我们研究以下基本的数据驱动定价问题。 决策者如何/应该如何根据单一历史价格的观察为其产品定价？ 与完全了解价值分布的预言机相比，决策者优化（可能是随机的）定价政策以最大化其可以获得的收入的最坏情况比率，当后者仅被假定属于广泛的非参数集。 特别是，我们的框架适用于广泛使用的规则和单调非递减危险率 (mhr) 类分布。 对于卖家知道与一个历史价格相关的确切销售概率或仅对其置信区间的设置，我们充分描述了可根据手头信息进行调整的最佳性能和接近最佳的定价算法。 例如，针对 mhr 分布，我们表明，如果知道一半客户以历史价格购买，则可以保证 85% 的 oracle 性能，如果只有 1% 的客户购买，仍然可以保证51% 的预言机性能。 我们开发的框架为定价信息的价值以及随机化的价值带来了新的见解。 此外，它是通用的，允许表征最佳确定性机制并将不确定性纳入销售概率。
