管理科学系学术讲座

时间：2024年3月25日（周一） 14:00-15:30

地点：管理学院思源楼524室

主题：数据驱动的商业决策中的一些新进展

主讲人：许欢阿里巴巴集团

主持人：洪流复旦大学管理学院教授

摘要：

在数据分析时代，商业决策日益由模型驱动转为数据驱动。数据驱动的决策带来很多新的研究课题，包括面向决策的机器学习、数据特性对决策的影响、以及学习与决策一体化等。

在报告的第一部分，我们讨论学习与决策一体化的一个案例：我们从鲁棒优化的在线学习视角出发，研究一个在线鞍点问题（Online Saddle Point problem）：一对最小化最大化的决策者，能否以在线学习的方式，寻找到一个任意凸凹函数序列的鞍点，即，设计低鞍点懊悔值（low saddle point regret）的在线学习算法。我们证明了每个决策者分别的低懊悔值不意味着整体的低鞍点懊悔值 – 两者实际上互相冲突 – 这意味着每个决策者单独运行在线凸优化之类的学习算法无法解决在线鞍点问题。我们提出了一个联合在线学习的方法，可以达到低鞍点懊悔值，并推广到有限零和博弈、以及老虎机反馈等设定场景。后者与带背包约束的在线优化紧密相关，从而对动态定价、在线广告出价等商业决策问题有指导意义。

在报告的第二部分，基于阿里的实践，我们探讨基于观测数据（observational data, 即非实验数据）的商业决策与洞察。在某新零售生鲜平台的短保品降价清货项目中，我们提出一个聚合的半参数量价模型来消除观测数据的内生性和应对数据稀疏性，并设计了一个多阶段优化的算法来动态地设定清货价格。在一项政策研究中，我们通过研究上海市的垃圾分类政策执行所带来的自然实验（natural experiment），发现对于Z时代人群，环境保护意识是二手市场交易的重要驱动力。这些实践，揭示了充分理解数据特性对于有效决策的重要性。

主讲人简介：

许欢于上海交通大学自动化系获得学士学位，新加坡国立大学电子工程系获得硕士学位，加拿大麦吉尔大学电子工程系获得博士学位。他曾任教于新加坡国立大学（工业与系统工程系）和佐治亚理工学院（工业与系统工程系），并于2018年加入阿里巴巴集团。他的研究方向是机器学习和运筹优化，尤其是不确定性条件下的优化与决策如鲁棒优化、MDP等，及其与统计和机器学习之间的关联。