（论文）Persuading Customers to Buy Early: The Value of Personalized

这篇论文看得太久了，实在看不下去，逼一下自己。

    在互联网商业中，由于企业可以频繁更改价格，因此消费者面临两种风险：未来价格下降&未来商品数量不足。

假设

• 垄断企业销售同质商品
• 消费者数量固定，不会在模型中间忽然离开或进入系统
• 企业和消费者对于企业到底是高数量企业（H-type）还是低数量企业（L-type）一开始都未知，先验一致。
• 企业在获得产品数量确定信息之前制定价格。
• 企业消费者一共进行两个阶段

符号

• 两个阶段企业制定的价格为$p_1,p_2$，且$p_1>p_2$
• 消费者对产品的估值（产品对消费者的效用）服从$F$分布，$F(v)$表示消费者对产品估值$\le v$的比例。估值为$v$的消费者称之为‘v-消费者’
• 企业商品数量$Q$是随机变量，只能是高数量($Q=q_H$)或低数量($Q=q_L$)，两者的先验概率为：$\mathbb{P}(H)$,$\mathbb{P}(L)$。
• 企业需要制定信号机制$\Sigma$。$S$表示企业可以给消费者传递的信号空间，$S_v$表示给v-消费者传递信号的集合，$s_v$表示对单个v-消费者传递的信号，$s_v\in S_v$
• 通过企业传递的信号以及决定的第一、二阶段价格，v-消费者决定购买方案$x_v$。当$x_v=0$，消费者在任何阶段都不购买商品；当$x_v=1$，消费者在第一阶段购买；当$x_v=2$，消费者在第二阶段购买。
• 但并不是消费者想买就能买到，还要考虑各个时期的商品数量。$A_i(v)$表示当某个v-消费者决定在第$i$阶段购买且能够买到。

总结：企业先制定两个阶段的价格$p_1,p_2$。然后在了解到自己商品确切数量后向消费者传递信号，消费者接收到信号后决定买不买？什么时候买？如果决定要买，那么当时商品数量足够，就可以获得商品，否则交易失败。

    由此，v-消费者的效用可以表示为：
U v ( x , a , p 1 , p 2 ) = I ( x ∈ { 1 , 2 } ) ⋅ ( v − p x ) P ( A x ( v ) ∣ s , x v = x ) (1) U_v(x,a,p_1,p_2)=\mathbb{I}(x\in \{1,2\})\cdot (v-p_x)\mathbb{P}(A_x(v)|s,x_v=x) \tag{1} Uv​(x,a,p1​,p2​)=I(x∈{1,2})⋅(v−px​)P(Ax​(v)∣s,xv​=x)(1)
传统消费者效用就是“产品对消费者的效用$-$消费者花费 ”，但此处还需要乘以商品是否可得的概率。所以，根据Bayesian Nash Equilibrium每个消费者的最优购买决策可以写为：
x v ( s v , p 1 , p 2 ) ∈ arg ⁡ max ⁡ x ∈ { 0 , 1 , 2 } U v ( x , a , p 1 , p 2 ) (2) x_v(s_v,p_1,p_2)\in\arg\max_{x\in\{0,1,2\}} U_v(x,a,p_1,p_2) \tag{2} xv​(sv​,p1​,p2​)∈argx∈{0,1,2}max​Uv​(x,a,p1​,p2​)(2)
    在给定一个均衡，企业两阶段的期望收入可以表示为：
$$R(x)=\mathbb{E}[p_1{D}_1+p_2{D}_2]\text{\hspace{1em}(3)}$$
其中随机变量$D_t={\int }_{v\in V}\mathbb{I}(A_t(v))dF(v)$，表示在t阶段获得商品的消费者数量（第t阶段卖出的商品数量）。企业的目标就是$$R_e(\Sigma ,p_1,p_2)=\underset{x}{\max }R(x)$$
    此外，受到企业传递的信号后，v-消费者对于企业类型的后验概率$\mu (s_v)$可以表示为：
$$\mu (s_v)=\mathbb{P}(H|S_v=s_v)=\frac{\mathbb{P}(S_v=s_v|H)}{\mathbb{P}(S_v=s_v|H)\mathbb{P}(H)+\mathbb{P}(S_v=s_v|L)\mathbb{P}(L)}$$

结论

最优公开(public)机制

    在这种情况下，所有的信息都是公开的。

Theorem 1
(i) 不提供信息，并将价格制定为
p 1 = P max ⁡ { F ˉ − 1 ( q L ) , p m } + P ( H ) p m p_1=\mathbb{P}\max\{\bar{F}^{-1}(q_L),p^m\}+\mathbb{P}(H)p^m p1​=Pmax{Fˉ−1(qL​),pm}+P(H)pm
$$p_2=p^m$$
是一个最优公开信号机制。
（$p^m$是无限制一次静态博弈价格，$p^m=\arg {\max }_{p}p\bar{F}(p)$）
(ii) 提供全部信息，并将价格制定为
p 1 = max ⁡ { F ˉ − 1 ( q L ) , p m } p_1=\max\{\bar{F}^{-1}(q_L),p^m\} p1​=max{Fˉ−1(qL​),pm}
$$p_2=p^m$$
是另一个最优公开信号机制
(iii) 在任意一个最优公开信号机制下，企业的收入均为
$$R_{public}=\mathbb{P}(L)p_1{\bar{F}}^{-1}(p_1)+\mathbb{P}(H)p_2{\bar{F}}^{-1}(p_2)$$
其中 p 1 = max ⁡ { F ˉ − 1 ( q L ) , p m } p_1=\max\{\bar{F}^{-1}(q_L),p^m\} p1​=max{Fˉ−1(qL​),pm}，$p_2=p^m$

