نحوه یادگیری ماشین در حال بهینه سازی قیمت است

تعیین قیمت مناسب برای خوب یا خدمات یک مشکل قدیمی در تئوری اقتصادی است. تعداد زیادی از استراتژی های قیمت گذاری وجود دارد که به هدف مورد نظر بستگی دارد. یک شرکت ممکن است به دنبال به حداکثر رساندن سودآوری در هر واحد فروخته شده یا سهم کلی بازار باشد ، در حالی که یک شرکت دیگر باید به یک بازار جدید دسترسی پیدا کند یا از یک موجود موجود محافظت کند. علاوه بر این ، سناریوهای مختلف می توانند در یک شرکت برای کالاهای مختلف یا بخش های مشتری همزیستی باشند.

در این پست وبلاگ ، ما مشکل بهینه سازی قیمت را برای خرده فروشی - که دارای ویژگی های خاص خود است - ارائه خواهیم داد و اینکه چگونه خرده فروشان می توانند از قدرت فوق العاده فناوری یادگیری ماشین برای ایجاد راه حل های مؤثر قیمت گذاری استفاده کنند.

اینها برخی از سؤالات مهم است که خرده فروشان به طور مکرر با آن روبرو هستند:

• اگر بخواهیم در کمتر از یک هفته فروش را انجام دهیم ، چه قیمتی باید تعیین کنیم؟
• با توجه به وضعیت فعلی بازار ، دوره سال ، رقابت یا این واقعیت که این محصول نادر است ، قیمت منصفانه این محصول چقدر است؟

با توجه به اینکه این روزها برای مشتری بسیار آسان است که به لطف کاتالوگ های آنلاین ، ابزارهای جستجوی تخصصی یا سیستم عامل های مشترک ، قیمت ها را مقایسه کند ، خرده فروشان هنگام تعیین قیمت باید به چندین پارامتر توجه کنند. عواملی از قبیل رقابت ، موقعیت یابی بازار ، هزینه های تولید و هزینه های توزیع ، نقش مهمی برای خرده فروشان برای انجام حرکت مناسب دارند. این مثال را برای شیرجه عمیق به تجزیه و تحلیل داده های فروش واقعی برای یک خرده فروش آنلاین بررسی کنید.

یادگیری ماشین در این مورد می تواند کمک بزرگی کند و تأثیر عظیمی بر KPI ها داشته باشد. قدرت آن در این واقعیت نهفته است که الگوریتم های توسعه یافته می توانند به جای اینکه صریحاً برنامه ریزی شوند ، الگوریتم هایی را از داده ها بیاموزند. مدل های یادگیری ماشین می توانند به طور مداوم اطلاعات جدید را ادغام کرده و روندهای نوظهور یا خواسته های جدید را تشخیص دهند.

استفاده از یادگیری ماشین یک رویکرد بسیار جذاب برای خرده فروشان است. به عنوان مثال ، به عنوان مثال ، نشانه های عمومی تهاجمی (که اغلب یک استراتژی بد است) ، می توانند از مدل های پیش بینی کننده بهره مند شوند که به آنها امکان می دهد بهترین قیمت را برای هر محصول یا خدمات تعیین کنند.

بیایید در مورد ساختن راه حل های جدید صحبت کنیم

بهینه سازی قیمت چیست؟

به طور خلاصه ، بهینه سازی قیمت از تکنیک های تجزیه و تحلیل داده ها برای پیگیری دو هدف اصلی استفاده می کند:

درک چگونگی واکنش مشتریان به استراتژی های مختلف قیمت گذاری برای محصولات و خدمات ، یعنی درک خاصیت خاصیت خاصیت تقاضا.

با توجه به اهداف خود ، بهترین قیمت برای یک شرکت معین را پیدا کنید.

سیستم های قیمت گذاری از اوایل دهه 1970 تا کنون ، از اعمال استراتژی های بسیار ساده ، مانند یک نشانه گذاری استاندارد تا هزینه پایه ، تا توانایی پیش بینی تقاضای محصولات یا خدمات و یافتن بهترین قیمت برای دستیابی به مجموعه KPI ، تکامل یافته اند.

