En 1933, William R. Thompson publicó un artículo sobre un algoritmo basado en modelos bayesianos que finalmente se conocería como muestreo de Thompson. Esta heurística fue ignorada en gran medida por la comunidad académica hasta hace poco, cuando se convirtió en objeto de intenso estudio, gracias en parte a las empresas de Internet que lo implementaron con éxito para la visualización de anuncios en línea.

El muestreo de Thompson elige acciones para abordar la exploración-explotación en el problema de los bandidos con múltiples brazos para maximizar el rendimiento y aprender continuamente, Adquirir nueva información para mejorar el desempeño futuro.

En un nuevo estudio, "Administración de ingresos de la red en línea con muestreo de Thompson, "El profesor del MIT, David Simchi-Levi, y su equipo han demostrado que el muestreo de Thompson se puede utilizar para un problema de gestión de ingresos, donde se desconoce la función de demanda.

Incorporación de restricciones de inventario

Uno de los principales desafíos de la adopción del muestreo de Thompson para la gestión de ingresos es que el método original no incorpora restricciones de inventario. Sin embargo, los autores muestran que el muestreo de Thompson se puede combinar naturalmente con una formulación de programa lineal clásica para incluir restricciones de inventario.

El resultado es un algoritmo de fijación de precios dinámico que incorpora el conocimiento del dominio y tiene sólidas garantías de rendimiento teórico, así como resultados de rendimiento numérico prometedores.

Curiosamente, los autores demuestran que el muestreo de Thompson logra un desempeño deficiente cuando no toma en cuenta el conocimiento del dominio.

Simchi-Levi dice:"Es emocionante demostrar que el muestreo de Thomson se puede adaptar para combinar una formulación de programa lineal clásica, para incluir restricciones de inventario, y ver que este método se puede aplicar a problemas generales de administración de ingresos ".

La aplicación industrial mejora los ingresos

El algoritmo de precios dinámicos propuesto es muy flexible y se puede aplicar en una variedad de industrias, desde las aerolíneas y la publicidad en Internet hasta la venta minorista en línea.

El nuevo estudio, que acaba de ser aceptado por la revista Operations Research, es parte de un proyecto de investigación más amplio de Simchi-Levi que combina el aprendizaje automático y la optimización estocástica para mejorar los ingresos, márgenes, y cuota de mercado.

Los algoritmos desarrollados en esta línea de investigación se han implementado en empresas como Groupon, un creador de mercado diario, Rue La La, un minorista de ventas flash en línea de EE. UU., B2W digital, un gran minorista en línea en América Latina, y en una gran empresa cervecera, donde Simchi-Levi y su equipo optimizaron la promoción y los precios de la empresa en varios canales minoristas.