Téléchargement | - Voir le manuscrit accepté : Efficient Monte Carlo Decision Tree Solution in Dynamic Purchasing Environments (PDF, 338 Kio)
|
---|
Auteur | Rechercher : Buffett, Scott; Rechercher : Spencer, Bruce |
---|
Format | Texte, Article |
---|
Conférence | The International Conference on Electronic Commerce (ICEC'03), October 1, 2003, Pittsburgh, Pennsylvania, USA |
---|
Sujet | regroupement des achats; analyse décisionnelle; arbre de décision; théorie de l'espérance d'utilité; Monte Carlo |
---|
Résumé | Les auteurs de cette communication étudient le problème de la prise de décisions dans un milieu dynamique où il faut acheter l'un ou l'autre de nombreux groupes de produits et où les prix offerts ne valent que pour des périodes précises, mais différentes, suivant l'article. Lorsque le prix exact n'est pas encore connu, on se sert de mesures de probabilité. Nous montrons que l'espérance d'utilité attendue peut être améliorée en examinant comment de l'information future peut influencer le comportement de l'acheteur. Nous présentons une efficiente méthode de simulation Monte Carlo qui révèle l'utilité espérée d'une option de notre arbre de décision (« QR-tree »), et où le nombre de simulations nécessaires est en rapport linéaire avec la taille de l'arbre. Lors de nos expériences de simulation d'un acheteur sur un marché particulier, l'utilité espérée a été évaluée avec une précision plus de 50 fois supérieure à la méthode gloutonne, où l'on recherche toujours le groupe de produits ayant la plus grande espérance d'utilité pour le moment. |
---|
Date de publication | 2003 |
---|
Dans | |
---|
Langue | anglais |
---|
Numéro du CNRC | NRCC 46489 |
---|
Numéro NPARC | 8914309 |
---|
Exporter la notice | Exporter en format RIS |
---|
Signaler une correction | Signaler une correction (s'ouvre dans un nouvel onglet) |
---|
Identificateur de l’enregistrement | bf081e79-cd17-4ba3-bed3-b30963b5421f |
---|
Enregistrement créé | 2009-04-22 |
---|
Enregistrement modifié | 2021-01-05 |
---|