تکنیک های بهینه سازی قیمت می تواند به خرده فروشان کمک کند تا تأثیر بالقوه تبلیغات فروش را ارزیابی کنند یا در صورت تمایل به فروش آن در یک دوره زمانی خاص ، قیمت مناسب برای هر محصول را تخمین بزنند.

تکنیک های پیشرفته فعلی در بهینه سازی قیمت به خرده فروشان امکان می دهد عواملی مانند:

• رقابت
• هوا
• فصلی
• رویدادهای ویژه / تعطیلات
• متغیرهای کلان اقتصادی
• هزینه های عملیاتی
• اطلاعات انبار

برای تعیین:

• قیمت اولیه
• بهترین قیمت
• قیمت تخفیف
• قیمت تبلیغاتی

بهینه سازی قیمت در مقابل قیمت گذاری پویا

حتی اگر گاهی اوقات از این دو مفهوم به عنوان مترادف استفاده می شود ، آنها مفاهیم مختلفی را نشان می دهند. تفاوت اصلی این است که قیمت گذاری پویا یک استراتژی قیمت گذاری خاص است ، در حالی که بهینه سازی قیمت می تواند از هر نوع استراتژی قیمت گذاری برای رسیدن به اهداف خود استفاده کند.

به عنوان مثال ، با استفاده از یک استراتژی قیمت گذاری پویا ، خرده فروشان می توانند به طور پویا قیمت محصولات خود را تغییر دهند تا قیمت رقیب خود مطابقت داشته باشند. این استراتژی حاکی از تغییر قیمت ها بسیار مکرر است اما لزوماً این بهترین استراتژی ممکن نیست. تکنیک های بهینه سازی قیمت بر پیدا کردن قیمت که حداکثر عملکرد هزینه مشخص شده (به عنوان مثال ، حاشیه شرکت) را با توجه به عوامل مختلفی برای پیشنهاد چنین قیمت یا دامنه قیمت برای سناریوهای مختلف متمرکز می کند. بسته به مورد استفاده خاص ، این در واقع می تواند به روشی پویا انجام شود ، و بنابراین ترکیب قیمت گذاری پویا + بهینه سازی گزینه Go-to برای بسیاری از سناریوها است.

بهینه سازی قیمت در مقابل قیمت گذاری اتوماتیک

علاوه بر این ، متمایز کردن بهینه سازی قیمت از قیمت گذاری اتوماتیک بسیار مهم است زیرا آنها در درجه اول دو نقطه درد مختلف را حل می کنند: استراتژی قیمت گذاری بهینه بهینه در مقابل هزینه بیش از حد قیمت گذاری.

تفاوت اصلی این است که ما روی یک راه حل اتوماسیون قیمت تمرکز می کنیم وقتی قیمت گذاری از نظر هزینه یک نقطه درد برای شرکت است. با قیمت گذاری خودکار مواردی که ما خود استراتژی قیمت گذاری را تغییر نمی دهیم اما روند قیمت گذاری را تغییر می دهیم و آن را ارزان تر و سریعتر می کنیم. از طرف دیگر ، وقتی به یک راه حل بهینه سازی قیمت فکر می کنیم ، استراتژی قیمت گذاری را به منظور حداکثر رساندن یک عملکرد عینی ، با توجه به محدودیت های مختلف تجاری ، تغییر می دهیم.

این بدان معناست که با اجرای یک راه حل بهینه سازی قیمت ، ما در حال انجام فرایند قیمت گذاری خود هستیم اما برعکس نیست. لزوماً تمام راه حل های اتوماسیون قیمت استراتژی قیمت گذاری را بهینه می کند. در صورت بالا بودن فرکانس تغییرات قیمت ، هر دو راه حل بهینه سازی قیمت و بهینه سازی قیمت می توانند به عنوان قیمت گذاری پویا درک شوند.

اتوماسیون قیمت با و بدون یادگیری ماشین

سرانجام ، اتوماسیون قیمت را می توان با یادگیری ماشین یا بدون آن توسعه داد. تفاوت بین این دو رویکرد در این است که بدون یادگیری ماشین ، قوانین قیمت گذاری از قبل تعریف می شوند در حالی که با قوانین یادگیری ماشین به روش داده محور بدست می آید.

