Как определить политику выкупа в аукционе

Что проверяют

Умеете ли вы превратить расплывчатую бизнес-задачу в постановку для модели: целевая метрика, что предсказываем, какое решение принимаем. Интервьюера интересует связка «прогноз цены плюс оптимизация решения», а не пересказ теории аукционов. Следом обычно спрашивают, как оценить новую политику до запуска.

Как отвечать

Начните с уточнения, что значит выкуп. Обычно это одно из двух: цена мгновенной покупки, при которой лот уходит без торгов, или предложение площадки самой купить лот у продавца и потом продать его на аукционе. Постановка в обоих случаях похожа: выбрать цену, которая максимизирует ожидаемую прибыль.

• целевая функция: для выкупа площадкой это P(accept|p)*(E[resale]-p-costs). Вероятность согласия растёт с ценой, маржа падает, оптимум где-то посередине;
• модель итоговой цены: регрессия финальной ставки по признакам лота, сезону и активности участников. Нужна не точечная оценка, а распределение, поэтому подходят квантильная регрессия или бустинг с квантильной функцией потерь в CatBoost или LightGBM;
• модель согласия: классификатор, который по лоту и предложенной цене оценивает вероятность, что продавец или покупатель её примет. Проверяйте калибровку, иначе оптимум уедет;
• риск: вместо средней прибыли можно ограничивать нижний квантиль или долю убыточных выкупов. Это требование бизнеса, его стоит проговорить;
• оценка: исторические данные собраны при старой политике, других исходов в них нет. Офлайн даёт лишь грубую прикидку, а решение принимается по A/B-тесту или бандиту, который аккуратно пробует разные уровни цены.

Для глубины можно вспомнить теорию: в модели независимых частных оценок у Майерсона оптимальная резервная цена определяется распределением оценок участников и не зависит от их числа.

Где спотыкаются

Сразу берутся за модель, не определив, что оптимизируется: выручка, прибыль, оборот или доля проданных лотов.

Предсказывают только среднюю цену. Решение о выкупе зависит от хвостов распределения, и точечный прогноз занижает риск.

Обучают модель согласия на истории, где цена всегда выставлялась по одному правилу. Модель не видела других цен и экстраполирует наугад.