Diffusion-Based Data-Driven Assortment Optimization
Di cosa parla
Si propone un modo per scegliere quali prodotti offrire usando un modello che impara a generare buone combinazioni senza dover testare tutte le possibilità. Ogni assortimento è trattato come una selezione di articoli: un procedimento generativo impara a fare piccole modifiche casuali alle selezioni e le orienta con una stima del ricavo atteso per trovare opzioni valide; nei test il metodo trova spesso soluzioni di alta qualità, resiste quando i modelli tradizionali sono sbagliati e può produrre assortimenti diversi tra loro.
Cosa permette di osservare
Consente di esplorare se una strategia che crea molte proposte e le guida in base al ricavo stimato può sostituire o integrare i modelli classici, offrendo soluzioni più flessibili e robuste quando il problema comprende molti articoli.
Dalla fonte
Assortment optimization is a fundamental problem in revenue management, typically addressed using parametric choice models such as the multinomial logit (MNL) and its variants. While these models enable tractable formulations, their performance is sensitive to model misspecification and often struggles to capture complex customer behavior. In this paper, we propose a model-agnostic framework for assortment optimization based on guided discrete diffusion. We represent assortments as binary vectors and perform stochastic search via a learned reverse diffusion process, avoiding explicit combinatorial enumeration. To incorporate decision objectives, we introduce a reward-guided mechanism that biases local transitions using estimates of expected revenue. This allows the method to effectively balance exploration and exploitation during generation. Empirically, we show that the proposed approa…