به عنوان مثال ، یک سیستم اتوماسیون قیمت بدون استفاده از یادگیری ماشین ، به شکل مجموعه ای از پیش تعریف شده از قوانین مانند:

• تمام محصولات موجود در گروه مواد غذایی را 15 ٪ علامت گذاری کنید
• اگر برند در کمپین بازاریابی است 10 ٪ تخفیف اضافه کنید
• اگر کالای ارزش کلیدی قیمت برابر با رقابت را تعیین کرده و 5 ٪ آن را پایین بیاورید
• تمام قیمت ها را تنظیم کنید تا با ". 99" به پایان برسد

از طرف دیگر ، یک راه حل اتوماسیون قیمت با یادگیری ماشین به معنای آموزش مدلی است که قادر به قیمت خودکار کالاها به روشی است که توسط یک متخصص انسانی در مقیاس قیمت گذاری می شود. این مدل می تواند در داده های تاریخی و ویژگی های مختلف محصول و همچنین داده های بدون ساختار مانند تصاویر و متن به دست آورد و قوانین قیمت گذاری را بدون برنامه نویسی صریح یاد می گیرد ، و سازگار با تغییرات در محیط به روشی بسیار غنی تر و پویا است.

تفاوت های کلیدی بین مفاهیم مختلف قیمت گذاری

آنچه یادگیری ماشین می تواند برای بهینه سازی قیمت خرده فروشی انجام دهد

استراتژی های قیمت گذاری مورد استفاده در دنیای خرده فروشی دارای برخی ویژگی ها هستند. به عنوان مثال، خرده فروشان می توانند با پذیرش قیمت پیشنهادی سازنده (که معمولاً به عنوان MSRP شناخته می شود) قیمت اقلام خود را تعیین کنند. این امر به ویژه در مورد محصولات اصلی صادق است. استراتژی ساده دیگر کیستون است که شامل تعریف قیمت فروش به صورت دو برابر قیمت عمده فروشی یا قیمت تمام شده محصول است.

در حالی که این استراتژی ها و سایر استراتژی ها به طور گسترده مورد استفاده قرار می گیرند، یادگیری ماشینی خرده فروشان را قادر می سازد تا استراتژی های پیچیده تری را توسعه دهند که برای دستیابی به KPI آنها بسیار بهتر عمل کنند. تکنیک های یادگیری ماشینی را می توان به روش های مختلفی برای بهینه سازی قیمت ها مورد استفاده قرار داد. بیایید نگاهی به یک سناریوی معمولی بیندازیم.

به عنوان مثال، یک تکنیک استراتژی قیمت گذاری که به طور گسترده پذیرفته شده و این فناوری را تقویت می کند، قیمت گذاری پویا است. با استفاده از این استراتژی، خرده فروشان می توانند به صورت پویا قیمت محصولات خود را بر اساس تقاضای فعلی بازار تغییر دهند. با این حال، تغییر قیمت ها به صورت پویا بدون در نظر گرفتن تابع هدف ممکن است منجر به نتایج غیربهینه شود. به همین دلیل است که پیشنهاد می کنیم از قیمت گذاری پویا همراه با تکنیک های بهینه سازی قیمت استفاده کنید.

یک سناریوی معمولی

یک تجارت الکترونیک یا خرده فروشی را تصور کنید که می خواهد بهترین قیمت ها را برای محصولات جدید برای فصل آینده تخمین بزند. رقابت سخت است، بنابراین قیمت ها و تبلیغات آنها باید در نظر گرفته شود. بنابراین، خرده فروش یک استراتژی پرکاربرد را اتخاذ می کند: قیمت گذاری رقابتی. به بیان ساده، این استراتژی قیمت یک محصول یا خدمات را بر اساس قیمت های رقابت تعریف می کند.

بیایید مراحل مورد نیاز برای ایجاد راه حل یادگیری ماشینی برای این مورد را ببینیم.

