Optimizing B2B Product Offers with Machine Learning, Mixed Logit, and Nonlinear Programming
结合机器学习、混合 Logit 与非线性规划优化 B2B 产品报价AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以随机效用框架下的混合 Logit 建模客户购买选择和偏好异质性，最直接对应离散选择。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
结合机器学习、混合 Logit 与非线性规划优化 B2B 产品报价
- 研究问题
- 如何利用客户收到的报价、产品特征、折扣和购买决定，估计个体偏好并为不同客户群选择下一次报价的特征与折扣？
- 方法与思路
- 作者以层级贝叶斯及机器学习估计混合 Logit 的客户参数，再将参数用于按忠诚度和折扣弹性分群的非线性报价优化。
- 材料陈述的贡献
- 摘要称连接个体混合 Logit 参数与价值定价决策，提供报价优化问题，并报告预测表现较强但低于随机森林。
- 阅读关注点
- 应核对客户参数的识别和估计、报价优化的目标与约束，并查看预测验证方式以及历史报价选择如何影响模型解释。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供数据规模、预测指标或优化收益，不能据此确认实际定价效果。
原文摘要
In B2B markets, value-based pricing and selling has become an important alternative to discounting. This study outlines a modeling method that uses customer data (product offers made to each current or potential customer, features, discounts, and customer purchase decisions) to estimate a mixed logit choice model. The model is estimated via hierarchical Bayes and machine learning, delivering customer-level parameter estimates. Customer-level estimates are input into a nonlinear programming next-offer maximization problem to select optimal features and discount level for customer segments, where segments are based on loyalty and discount elasticity. The mixed logit model is integrated with economic theory (the random utility model), and it predicts both customer perceived value for and response to alternative future sales offers. The methodology can be implemented to support value-based pricing and selling efforts. Contributions to the literature include: (a) the use of customer-level parameter estimates from a mixed logit model, delivered via a hierarchical Bayes estimation procedure, to support value-based pricing decisions; (b) validation that mixed logit customer-level modeling can deliver strong predictive accuracy, not as high as random forest but comparing favorably; and (c) a nonlinear programming problem that uses customer-level mixed logit estimates to select optimal features and discounts.