Multi-armed bandits for joint pricing and advertising

In the current context, the steady increase in online product sales is an evident trend. Indeed, it is expected that by the end of 2023, online sales platforms will generate a profit of over 6.5 trillion dollars. Large companies are increasingly seeking ways to maximize profits from online sales, aiming to determine the optimal price for their products to maximize profit margins. However, it is crucial to consider that there are costs associated with products on these platforms, which operate on auction mechanisms for product placement. It is worth noting that the artificial intelligence community has developed specific algorithms to address the challenges related to dynamic pricing and online advertising optimization, treating these aspects separately. In this study, we conducted a detailed analysis of various online sales platforms to gain a comprehensive understanding of their operations. We examined aspects such as the costs associated with product and the mechanisms used by platforms to determine product positioning in user searches. The objective of this analysis was to develop a model that closely aligns with the functioning of these platforms while maintaining a high level of realism. We paid particular attention to modeling user interactions within the platform and the advertisers competing to sell products on it. To overcome one of the primary challenges in this type of study, namely the lack of real-world data, we employed a technique known as web scraping to extract actual prices for specific product categories. These prices were subsequently used to generate bids, resulting in the creation of nine distinct datasets that played a pivotal role in our analyses. All of this was done with the aim of experimenting with bandit algorithms in this context, assessing their effectiveness in profit optimization within the online sales environment. Additionally, we introduced two new algorithms that combine the features of UCB1, one of the most prominent bandit algorithms in the literature, with a key parameter we identified during our analysis of online platforms: the Click-Through Rate (CTR), comparing the results obtained from the analysis of various metrics, such as cumulative reward and instant reward, for a total of over six algorithms and more than 300 tests.

Nel contesto attuale, l'aumento costante delle vendite di prodotti online è una tendenza evidente, tanto che si prevede che entro la fine del 2023 le piattaforme di vendita online genereranno un profitto di oltre 6.5 trilioni di dollari. Le grandi aziende cercano sempre più modi per massimizzare i profitti dalle vendite online, cercando di determinare il prezzo ottimale per i loro prodotti al fine di massimizzare il margine di guadagno. Tuttavia, è fondamentale tenere presente che ci sono costi associati all'inserimento dei prodotti su queste piattaforme, che si basano su meccanismi di asta per determinare l'ordine di visualizzazione dei prodotti dopo la ricerca di un utente. È interessante notare che la comunità dell'intelligenza artificiale ha sviluppato algoritmi specifici per affrontare le sfide legate al pricing dinamico e all'ottimizzazione del budget pubblicitario online, considerando questi aspetti separatamente. In questo studio, abbiamo condotto un'analisi dettagliata delle diverse piattaforme di vendita online al fine di comprendere in modo approfondito il loro funzionamento. Abbiamo esaminato aspetti come i costi associati all'inserimento dei prodotti e i meccanismi utilizzati dalle piattaforme per determinare la posizione dei prodotti nelle ricerche degli utenti. L'obiettivo di questa analisi è stato quello di sviluppare un modello il più possibile realistico e coerente con il funzionamento di queste piattaforme. Abbiamo prestato particolare attenzione alla modellazione degli utenti che interagiscono con la piattaforma e degli inserzionisti che competono per la vendita dei prodotti su di essa. Per superare una delle sfide principali in questo tipo di studio, ovvero la mancanza di dati reali su cui basarsi, abbiamo utilizzato una tecnica chiamata web scraping per estrarre i prezzi reali di determinate categorie di prodotti. Questi prezzi sono stati successivamente utilizzati per generare le offerte in modo da creare nove diversi dataset, che sono stati fondamentali per le nostre analisi. Il tutto con l'obiettivo, di sperimentare algoritmi di tipo bandit in questo contesto, valutando la loro efficacia nell'ottimizzare i profitti in un ambiente di vendita online. Inoltre, abbiamo introdotto due nuovi algoritmi che combinano le caratteristiche di UCB1, uno dei più noti algoritmi bandit nella letteratura, con un parametro chiave che abbiamo identificato durante l'analisi delle piattaforme online: il Click-Through Rate (CTR), confrontando i risultati ottenuti dallo studio di diverse metriche, come la reward cumulativa e la reward istantanea, di oltre sei algoritmi, per un totale di oltre 300 tests.