1. داده های ورودی را جمع آوری کنید

اول از همه، ما به داده ها نیاز داریم. برای آموزش مدل های یادگیری ماشین، داشتن انواع مختلف اطلاعات (ساختار یا داده های بدون ساختار) ضروری است:

• تراکنشی: سابقه فروش که شامل لیستی از محصولات خریداری شده و در نهایت مشتریانی است که آنها را خریداری کرده اند.
• توضیحات محصولات: کاتالوگ با اطلاعات مربوط به هر محصول مانند دسته بندی، اندازه، برند، سبک، رنگ، عکس و هزینه ساخت یا خرید.
• داده های تبلیغات گذشته و کمپین های بازاریابی گذشته.
• نظرات مشتریان: نظرات و بازخوردهای ارائه شده توسط مشتریان در مورد محصولات.
• داده های مربوط به رقابت: قیمت های اعمال شده برای محصولات یکسان یا مشابه.
• داده های موجودی و عرضه.
• در مورد فروشگاه های فیزیکی: اطلاعاتی در مورد موقعیت جغرافیایی آنها و رقبا.

برای مرجع بیشتر به این پست نگاهی بیندازید که مراحل عملی را برای آماده سازی داده های شما برای بهینه سازی قیمت برجسته می کند.

بسته به KPI های تنظیم شده و روش مدل سازی راه حل ، ممکن است برخی از این داده ها لازم نباشد. به عنوان مثال ، اگر اطلاعات کمی در مورد مشتریان وجود داشته باشد ، که گاهی اوقات برای خرده فروشان آجر و ملات نیز وجود دارد ، با این وجود این مدل می تواند آموزش دیده باشد.

در مقابل ، اطلاعات مربوط به این رقابت برای یک استراتژی قیمت گذاری رقابتی بسیار مهم است. در بسیاری از موارد ، حتی می توان از طریق API ها به این اطلاعات و یا نظارت آنلاین از طریق API استفاده کرد. یک مثال جمع آوری داده های زندگی واقعی را در اینجا جستجو کنید.

2. اهداف و محدودیت ها را تعریف کنید

مرحله بعدی تعریف اهداف و محدودیت های استراتژیک است.

خرده فروشان ممکن است یک هدف منحصر به فرد و واضح از حداکثر سود را دنبال کنند. با این حال ، آنها همچنین ممکن است به وفاداری مشتری (به عنوان مثال افزایش نمره خالص مروج یا نرخ تبدیل) یا در جذب یک بخش جدید (به عنوان مثال جوانان) علاقه مند باشند.

محدودیت ها ممکن است ماهیت قانونی داشته باشد (به عنوان مثال اگر نوعی کنترل قیمت فروش انجام شود) ، ممکن است مربوط به شهرت شرکت باشد (به عنوان مثال از ترس از یک تصویر بد برای استفاده از قیمت های مطلوب فقط در بخش خاصی از مشتریان)یا مربوط به جنبه های فیزیکی مانند ظرفیت یک فروشگاه یا میانگین زمان عرضه باشد.

هر سناریوی خاص بر نحوه مدل سازی مشکل تأثیر می گذارد. آزمایش سناریوهای مختلف برای همان خرده فروش ، که به معنای استفاده از مدل های مختلف است ، امکان پذیر است و معمولاً بسیار جالب است.

3. مدل سازی و آموزش

در این مرحله ، از داده های قبلاً جمع آوری شده برای آموزش مدل های یادگیری ماشین استفاده می شود. طیف گسترده ای از مدل ها وجود دارد که می تواند در بهینه سازی قیمت استفاده شود. از نظر تاریخی ، از مدل های خطی عمومی (GLM) استفاده شده است (به ویژه ، رگرسیون لجستیک). با این حال ، برای چند سال ، روش های پیچیده تر و قدرتمندتری ایجاد شده است. به عنوان مثال ، بسته به حجم داده های موجود ، می توان از روشهای یادگیری عمیق یا حتی تکنیک های یادگیری تقویت استفاده کرد.

در این حالت ، که در آن ما برای فصل بعد با محصولات جدید سر و کار داریم ، مشکل دیگری وجود دارد زیرا هیچ اطلاعات قبلی محصول وجود ندارد. نکته جالب این است که مدل های یادگیری ماشین می دانند چگونه محصولات مشابه را پیدا کنند و با وجود نداشتن داده های قبلی خاص ، مؤثر باشند. در مورد خرده فروشانی که محصولات نادر یا عجیب و غریب را می فروشند ، همین اتفاق می افتد.

