Η βελτιστοποίηση των εσόδων αποτελεί στρατηγική προσέγγιση των επιχειρήσεων για μεγιστοποίηση των οικονομικών τους επιδόσεων. Συνεπάγεται την αναγνώριση και διαχείριση σημαντικών παραγόντων που επηρεάζουν τη δημιουργία εσόδων, αξιοποιώντας στο μέγιστο τη διαθέσιμη πληροφορία και λαμβάνοντας κατάλληλες αποφάσεις σχετικά με την τιμολόγηση και τα διαθέσιμα αποθέματα. Ουσιαστικά ο στόχος της στρατηγικής αυτής είναι η πώληση του κατάλληλου προϊόντος , στον κατάλληλο πελάτη, την κατάλληλη στιγμή και για το κατάλληλο αντίτιμο. Η τακτική ήδη εφαρμόζεται σε ορισμένους κλάδους όπως η εστίαση και οι αερομεταφορές, όπου υπάρχει περιορισμός χωρητικότητας (Dutta και Mitra, 2017, Phillips, 2021). Σκοπός της προτεινόμενης διερεύνησης είναι η δημιουργία λειτουργικού πλαισίου για βελτιστοποίηση εσόδων μέσω δυναμικής τιμολόγησης. Στην εποχή μας, στην οποία πλέον οι επιχειρήσεις και οργανισμοί αρχίζουν να αντιλαμβάνονται τη σημαντικότητα των δεδομένων, ο όγκος των δεδομένων τα οποία καταγράφονται και διατηρούνται από τις διάφορες οντότητες ολοένα και αυξάνεται. Ο ρόλος του κλάδου της Μηχανικής Μάθησης έχει σαν κύριο αντικείμενο την αξιοποίηση των δεδομένων αυτών μέσω της χρήσης ποικίλων αλγορίθμων και τεχνικών. Τα μοντέλα Μηχανικής Μάθησης βρίσκονται στον πυρήνα της ιδέας για το συγκεκριμένο πλαίσιο βελτιστοποίησης εσόδων, ενώ ήδη γίνεται χρήση τους σε διάφορους τομείς (Gupta και Chaitanya, 2014). Η εύρεση των καταλληλότερων τεχνικών, η σύγκρισή τους και η βελτιστοποίηση των ιδίων των μοντέλων αποτελεί σημαντικό κομμάτι της έρευνας. Για την πληρέστερη αξιοποίηση των αποθεμάτων ή και της χωρητικότητας με τη μεγαλύτερη δυνατή ακρίβεια, κρίνεται υψίστης σημασίας η ακριβής πρόβλεψη της ζήτησης Για την πρόβλεψη της ζήτησης χρησιμοποιούνται διάφορα μοντέλα, όπως μοντέλα χρονολογικών σειρών και μηχανικής μάθησης, τα οποία εκπαιδεύονται αξιοποιώντας διαθέσιμα ιστορικά δεδομένα. Προβλέψεις κοντά στην πραγματικότητα επιτρέπουν στην οικονομική οντότητα να προσαρμόσει στρατηγικά μεταβλητές όπως οι τιμές και τα αποθέματα (Faruqui, Hledik και Tsoukalos, 2009, Dutta και Mitra, 2017). Τεχνικές Μηχανικής Μάθησης δύναται να χρησιμοποιηθούν στα πλαίσια A/B Testing προκειμένου να αποτιμηθεί η αξία διαφόρων επιχειρηματικών στρατηγικών για τις οικονομικές επιδόσεις της οντότητας. Πρόκειται, δηλαδή, για πειράματα μέσω ανάλυσης πραγματικών επιχειρησιακών δεδομένων για την εκτίμηση του βεληνεκούς της επίδρασης μεταβολών των τιμών ή στρατηγικών μάρκετινγκ, τα αποτελέσματα των οποίων ενισχύουν μια πιο στρατηγική προσέγγιση σε αποφάσεις. Επειδή η πραγματικότητα της αγοράς υπόκειται σε συνεχείς αλλαγές, απρόβλεπτες και μη, το υπό διερεύνηση σύστημα οφείλει να περιέχει ενσωματωμένο μηχανισμό ανίχνευσης για τις αλλαγές αυτές. Τα μοντέλα μηχανικής μάθησης, στα πλαίσια που αναφέρονται για την παρούσα διατριβή, θα συνδυάζονται με τεχνικές ανίχνευσης σημείων αλλαγής (changepoint detection) (Bhattacharya, 1994). Η βιβλιογραφία στο αντικείμενο έχει ενισχυθεί τα τελευταία χρόνια (βλ ενδεικτικά Arlot, Celisse και Harchaoui, 2019, Baihong, Yuxin, Li, Kameshwa και Sangiovanni-Vincentelli, 2019, Chen και Zhang, 2015) και η προσθήκη τεχνικών για τη δυνατότητα εντοπισμού change point κρίνεται απαραίτητη. Λόγω της φύσης και των μερών που απαρτίζουν το συγκεκριμένο σύστημα, η άμεση και σωστή καταγραφή των δεδομένων εκ μέρους του παρόχου, αλλά και η τροφοδότησή τους στο σύστημα κρίνονται αναγκαία. Τα μοντέλα που θα χρησιμοποιηθούν έχουν άμεση ανάγκη από ανατροφοδότηση με νέα δεδομένα, αφενός για την παρακολούθηση της αποδοτικότητάς τους και αφετέρου για την αποτελεσματικότερη επανεκπαίδευση και βελτιστοποίησή τους. Η γρήγορη τροφοδότηση του συστήματος με νέα δεδομένα είναι σημαντικότατη για την αμεσότερη ανίχνευση change points. Επιπρόσθετα, κρίνεται αναγκαίο να αναφερθεί πως τα διαθέσιμα δεδομένα, ο τρόπος απόκτησής τους και διασύνδεση με το σύστημα-αντικείμενο της έρευνας, εξαρτώνται σε μεγάλο βαθμό τόσο από τις ιδιαιτερότητες του κλάδου της ενδιαφερόμενης εταιρίας, όσο και από τις ιδιαιτερότητες της ίδιας της εταιρίας. Η κατανόηση και εκμετάλλευση των διαθέσιμων βάσεων δεδομένων, με τρόπο κατάλληλο για τους σκοπούς της προτεινόμενης έρευνας, προβλέπεται να αποτελέσει σημαντικό μέρος της συνολικής διερεύνησης. Συνεισφορά και Πρωτοτυπία: Εν κατακλείδι, το έργο, το οποίο αναμένεται σαν αποτέλεσμα της προτεινόμενης διατριβής, είναι ένα πλήρες καινοτόμο πλαίσιο για βελτιστοποίηση των εσόδων μιας επιχείρησης, μέσω συστήματος δυναμικής τιμολόγησης των προϊόντων και υπηρεσιών της. Στη βάση του συστήματος αυτού, θα βρίσκονται αλγόριθμοι μηχανικής μάθησης, οι οποίοι θα προσαρμόζονται στις αλλαγές συνθηκών της αγοράς και οι οποίοι αποτελούν τον σημαντικότερο πυλώνα συνεισφοράς και πρωτοτυπίας της εν λόγω διδακτορικής διατριβής. Σκοπός είναι το πλαίσιο αυτό να είναι λειτουργικό και δοκιμασμένο με πραγματικά δεδομένα.
