Resumen

Utilizamos Aprendizaje Automático (AA) para estudiar las decisiones conjuntas de fijación de precios y pedidos de productos perecederos en un ciclo dinámico. La suposición de investigación es la siguiente: al comienzo de cada período, el minorista fija los precios tanto de los productos nuevos como de los antiguos y determina cuántos productos nuevos pedir, mientras que al final de cada período, el minorista decide cuánto inventario restante debe llevar al siguiente período. El objetivo es determinar una estrategia conjunta de fijación de precios, pedidos y disposición para maximizar la ganancia total esperada descontada. Establecemos un modelo de decisión basado en procesos de Markov y utilizamos el algoritmo de Q-learning para obtener una política casi óptima. A partir del análisis numérico, encontramos que (i) el número óptimo de productos antiguos llevados al siguiente período depende del límite cuantitativo superior para el inventario antiguo; (ii) los precios óptimos de los productos nuevos están positivamente relacionados con la demanda potencial

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Aprendizaje automático; Fijación de precios; Decisiones de pedido; Perecederos; Bucle dinámico; Q-learning;
• Keywords:Machine learning; Pricing; Ordering decisions; Perishables; Dynamic loop; Q-learning;