می توانید در اینجا به یک مثال واقعی از زندگی مدل سازی تقاضا نگاه کنید.

4- قیمت ها را اجرا و تنظیم کنید

پس از آموزش مدل ، قیمت ها را می توان برای محصولات جدید تخمین زد و آزمایش کرد. بسته به مدل سازی ، تخمین ممکن است یک قیمت دقیق یا دامنه باشد. قیمت های به دست آمده توسط مدل متعاقباً توسط خرده فروش به صورت دستی تنظیم می شود و به طور مرتب بهینه می شود.

فرصت های بیشتر استفاده از یادگیری ماشین برای بهینه سازی قیمت

یادگیری ماشین می تواند برای سایر کارهای مربوط به قیمت گذاری در خرده فروشی استفاده شود. به عنوان مثال ، با توجه به یک محصول جدید ، یک الگوریتم خوشه بندی می تواند به سرعت آن را با محصولات مشابه مرتبط کند تا یک بخش قیمت احتمالی را بدست آورد. یکی دیگر از امکانات قانع کننده این است که به طور مشترک قیمت ها و خواسته های مربوط به کالاهایی را که هرگز فروخته نشده اند ، پیش بینی کنید.

به طور کلی ، یادگیری ماشین می تواند ابزاری فوق العاده برای بینش باشد:

وقتی قیمت پیراهن به شدت کاهش می یابد ، فروش شلوار تحت تأثیر قرار می گیرد؟

هنگامی که تلاش برای فروش قلم های بیشتر انجام می شود ، آیا محصولات مرتبط مانند جوهر ، نوت بوک یا برنامه های کاری ، تحت تأثیر قرار می گیرند؟

آیا مشتریانی که یک کامپیوتر خاص خریداری می کنند کم و بیش احتمال خرید مانیتور را در ماه بعد خریداری می کنند؟

آیا مشتریان در سال گذشته غیرفعال هستند به یک تبلیغات تبلیغاتی حساس هستند؟

اینها فقط نمونه هایی از سؤالاتی است که مدل های یادگیری ماشین می توانند به آنها پاسخ دهند.

مزایای بهینه سازی قیمت با یادگیری ماشین

علاوه بر اتوماسیون و سرعت ، استفاده از یادگیری ماشین برای بهینه سازی قیمت ها چندین مزیت وجود دارد.

اول ، مدل های یادگیری ماشین می توانند تعداد زیادی از محصولات را در نظر بگیرند و قیمت ها را در سطح جهان بهینه کنند. تعداد و ماهیت پارامترها و منابع و کانال های متعدد آنها به آنها امکان می دهد با استفاده از معیارهای خوب تصمیم گیری کنند. این یک کار دلهره آور است اگر خرده فروشان سعی کنند این کار را به صورت دستی یا حتی با استفاده از نرم افزار اصلی انجام دهند.

به عنوان مثال ، مشخص شده است که تغییر قیمت یک محصول اغلب بر فروش سایر محصولات به روش هایی که پیش بینی برای یک انسان بسیار سخت است ، تأثیر می گذارد. در بیشتر موارد ، صحت یک راه حل یادگیری ماشین به طور قابل توجهی بالاتر از یک انسان خواهد بود. علاوه بر این ، خرده فروشان می توانند KPI را تغییر داده و بلافاصله ببینند که چگونه مدل ها قیمت های اهداف جدید را محاسبه می کنند.

دوم ، با تجزیه و تحلیل مقدار زیادی از داده های گذشته و فعلی ، یادگیری ماشین می تواند روندها را به اندازه کافی زودتر پیش بینی کند. این یک مسئله کلیدی است که به خرده فروشان اجازه می دهد تا تصمیمات مناسب را برای تنظیم قیمت بگیرند.

