Utilisation de techniques de prédiction de survie pour apprendre des distributions de prix de réservation spécifiques aux clients.

Résumé :

Le "prix de réservation" (PR) d'un consommateur est le prix le plus élevé qu'il est prêt à payer pour une unité d'un produit ou d'un service donné. Il s'agit d'un concept essentiel dans de nombreuses applications, par exemple la tarification personnalisée, les enchères et la négociation. Bien que les consommateurs n'offrent pas volontairement leurs PR, nous pouvons être en mesure de prédire ces valeurs, sur la base des informations spécifiques de chaque consommateur, en utilisant un modèle appris à partir de transactions de consommateurs antérieures. Cette thèse propose un nouveau cadre d'apprentissage des distributions de RP qui implique un modèle de formulation de la relation entre les RP des consommateurs et leurs décisions d'achat, ainsi qu'une méthode de collecte de données. Dans ce cadre, nous montrons une façon d'estimer la distribution de la PR spécifique au consommateur en utilisant des techniques de prédiction de survie - en considérant ici les choix d'achat des consommateurs comme des observations censurées. Pour valider notre nouveau cadre de RP, nous effectuons des expériences sur des données réalistes, avec quatre méthodes de survie. Ces modèles ont obtenu de très bons résultats (selon trois critères différents) dans la tâche d'estimation des distributions de RP spécifiques aux consommateurs, ce qui montre que notre cadre de RP peut être efficace. Comme nous avons constaté que le modèle de régression logistique multitâche (MTLR) dominait les autres modèles sous les trois critères d'évaluation, nous avons exploré les moyens de l'étendre, ce qui a conduit à des extensions plus générales et plus flexibles. De plus, nous prouvons que c'est le régularisateur général, et non le régularisateur de lissage, qui permet d'obtenir une distribution prédite lisse, ce qui entraîne une simplification supplémentaire du modèle MTLR.