[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -1,104 +1,179 @@
|
||||
---
|
||||
id: wiki-2026-0508-dynamic-pricing
|
||||
title: Dynamic Pricing
|
||||
category: 10_Wiki/Topics_Biz
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: []
|
||||
aliases: [동적 가격 책정, 변동 가격제, Surge Pricing]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.92
|
||||
tags: [uncategorized]
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [economics, pricing, monetization, ml]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-08
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: Python
|
||||
framework: scikit-learn / XGBoost
|
||||
---
|
||||
|
||||
---
|
||||
redirect_to: "[[게임_디자인_및_가상_경제_시스템]]"
|
||||
canonical_id: "wiki-2026-0507-105"
|
||||
---
|
||||
# Dynamic Pricing
|
||||
|
||||
# Redirect
|
||||
## 매 한 줄
|
||||
> **"매 가격은 매 순간 다르다"**. 매 수요·재고·시간·세그먼트 signal 의 기반에서 매 price 가 매 real-time 의 조정. 매 Uber surge, 매 airline yield management, 매 2026 게임 IAP A/B price 의 mainstream.
|
||||
|
||||
이 문서는 Canonical 문서인 통합되었습니다.
|
||||
모든 최신 지식과 세부 내용은 위 링크를 참조하십시오.
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
## 매 핵심
|
||||
|
||||
> Dynamic pricing은 수요·공급·유저 행동에 따라 실시간 가격을 조정해 매출을 극대화하는 시스템이다.
|
||||
### 매 입력 signal
|
||||
- **수요 (Demand)**: 매 search volume, 매 conversion rate, 매 cart-add rate.
|
||||
- **공급 (Supply / Inventory)**: 매 남은 stock, 매 server capacity.
|
||||
- **시간 (Time)**: 매 hour-of-day, 매 day-of-week, 매 holiday.
|
||||
- **사용자 segment**: 매 LTV tier, 매 churn risk, 매 region 의 PPP.
|
||||
- **경쟁사 price**: 매 web scraping 의 competitor catalog.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
### 매 알고리즘 family
|
||||
- **Rule-based**: 매 if (inventory < 20%) then price *= 1.3.
|
||||
- **Elasticity model**: 매 demand curve 의 fit → 매 revenue-maximizing point 의 추출.
|
||||
- **Bandit / RL**: 매 contextual bandit 의 사용 — 매 explore vs exploit.
|
||||
- **Deep learning**: 매 transformer 의 시퀀스 → 매 next-period price prediction.
|
||||
|
||||
**추출된 패턴:** 게임에선 직접 가격 변동보다 "보상량 변동"이 더 흔함 — 같은 $10에도 보상 50%~150% 변동.
|
||||
### 매 응용
|
||||
1. Airline / hotel yield management (매 origin domain).
|
||||
2. Ride-sharing surge (Uber, Lyft).
|
||||
3. E-commerce flash sale + personalized coupon.
|
||||
4. Game IAP regional pricing + LTV tier offer.
|
||||
|
||||
**세부 내용:**
|
||||
- 가격 알고리즘: 베이지안 최적화, 강화학습.
|
||||
- 윤리 가이드: 차별 정도·정당화 기준.
|
||||
- 측정: 결제율·ARPPU·만족도 동시 추적.
|
||||
- 한계: 신뢰·법적 리스크.
|
||||
- 산업 사례: Uber surge, 항공권, 호텔.
|
||||
## 💻 패턴
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### Elasticity 추정 (log-log regression)
|
||||
```python
|
||||
import numpy as np
|
||||
import statsmodels.api as sm
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** draft
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
|
||||
- **과거 데이터와의 충돌:** 없음
|
||||
- **정책 변화:** 없음
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
|
||||
- **Parent:** [[10_Wiki/Topics]]
|
||||
- **Related:** *(TODO: 최소 2개)*
|
||||
- **Opposite / Trade-off:** *(TODO)*
|
||||
- **Raw Source:** 직접 입력
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
# price, qty observed across past promotions
|
||||
log_p = np.log(prices)
|
||||
log_q = np.log(quantities)
|
||||
X = sm.add_constant(log_p)
|
||||
model = sm.OLS(log_q, X).fit()
|
||||
elasticity = model.params[1] # 매 typical -1.2 ~ -2.5
|
||||
print(f"Price elasticity: {elasticity:.2f}")
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### Revenue-maximizing price (constant elasticity)
|
||||
```python
|
||||
def optimal_price(cost, elasticity):
|
||||
"""매 monopoly markup formula: P* = c * e/(e+1) for e<-1"""
|
||||
if elasticity >= -1:
|
||||
raise ValueError("Inelastic demand — revenue unbounded")
|
||||
return cost * elasticity / (elasticity + 1)
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
print(optimal_price(cost=2.0, elasticity=-1.5)) # → 6.0
|
||||
```
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Contextual bandit (LinUCB)
|
||||
```python
|
||||
import numpy as np
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
class LinUCB:
|