سرانجام ، در مورد یک استراتژی قیمت گذاری رقابتی ، راه حل های یادگیری ماشین می تواند از سیستمهایی که می توانند به طور مداوم در وب و رسانه های اجتماعی خزنده شوند ، برای جمع آوری اطلاعات ارزشمند در مورد قیمت رقبا برای محصولات مشابه یا مشابه ، بهره مند شوند ، آنچه مشتریان در مورد محصولات و رقبا می گویند ،و معاملات یک رقیب برای محصولات خاص و همچنین سابقه قیمت آنها در آخرین تعداد روزها یا هفته ها.

سیستمی که می تواند بیشتر آنچه را که در بازار اتفاق می افتد بیاموزد ، به خرده فروشان اجازه می دهد تا اطلاعات بیشتری نسبت به رقبای خود داشته باشند تا بتوانند تصمیمات بهتری بگیرند.

بهینه سازی قیمت برای خرده فروشان آجر و ملات و تجارت الکترونیکی

در حالی که ممکن است استفاده از یادگیری ماشین در مورد خرده فروشان تجارت الکترونیکی طبیعی تر به نظر برسد ، خرده فروشان آجر و ملات می توانند کاملاً از این فناوری استفاده کنند.

در حقیقت ، تغییرات قیمت اغلب در خرده فروشان آجر و ملات انجام می شود و بنابراین فضای بیشتری برای بهبود و تنظیم تقاضای فعلی دارد.

برچسب های قیمت دیجیتال باعث می شود که خرده فروشان آجر و ملات بتوانند به عنوان سایت های تجارت الکترونیکی تغییر قیمت زیادی انجام دهند. با این حال ، حتی بدون برچسب قیمت دیجیتال ، می توان تغییرات قیمت هفتگی یا ماهانه را انجام داد تا با تقاضای فعلی مطابقت داشته باشد و سود را به حداکثر برساند.

ما با بیش از 400 فروشگاه در سراسر جهان و بیش از 160 میلیون مشتری در سال ، رویکرد خود را با یکی از بزرگترین خرده فروشان سفر در جهان ثابت کرده ایم. ما به آنها کمک کردیم تا حاشیه ناخالص را با 28 درصد عملکردهای هفتگی در فروشگاه انجام دهند.

بهینه سازی قیمت و پیش بینی تقاضا با یادگیری ماشین در طی یک بحران

در تاریخ انتشار این پست ، ما به دلیل شیوع Covid-19 در وسط یک کاهش اقتصادی جهانی قرار داریم. همانطور که در همه رکودها ، تأثیر مستقیمی بر هزینه های مصرف کننده وجود دارد ، که مستقیماً در فروش چندین صنایع به فروش می رسد. برای نشان دادن این موضوع ، درآمدهای جمع آوری درآمد نشان می دهد که 95. 6 ٪ از مشاغل مورد بررسی از 9 آوریل در حال حاضر تأثیر بر تجارت داشته اند ، در حالی که 72 ٪ از آنها قبلاً پیش بینی های فروش سالانه خود را اصلاح کرده اند. بنابراین خبری نیست که بیشتر مشاغل به طور معمول (BAU) در تجارت فعالیت نمی کنند ، که این سؤال زیر را برانگیخته است: آیا ما هنوز هم می توانیم از یادگیری ماشین برای پیش بینی تقاضا در این سناریو استفاده کنیم؟

پاسخ ما این است که "بله ، اما با چیزهای جدید باید در نظر بگیرید". در یک سناریوی BAU ، مدل های یادگیری ماشین به احتمال زیاد از فروش تاریخی و داده های خارجی همبسته استفاده می کنند تا بینش هایی از قبیل فصلی ، تاریخ فروش مربوطه و واکنش رقبا را ارائه دهند. در طی یک بحران ، از آنجا که بازار طبق معمول رفتار نمی کند ، احتمالاً بینش های تاریخی برای پیش بینی فروش آینده کم می شود. برای مبارزه با عقب ، ما باید اهمیت اطلاعات کوتاه مدت (به عنوان مثال فروش روزانه) را افزایش دهیم ، با این درک که گذشته اخیر برای پیش بینی آینده بسیار مناسب تر است. از نظر عملی ، این به معنای تنظیم فرآیند مهندسی ویژگی برای وزن گیری کوتاه تر فروش به جای آن است.

