari reali, studiamo processi di apprendimento non standard in cui, ad esempio, il feedback restituito dall'ambiente è influenzato da ritardi o le azioni degli agenti sono soggette a vincoli che variano nel tempo. Questi scenari sono comuni nella pratica quando, ad esempio, gli agenti sono limitati finanziariamente dal loro budget o desiderano raggiungere un obiettivo di redditività sotto forma di un vincolo di return on investment (ROI). In conclusione, questa tesi estende i modelli classici utilizzati per lo studio dei mercati online, incorporando nuovi scenari di e-commerce che sono emersi come risultato della continua espansione delle piattaforme Web. In questo modo, riduce il divario tra la teoria e le più recenti applicazioni.

Pricing and advertising strategies in e-commerce scenarios

Romano, Giulia
2022/2023

Abstract

This thesis revolves around the problem of selling and advertising products on the Web and exploits techniques from the fields of algorithmic game theory, mechanism design, and online learning. We study scenarios in which strategic agents, such as sellers, advertisers, and buyers, interact on Web platforms, and we analyze optimization problems faced by each party involved in the interaction. For instance, online marketplaces matching sellers/advertisers to buyers need to design mechanisms that incentivise agents to participate, while providing guarantees on their revenue. Taking the perspective of the online platform, we employ techniques and performance criteria from the mechanism design literature in order to design novel auction mechanisms and characterize their performance, with the goal of providing solutions for new e-commerce scenarios which emerged through recent advancements of digital advertising platforms. Moreover, we study how to address problems faced by agents interacting on the platforms, such as sellers and advertisers. In particular, when an agent has to sell and/or advertise their products on the Web, they have to repeatedly interact with the mechanism operated by the platform. The structure of such interaction is distributed over time: agents are required to perform sequential actions, after which they observe a reward produced by the environment that also depends on their decisions.In this setting, online learning techniques are well suited to design emph{no-regret algorithms} which allow agents to learn effective strategies while addressing the exploration/exploitation dilemma.Inspired by novel real-world scenarios, we study non-standard learning processes in which, for instance, the feedback returned by the environment is affected by delays, or agents' actions are subject to time-varying constraints.These scenarios are common in practice when, for instance, agents are financially constrained by their budget or want to reach a target profitability in the form of a return-on-investment (ROI) constraint. To conclude, this thesis extends classical models for online markets incorporating novel e-commerce frameworks that have emerged as a result of the continuous expansion of Web platforms. In doing so, it bridges the gap between theory and the latest real-world applications.
PIRODDI, LUIGI
SILVANO, CRISTINA
6-apr-2023
Questa tesi studia come vendere e pubblicizzare prodotti sul Web e sfrutta tecniche provenienti dai campi della teoria dei giochi algoritmica, del mechanism design e dell'online learning. La tesi considera scenari in cui agenti strategici, come venditori, pubblicitari e acquirenti, interagiscono su piattaforme Web e analizza i problemi di ottimizzazione affrontati da ciascuna delle parti coinvolte nell'interazione. Ad esempio, le piattaforme Web che mettono in contatto venditori/pubblicitari ad acquirenti devono progettare meccanismi che incentivino gli agenti a partecipare, fornendo al contempo garanzie rispetto al loro guadagno. Assumendo la prospettiva delle piattaforma Web, utilizziamo tecniche e criteri di misura delle performance tratti dalla letteratura di mechanism design al fine di progettare nuovi meccanismi d'asta e caratterizzarne le prestazioni. L’obiettivo è quello di fornire soluzioni per nuovi scenari di e-commerce emersi a partire dalle recenti innovazioni delle piattaforme di pubblicità digitale. In seguito, studiamo il problema dal punto di vista degli agenti che interagiscono sulle piattaforme, come venditori e inserzionisti. In particolare, quando un agente vuole vendere e/o pubblicizzare i propri prodotti sul Web, deve interagire ripetutamente con il meccanismo gestito dalla piattaforma. La struttura di tale interazione è distribuita nel tempo: gli agenti eseguono azioni sequenziali, dopo le quali osservano un guadagno prodotto dall'ambiente e che dipende dalle loro decisioni. In questo contesto, le tecniche di online learning sono adatte per progettare algoritmi no-regret che consentono agli agenti di apprendere strategie efficaci bilanciando exploration ed exploitation. Ispirandoci a nuovi scenari reali, studiamo processi di apprendimento non standard in cui, ad esempio, il feedback restituito dall'ambiente è influenzato da ritardi o le azioni degli agenti sono soggette a vincoli che variano nel tempo. Questi scenari sono comuni nella pratica quando, ad esempio, gli agenti sono limitati finanziariamente dal loro budget o desiderano raggiungere un obiettivo di redditività sotto forma di un vincolo di return on investment (ROI). In conclusione, questa tesi estende i modelli classici utilizzati per lo studio dei mercati online, incorporando nuovi scenari di e-commerce che sono emersi come risultato della continua espansione delle piattaforme Web. In questo modo, riduce il divario tra la teoria e le più recenti applicazioni.
File allegati
File Dimensione Formato  
thesis.pdf

accessibile in internet per tutti

Descrizione: Tesi di Dottorato
Dimensione 3.58 MB
Formato Adobe PDF
3.58 MB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/198434