$proof:$
  

最优非公开(private)机制

    在这种情况下，企业可以分别给不同的消费者提供三种不同的信息：‘Buy Now’(买)，‘Wait for Period 2’(等待)，‘Do not Buy’(不买)。

价格策略(PS1)
$p_1={\bar{F}}^{-1}(q_L)$，$p_2$满足：
$$\frac{d}{d{p}_2}{p}_2\bar{F}(p_2)=\bar{F}(\bar{v})$$
v ˉ = sup ⁡ { v ∈ V : σ H ( v ) < 1 } \bar v=\sup\{v\in V:\sigma_H(v)<1\} vˉ=sup{v∈V:σH​(v)<1}
(${\sigma }_H(v)=\mathbb{P}(S_v=Buy|H)$，即H-type企业给v-消费者传递“买”信号的概率。具体形式见公式（4）)
信号策略(PS2)
(a)如果$Q=q_L$，企业给那些价值大于$p_1$的消费者传递“买”的信号，给其他人传递“不买”的信号。
(b)如果$Q=q_H$：
  (i)对于$v>p_1$的消费者，企业按照${\sigma }_H(v)$的概率向v-消费者传递“买”的信号，以$(1-{\sigma }_H(v))$的概率向消费者传递“等待”的信号
  (ii)对于$p_2<v<p_1$的消费者，企业向其传递“等待”的信号
  (ii)对于$v<p_2$的消费者，企业向其传递“不买”的信号
  
由此非公开信号得到的收入为：
$$R_{private}=\mathbb{P}(H)p_2\bar{F}(p_2)+\mathbb{P}(H)(p_1-p_2)\bar{F}(\bar{v})+\mathbb{P}(L){\int }_{v=p_1}^{\bar{v}}(v-p_1)dF(v)+\mathbb{P}(L)p_1{q}_L$$

讨论： （我以为）Bayesian Persuading的核心就是通过增加自身某方面的可信度（概率），从而增加另一个更关键概率的提升。例如，一个嫌疑犯是罪犯的先验为0.3，辩护律师可以通过“如果是罪犯我一定会说是罪犯，即$\mathbb{P}(律师认为是罪犯[g]|嫌疑犯是罪犯[guilty])=1$”的方式，增加$\mathbb{P}(嫌疑犯是罪犯[guilty]|律师认为是罪犯[g])$后验概率。
$$\mathbb{P}(guilty|g)=\frac{\mathbb{P}(g|guilty)\mathbb{P}(guilty)}{\mathbb{P}(g|guilty)\mathbb{P}(guilty)+\mathbb{P}(g|innocen)\mathbb{P}(innocent)}$$
（糖水不等式）
    
    在这个例子中，最重要的是尽量让消费者在第一阶段买，而这只能在$v>p_1$中争取。因此，主要分析这一部分的消费者。    对于H企业，需要在传递“买”这个信号时，增加消费者认为自己是L-type的概率，这样消费者才会有在第一阶段购买的趋向，那就是说需要增加${\sigma }_L(v)=\mathbb{P}(S_v=Buy|L)$，最高就是给那些能买的消费者全部传递“买”的信号，而为了收入最大，L-type的企业最好是在第一阶段全部卖出，因此$p_1={\bar{F}}^{-1}(q_L)$。
    那么对于H-type的企业，消费者在第一阶段购买商品，当且仅当：
$$v-p_1\ge (v-p_2)\mathbb{P}(H|S_v=Buy)$$
根据贝叶斯公式：
$$\mathbb{P}(H|S_v=Buy)=\frac{\mathbb{P}(H){\sigma }_H(v)}{\mathbb{P}(H){\sigma }_H(v)+\mathbb{P}(L){\sigma }_L(v)}$$
将${\sigma }_L(v)$代入可以得到
σ H ( v ) = min ⁡ { P ( L ) P ( H ) ( v − p 1 p 1 − p 2 ) , 1 } (4) \sigma_H(v)=\min\{\frac{\mathbb{P}(L)}{\mathbb{P}(H)}(\frac{v-p_1}{p_1-p_2}),1\} \tag{4} σH​(v)=min{P(H)P(L)​(p1​−p2​v−p1​​),1}(4)
    这个时候，第一阶段的价格、$v>p_1$消费者的信号策略都已经清楚。还需要求第二阶段价格制定策略。先写出此时H-type企业的收入

$$\begin{array}{rl}{R}_{private}^H& =p_2\bar{F}(P_2)+(p_1-p_2)\bar{F}(\bar{v})+(p_1-p_2){\int }_{v=p_1}^{\bar{v}}{\sigma }_H(v)dF(v)\\ & =p_2\bar{F}(P_2)+(p_1-p_2)\bar{F}(\bar{v})+\frac{\mathbb{P}(L)}{\mathbb{P}(H)}{\int }_{v=p_1}^{\bar{v}}(v-p_1)dF(v)\end{array}$$
为使收入最大化，对$p_2$求导为零就得到上述对$p_2$的约束。
    以上是从Bayesian Persuading的角度得到了一个机制，但这不一定是最优的机制接下来就需要证明，这个机制还是最优的。

Theorem 2
如果$q_L\le \bar{F}(p^m)$，那么上述非公开机制就是最优信号机制。并且$R_{private}>R_{public}$。
  
Corollary 1
对于任意$q_L>\bar{F}(p^m)$，如果$R_{private}>R_{public}$，那么上述非公开机制就是最优信号机制；否则，公开机制就是最优信号机制。

$proof:$