علاوه بر این ، مشکل پیش بینی تقاضا نیز نیاز به ترکیب داده های بازار در زمان واقعی نسبت به گذشته و همچنین داده های کلان اقتصادی و اجتماعی خارجی دارد. در مورد داده های زمان واقعی ، این به معنای به روزرسانی منظم داده های موجود در بازار مانند داده های فروش ، چریدن مشتری ، قصد فروش (به عنوان مثال به موارد سبد خرید ، ترافیک به سایت رقبا) ، قیمت رقبا از جمله دیگر است. در سطح کلان اقتصادی ، داده هایی مانند هزینه های مصرف کننده ، بیکاری ، تولید ناخالص داخلی و حتی تحرک جامعه تقسیم شده توسط شهرها/مناطق نیز می تواند در نظر گرفته شود ، اگرچه این موارد بیشتر به صورت ماهانه گزارش می شوند. شاخص های بازار سهام (S& P 500 ، داو جونز) به طور بالقوه می توانند به عنوان یک پروکسی از روندهای کلان اقتصادی در زمان واقعی در نظر گرفته شوند. سرانجام ، ممکن است با ترکیب داده های اجتماعی ، مانند موارد COVID گزارش شده یا سیاست های دولت (یعنی مدت زمان قفل شدن) ، نتایج مثبتی نیز داشته باشد تا پیش بینی سناریو را ایجاد کند و آنها را برای مدل سازی تقاضای آینده در نظر بگیرد.

به طور خلاصه ، در این سناریوی جدید اقتصادی ، تجزیه و تحلیل ما هنوز هم می تواند برای یادگیری دقیق تقاضای تقاضای دقیق و بهینه سازی استراتژی قیمت گذاری ، بسیار مورد استفاده قرار گیرد. سازگاری های کلیدی با یک سناریوی BAU شامل داده های واقعی تر (داده های بازار و کلان اقتصادی) است + مدل ها را تطبیق می دهد تا تاخیر نزدیکتر در مقابل داده های تاریخی را در نظر بگیرد. همچنین شایان ذکر است که درک تجارت و قضاوت انسانی هنوز نقش اساسی در ایجاد این راه حل خواهد داشت.

شرکت هایی که از یادگیری ماشین برای بهینه سازی قیمت استفاده می کنند

بهینه سازی قیمت با موفقیت قابل توجهی در صنایعی مانند مهمان نوازی ، هواپیمایی ، اجاره اتومبیل و خرده فروشی تجارت الکترونیکی استفاده شده است.

یکی از اولین داستانهای موفقیت در اوایل دهه 2000 رخ داد ، هنگامی که گروه هتل های هیلتون هتل و گروه بین قاره ای تصمیم گرفتند نرخ های ثابت را به نفع یک طرح سیال ، از جمله استراتژی های قیمت گذاری پویا از بین ببرند. در آن سالها قیمت اتاقها یک یا دو بار در روز اصلاح می شد. قدرت محاسباتی فعلی به قیمت ها اجازه می دهد تا در زمان واقعی به طور عملی تغییر کنند.

صنعت هتلداری همچنان از استراتژی های قیمت گذاری پویا ، کاملاً مبتنی بر یادگیری ماشین استفاده می کند. در حال حاضر ، Airbnb یک ابزار قیمت پویا را ارائه می دهد که قیمت ها را به میزبان خود توصیه می کند ، با توجه به پارامترهایی مانند فصلی ، روز هفته یا رویدادهای ویژه و همچنین عوامل پیچیده تری مانند عکس های ملک یا قیمت های اعمال شده در آنمحلهشرکت های دیگری مانند eBay و Uber رویکردهای مشابهی را اتخاذ کرده اند.

آمازون یکی دیگر از بازیکنان بزرگ هنگام صحبت در مورد استراتژی های قیمت گذاری پویا است. برای ایده دادن ، در سال 2012 آمازون خیلی بیشتر از رقبای خود قیمت ها را تغییر می داد و در سال 2013 ، آنها به اندازه 2. 5 میلیون تغییر قیمت در روز عمل می کردند. تغییر قیمت به چنین روشی پویا به طور غیررسمی به عنوان اثر آمازون شناخته می شود.

