Ομιλητής: Δρ. Κλεάνθης Καρακόλιος
Ημερομηνία: Τρίτη, 28 Απριλίου 2026, Ώρα: 15:00
Τοποθεσία: Διαδικτυακά στο Microsoft Teams meeting https://teams.microsoft.com/meet/348968333477102?p=xGaW2v8S2IohVAOFyO, Αναγνωριστικό σύσκεψης: 348 968 333 477 102, Κωδικός πρόσβασης: hV7DK7BK
Περίληψη
Interference between treated and untreated units is a pervasive source of bias in marketplace experiments. This presentation focuses on pricing interventions in which a platform lowers base prices to stimulate demand. In matching marketplaces, such interventions raise a fundamental algorithmic design question: should treated and untreated units be matched differently to account for price differences? We show that standard estimation methods yield biased estimates, with the direction of bias depending critically on this design choice. To address this, we introduce the shadow price estimator, derived from the optimal dual solution to the platform’s supply–demand matching problem. We further propose a matching design in which the platform deliberately ignores price differences during the matching process, and show that this design substantially reduces estimation bias.
Βιογραφικό Ομιλητή:
Ο Κλεάνθης Καρακόλιος εργάζεται ως στρατηγικός σύμβουλος στην Ernst & Young – Parthenon (επικεφαλής του AI Go-To-Market lab). Είναι απόφοιτος του Georgia Institute of Technology (PhD in Machine Learning ’25, MBA ’24, MS in ECE ’22), του Columbia Business School (MS in Operations Research ’18) και του Αριστοτελείου Πανεπιστημίου Θεσσαλονίκης (Δίπλωμα ΗΜΜΥ ’13). Η ερευνητική του δραστηρίοτητα εστιάζεται σε Causal AI, Experimentation, Optimization, Stochastic Modeling, και Business Analytics. Έχει εργαστεί ως ερευνητής, μηχανικός, και επιστήμονας δεδομένων σε Microsoft, Amazon Web Services, JPMorgan Chase, Bank of America Merrill Lynch, και ΕΚΕΤΑ/ΙΠΤΗΛ.
Η διάλεξη αποτελεί μέρος της σειράς σεμιναρίων του Προγράμματος Μεταπτυχιακών Σπουδών (ΠΜΣ) «Διοίκηση Εφοδιαστικής Αλυσίδας και Logistics» (ΔΕΑL) του Τμήματος Μηχανολόγων Μηχανικών.