在本文中，我们研究了一个基本的数据驱动定价问题：决策者应该如何根据有限且有限数量的客户价值分布样本进行定价。 决策者的目标是选择与知道价值分布的预言机相比具有最大最坏情况收入比率的一般定价政策，当后者只知道属于某个一般非参数类时。 我们研究了两个中心类的可实现性能：常规和单调危险率 (mhr) 分布。 我们开发了一种新颖的统一通用方法来量化机制的性能。 该方法允许通过最大值比率的下限和上限来表征单个样本的基本情况的最佳性能，以及相应的近乎最优机制和近乎最坏情况的分布。 此外，通过将此类机制扩展到更多样本可用的情况，我们利用我们的一般方法来分析一系列新的策略，随着样本数量的增加，可实现性能的新结果。 在更高的层面上，这项工作还揭示了出于定价目的的样本价值。 例如，针对 mhr 分布，单个样本可保证完全了解分布的预言机可实现的性能的 64%，两个样本足以确保 71%，十个样本可保证该性能的 80%。
