An Online Dynamic Pricing Algorithm for Complementary Products

The traditional pricing paradigms, once reliant on static models and rule-based strate gies, rapidly give way to dynamic data-driven approaches powered by machine learning algorithms. Dynamic pricing algorithms usually face the problem of finding the optimal prices of a product independently from the others. However, this choice may lead to suboptimal solutions, as we miss the chance to exploit product interactions. In this the sis, we present CPP (Complementary Product Pricing), an online learning algorithm for optimizing the pricing strategies of a set of products, considering the substitutable and complementary relations between them. The algorithm makes use of transaction data to learn the interaction between the different items and then optimize the pricing strategies through efficient multi-armed bandit solutions. We validate our solution in a simulated environment that mimics the one of a real e-commerce website, and we demonstrate that CPP improves the profit w.r.t. to an algorithm that ignores such interaction, also in the short-term, up to 30%.

I paradigmi tradizionali di pricing, un tempo basati su modelli statici e strategie rule based, stanno lasciando rapidamente il posto ad approcci dinamici basati sui dati e al imentati da algoritmi di apprendimento automatico. Gli algoritmi di pricing dinamico di solito affrontano il problema di trovare i prezzi ottimali di un prodotto indipenden temente dagli altri. Tuttavia, questa scelta può portare a soluzioni subottimali, poiché si perde la possibilità di sfruttare le interazioni tra i prodotti. In questa tesi presenti amo CPP (Complementary Product Pricing), un algoritmo di apprendimento online per ottimizzare le strategie di prezzo di un insieme di prodotti, considerando le relazioni di sostituibilità e complementarietà tra di essi. L’algoritmo utilizza i dati delle transazioni per apprendere l’interazione tra i diversi articoli e quindi ottimizzare le strategie di prezzo attraverso soluzioni efficienti con multi-armed bandit. Validiamo la nostra soluzione in un ambiente simulato che imita quello di un sito web di un e-commerce reale e dimostriamo che CPP migliora il profitto rispetto a un algoritmo che ignora tale interazione, anche nel breve termine, fino al 30%.