در دنیای خرده فروشی ، محبوب ترین نمونه ها در تجارت الکترونیکی بوده است ، اما خرده فروشان آجر و ملات پشت سر گذاشته نشده اند. اگرچه دانستن دقیق همه شرکت های خرده فروشی با استفاده از یادگیری ماشین برای بهینه سازی قیمت ها و فرآیندهای عملیاتی دشوار است ، با این وجود برخی از داستانهای موفقیت شناخته شده وجود دارد.

شرکت هایی مانند رالف لورن و مایکل کورس از یادگیری ماشین استفاده می کنند تا تعداد کمتری را ارائه دهند و موجودی خود را بهتر مدیریت کنند ، به دنبال افزایش حاشیه سود ، حتی در معرض خطر از دست دادن درآمد کمی هستند. مورد مشهور دیگر مربوط به زارا است که از یادگیری ماشین برای به حداقل رساندن تبلیغات و سازگاری سریع با روندهای در حال تغییر استفاده می کند. بسیاری از داستانهای موفقیت دیگر ، مانند موریسون - یکی از بزرگترین زنجیره های سوپر مارکت در انگلستان - ، Bonprix - یک شرکت مد بین المللی مستقر در آلمان - یا یکپارچه - آمریکایی B2B و B2C Electronics Electronics - در میان دیگران وجود دارد. در حالی که هیچ اطلاعاتی در مورد مدل سازی دقیق مشکلات در دسترس نیست ، مشخص است که این شرکت ها از قدرت یادگیری ماشین برای افزایش درآمد خود و بهبود عملکرد استفاده می کنند.

آخرین اخبار در مورد بهینه سازی قیمت را دریافت کنید

با خبرنامه ML در قیمت گذاری ما مشترک شوید.

افکار نهایی

امروزه جهان بیشتر به سمت تغییر قیمت ها حرکت می کند و استفاده از استراتژی های پیشرفته قیمت گذاری داده ها یک ضرورت است. در مطالعه ای که توسط Bain & Company انجام شده است ، آنها نشان می دهند که مجریان برتر در صنایع تقریباً دو برابر بیشتر از نظر پویا قیمت دارند.

چه در مورد بازار تجارت الکترونیکی باشد یا یک فروشگاه خرده فروشی آجر و ملات ، هر دو مزایای قیمت گذاری پویا و بهینه سازی قیمت را در بر می گیرند.

بهینه سازی قیمت به خرده فروشان کمک می کند تا درک کنند که چگونه مشتریان نسبت به استراتژی های مختلف قیمت محصولات و خدمات واکنش نشان می دهند و بهترین قیمت ها را تعیین می کنند. مدل های یادگیری ماشین می توانند متغیرهای کلیدی قیمت گذاری را در نظر بگیرند (به عنوان مثال تاریخ خرید ، فصل ، موجودی ، قیمت گذاری رقبا) برای یافتن بهترین قیمت ها ، حتی برای کاتالوگ های گسترده محصولات یا خدمات ، که می توانند به KPI های تعیین شده دست یابند.

این مدل ها لازم نیست که برنامه ریزی شوند. آنها الگوهای مربوط به داده ها را می آموزند و قادر به سازگاری خود با داده های جدید هستند. آنها به خرده فروشان این امکان را می دهند که به سرعت فرضیه های مختلف را آزمایش کنند و بهترین تصمیم را بگیرند.

آنچه که احتمالاً مهمترین آن است که باید در نظر داشته باشید این است که استفاده از یادگیری ماشین در دنیای خرده فروشی گسترش می یابد و همه علائم به این واقعیت اشاره می کنند که این روند در سالهای آینده ادامه خواهد یافت.

این سؤال دیگر نیست که قیمت گذاری پویا را اعمال کنید یا خیر. اما سؤال این است که چگونه این کار را انجام دهیم تا سودآور بمانیم.

در اینجا در TryOlabs ، ما در راه حل های یادگیری ماشین برای شرکت های خرده فروشی تخصص داریم. از سال 2010 ، ما با چندین خرده فروش کار کرده ایم که به ما امکان درک بهتر فرصت ها ، چالش ها و راه حل های موجود در صنعت را می دهد.