||||
def __init__(self, n_arms, n_features, alpha=1.0):
|
||||
self.alpha = alpha
|
||||
self.A = [np.eye(n_features) for _ in range(n_arms)]
|
||||
self.b = [np.zeros(n_features) for _ in range(n_arms)]
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
def select(self, context):
|
||||
ucb = []
|
||||
for a in range(len(self.A)):
|
||||
A_inv = np.linalg.inv(self.A[a])
|
||||
theta = A_inv @ self.b[a]
|
||||
mu = context @ theta
|
||||
sigma = self.alpha * np.sqrt(context @ A_inv @ context)
|
||||
ucb.append(mu + sigma)
|
||||
return int(np.argmax(ucb))
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
def update(self, arm, context, reward):
|
||||
self.A[arm] += np.outer(context, context)
|
||||
self.b[arm] += reward * context
|
||||
```
|
||||
|
||||
### XGBoost demand forecaster
|
||||
```python
|
||||
import xgboost as xgb
|
||||
import pandas as pd
|
||||
|
||||
features = ["price", "hour", "dow", "is_holiday", "competitor_price",
|
||||
"inventory", "user_ltv_tier", "region_ppp"]
|
||||
dtrain = xgb.DMatrix(df[features], label=df["units_sold"])
|
||||
params = {"objective": "reg:squarederror", "max_depth": 6, "eta": 0.1}
|
||||
model = xgb.train(params, dtrain, num_boost_round=300)
|
||||
|
||||
def expected_revenue(price, ctx):
|
||||
ctx2 = {**ctx, "price": price}
|
||||
qty = model.predict(xgb.DMatrix(pd.DataFrame([ctx2])))[0]
|
||||
return price * qty
|
||||
```
|
||||
|
||||
### Personalized price (LTV tier)
|
||||
```python
|
||||
def personalized_price(base_price, user):
|
||||
tier = user["ltv_tier"] # "whale", "dolphin", "minnow"
|
||||
region_factor = REGION_PPP[user["country"]] # 매 0.4 ~ 1.2
|
||||
tier_factor = {"whale": 1.0, "dolphin": 0.85, "minnow": 0.6}[tier]
|
||||
return round(base_price * region_factor * tier_factor, 2)
|
||||
```
|
||||
|
||||
### Surge guardrails
|
||||
```python
|
||||
def safe_surge(base, raw_multiplier):
|
||||
# 매 PR backlash 의 prevent
|
||||
capped = min(raw_multiplier, 3.0)
|
||||
floored = max(capped, 0.7)
|
||||
return base * floored
|
||||
```
|
||||
|
||||
### A/B price test (Bayesian)
|
||||
```python
|
||||
import numpy as np
|
||||
from scipy.stats import beta
|
||||
|
||||
def bayesian_ab(buyers_a, visitors_a, buyers_b, visitors_b, n_sim=100_000):
|
||||
a = beta(1 + buyers_a, 1 + visitors_a - buyers_a).rvs(n_sim)
|
||||
b = beta(1 + buyers_b, 1 + visitors_b - buyers_b).rvs(n_sim)
|
||||
return float(np.mean(b > a)) # 매 P(B > A)
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| 매 stable demand, 매 cost-plus | Rule-based + manual ladder |
|
||||
| 매 elastic, 매 abundant data | Elasticity model + grid search |
|
||||
| 매 cold start, 매 many SKUs | Contextual bandit |
|
||||
| 매 high-stakes (regulated) | Constrained optimization + audit log |
|
||||
|
||||
**기본값**: 매 elasticity model 의 시작, 매 enough data 의 수집 후 contextual bandit 의 graduate.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[게임 수익화 모델]] · [[Microeconomics]]
|
||||
- 변형: [[Surge Pricing]] · [[Yield Management]] · [[Personalized Pricing]]
|
||||
- 응용: [[IAP_In_App_Purchase]] · [[Live-ops]]
|
||||
- Adjacent: [[A/B Testing]] · [[Contextual Bandit]] · [[LTV]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 elasticity 추정 의 EDA, 매 price ladder design, 매 A/B test 의 statistical analysis.
|
||||
**언제 X**: 매 production pricing decision 의 single LLM call — 매 hallucination risk 의 too high.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Race-to-bottom**: 매 competitor 의 blind matching → margin collapse.
|
||||
- **Surge backlash**: 매 cap 없는 multiplier → user trust 의 손상 (매 Uber NYE 8x 의 사례).
|
||||
- **Personalization 의 leak**: 매 same item 의 different price 의 user-visible → fairness backlash.
|
||||
- **Cold-start naïveté**: 매 new SKU 에 매 zero data 의 RL 의 직접 deploy → wild swing.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Phillips 2005 *Pricing and Revenue Optimization*; Uber Engineering blog 2023).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — full content with elasticity, bandit, A/B patterns |
|
||||
|
||||
Reference in New Issue
Block a user