온라인 플랫폼에서의 데이터 기반 동적 상품 구성: 양면 시장에 대한 학습

우리는 이산 시간 (discrete-time) 설정에서 불완전한 정보와 이질적인 고객을 가진 양면 서비스 플랫폼 (two-sided service platform)에서의 동적 상품 구성 (dynamic assortment) 문제를 연구합니다. 각 기간마다 서비스를 찾는 고객이 도착하며, 플랫폼은 표시할 판매자들의 상품 구성 (assortment)을 선택합니다. 그 후 고객은 다항 로짓 선택 모델 (multinomial logit choice model)에 따라 상품 구성 내의 최대 한 명의 판매자에게 거래를 제안합니다. 정해진 기간이 지나면, 판매자들은 받은 제안들을 검토하고 또 다른 다항 로짓 선택 모델에 따라 최대 한 명의 고객을 선택하며, 이후 이 사이클이 반복됩니다. 핵심적인 과제는 플랫폼이 고객이나 판매자 중 어느 쪽의 선택 모델 파라미터 (choice-model parameters)도 사전에 알지 못한다는 점입니다. 우리가 알기로는, 이는 양측의 선택 파라미터가 모두 알려지지 않은 상태에서의 동적 상품 구성 문제를 다룬 첫 번째 연구입니다. 우리는 플랫폼의 목적 함수를 시간에 따라 최적화하면서 이러한 파라미터들을 학습하는 데이터 기반 알고리즘 (data-driven algorithm)을 개발합니다. 우리는 모든 파라미터와 고객 도착을 사전에 알고 있는 전지적 벤치마크 (clairvoyant benchmark) 대비 수익 손실을 측정하는 후회 (regret)를 사용하여 성능을 평가합니다. 우리는 이 알고리즘의 최악의 경우 후회 (worst-case regret)가 시간에 따라 다항 로그 (polylogarithmically) 단위로 증가함을 보여주며, 이에 부합하는 하한 (lower bound)을 도출하여 알고리즘의 속도 최적성 (rate optimality)을 입증합니다.