РОЗНИЧНАЯ ТОРГОВЛЯ: пример использования машинного обучения для динамического ценообразования
Выгодное ценообразование
Доктор. Амит Гарг, основатель и главный научный сотрудник ORMAE
Аджит Джайн, руководитель программы по науке о данных, ORMAE
Краткое содержание. Определение цены продукта само по себе является очень сложной задачей для выживания на быстро меняющемся потребительском рынке, и, поскольку это трудно сделать должным образом, из-за чего многие розничные продавцы не могут идти в ногу с динамичный характер рынка. Поскольку цена зависит от ряда факторов, таких как местоположение, тенденции, сезон, погода, готовность платить, демографические характеристики клиента и многое другое, очень важно учитывать как можно больше информации, чтобы оставаться впереди конкурентов. на динамической основе. В сфере розничной торговли динамическое ценообразование считается более выгодным, чем другие методы ценообразования. Учитывая непрерывный поток данных, растущее число переменных, требуемое время для внесения изменений в ценообразование вручную и другие связанные с этим трудности, становится необходимым, чтобы машины взяли на себя работу по оказанию помощи в завершении динамического ценообразования, изучая влияние динамических сдвигов в поведении клиентов и других параметрах.
Введение:
«Правильная» оценка товара является неотъемлемой частью управления доходами или максимизации прибыли для любого бизнеса. Как внешние, так и внутренние факторы являются определяющими факторами для цены. Внешние факторы, такие каксезонность, погода, местоположение, тенденции, конкуренты, информация о клиентах, например демографические характеристики, доход, готовность платить, и внутренние факторы включают затраты на производство, рекламные акции, планы продаж, торговая марка — вот некоторые из важных характеристик, которые играют важную роль при определении оптимальной цены товара в любой заданный период времени.
Сегодня в отрасли создано и внедрено множество моделей ценообразования, которые основаны на эвристике и ориентированы на цель (магазин или категорию) и часто устанавливаются в соответствии с ценами конкурентов. Следуя этому процессу, модель и планировщик могут неосознанно попасть в ловушку неправильного ценообразования и в конечном итоге столкнуться с нежелательными результатами. Например, чтобы достичь абсолютных целей по марже, цены могут быть выше по сравнению с конкурентами или тем, что клиент может быть готов заплатить, и, таким образом, в конечном итоге будет меньше продаж. Если цена удерживается на более низком уровне, чтобы соответствовать целевому уровню продаж или целевому уровню доходов, розничные торговцы получают меньшую прибыль.
Давайте разберемся в динамике ценообразования, но перед этим некоторые из предположений и ограничений, которые необходимо учитывать, заключаются в следующем:
Предположения:
· Ни один розничный продавец не нарушает цены до такой степени, что нарушает MSP (Цена продажи производителя).
· MSP был постоянным для всех игроков.
· Имеется достаточный запас для удовлетворения спроса.
· Ценообразование осуществляется в соответствии с максимальной пропускной способностью (с учетом соответствующего ассортимента товаров).
Ограничения:
· Насыщение спроса после определенной скидки.
· МСП
· Максимально возможные объемы продаж (минимум пропускной способности или посещаемости в случае физического магазина, просмотров страниц в случае электронной коммерции)
· Целевая абсолютная маржа для позиций
MSP также может варьироваться от одного производителя к другому в зависимости от факторов, связанных с ними, включая долю рынка, а также производственные возможности. Но даже если предположить, что это одинаково для всех производителей, динамичный характер рынка сохраняется. Ценообразование должно быть где-то между MSP (Цена продажи производителя) и MRP (Максимальная розничная цена). Кривая цен в этом ценовом диапазоне дает соответствующую эластичность спроса. Максимизация выручки, прибыли и скорости продаж должна осуществляться в пределах этого диапазона. Кроме того, скорость продаж зависит от более высоких скидок и увеличивается с ними, однако потенциально может снизить прибыль. Кроме того, множество факторов, таких как импульсивные покупки, влияние маркетинга на поведение потребителей, региональные предпочтения и т. д., сложно смоделировать.
Как мы видим, для любого кластера Спроса ценообразование является многомерным. Кроме того, на спрос влияет множество переменных, которые нельзя контролировать, а только адаптировать и соответствующим образом планировать. К ним относятся временные параметры, такие как день недели и выходные, начало месяца и конец месяца, внутридневные колебания, дожди и климатические факторы, фестивали и т. д. На клиентском фронте может быть семейный статус клиентов, особый или личный. события и идиосинкразии клиента, такие как вкус и предпочтения и т. д.
Для динамического ценообразования на продукты необходимо определить модель покупки потребителя и быстро отреагировать на нее. Для определенного набора продуктов (например, игрушки для малышей в канун Рождества) должна быть реализована соответствующая стратегия ценообразования, которая может быть применима только для определенного потребительского сегмента и продолжительности.
Следовательно, помимо кривых цены и скидки, существуют другие факторы, которые необходимо учитывать для достижения общесистемной оптимизации, которые невозможно явно смоделировать как задачу оптимизации с ограничениями. Машинное обучение хорошо справляется с такой ситуацией и создает соответствующие модели.
Машинное обучение помогает разработать систему, которая может обновляться с заданной частотой, изучать и вносить необходимые изменения для достижения нескольких целей по прибыли, сквозным продажам и доходам, а также общей оптимизации с точки зрения абсолютной маржи. Следовательно, становится необходимым, чтобы розничные продавцы тестировали и пробовали модели динамического ценообразования на основе машинного обучения, чтобы увидеть, можно ли добиться существенного улучшения от их существующих моделей и показателей эффективности бизнеса.
Вывод:
Оптимизация цен может привести к изменению ценовой стратегии, а динамическая ценовая стратегия очень выгодна для розничного продавца, если он может использовать большинство известных функций, влияющих на одно и то же. Машинное обучение может использовать всю динамику данных и получать на их основе более надежные и релевантные наблюдения.Amazon, Walmart, Uber и другие компании используют динамическое ценообразование для своих продуктов и услуг, в результате чего их прибыль поднялся до значительного уровня. Когда дело доходит до ценообразования, каждый розничный продавец должен думать, что это не что-то универсальное. Каждый бизнес имеет свои уникальные цели и требования, и из-за высокой конкуренции они снижают свою прибыль. Это может задержать их рост и поставить их в тупик. Методы машинного обучения могут помочь им принимать более точные решения и достигать своих целей с гораздо меньшими усилиями.
