С появлением машинного обучения (machine learning, ML) искусство ценообразования в розничной торговле превратилось в науку. Давайте обсудим, как эта технология используется для оптимизации ценообразования и почему будущее за решениями, которые человек принимает на основе данных ML.

В популярной американской телевизионной передаче «Цена всегда правильная» игроки должны угадать цену товара. Что остается за кадром, так это то, что ритейлеры, которые эти цены устанавливают, зачастую также играют в «угадайку». И участники передачи, и розничные сети не всегда находят правильный ответ.

И те, и другие сталкиваются с одной и той же проблемой, когда пытаются установить правильную цену. Человеческий мозг не может достаточно быстро решить сложные вопросы так, чтобы получить точную цифру, поэтому ему приходится делать экспертную оценку и надеяться, чтоб мы попали в точку.

Неудивительно, что ритейлеры все больше и больше используют ML для того, чтобы помочь своим экспертам принимать правильные решения. В этой статьей мы увидим, как машинное обучение помогает розничным магазинам выходить победителями в ценовой игре и почему каждая торговая сеть должна инвестировать в решения по ценообразованию на базе ML.

Машинное обучение в моделях ценообразования

Традиционный подход к ценообразованию полностью опирается на слово эксперта. Рисунок ниже показывает основное различие между решениями, которые принимает эксперт, используя результаты, полученные с помощью ML, и решениями, которые принимает специалист только на основе своего опыта.

Машинное обучение задействует сложные алгоритмы для того, чтобы учитывать множество факторов и устанавливать правильные цены для тысячи продуктов практически за секунды. Модели ценообразования на базе ML определяют паттерны полученных данных, что дает возможность определять цены с учетом факторов, о которых ритейлер мог даже не догадываться.

Также, существует возможность добавлять новые данные для уточнения оценок ML. Это означает, что модели ML не только точнее традиционных способов ценообразования уже сейчас, но и в будущем будут более точными, так как постоянно обновляются.

Ценообразование и модели прогнозирования

Кроме того, ценообразование на базе ML минимизирует риск, который обычно связан с непредсказуемым покупательским спросом после изменения цены. Эксперты ритейлера могут использовать ML для тестирования гипотез об эффекте промоакций или ценовых стратегий.

То есть ML-ценообразование не выдает одну-единственную цену товара – оно предлагает цены с учетом миллионов различных условий, предлагая лучшую цену для повышения выручки, лучшую цену для повышения прибыли, лучшую цену на промотовар и т.п.

Как вы видели на картинке выше, возможности ценообразования на базе ML, не сравнимы с подходом, где используется только экспертный опыт. Ценовые модели технологических платформ ЦО не только способны обрабатывать 60 ценовых и неценовых факторов одновременно, но могут сэкономить до 4 часов времени экспертов во время каждого цикла переоценки.

Использование алгоритмов машинного обучения для оптимизации процесса ценообразования - базовая вещь для команд по ЦО всех зрелых розничных сетей с тысячами товаров. Так как эта технология набирает популярность среди предприятий розничной торговли, способность управлять программными решениями с ML скоро станет неотъемлемой частью должностных обязанностей каждого менеджера по ценообразованию.

Возможность прогнозирования, которую предоставляет машинное обучение, оставляет специалистам время для экспериментов с полученными данными. Понимая, как покупатели отреагируют на новую стратегию, они могут использовать ту стратегию, которую предпочитают, например, наращивать выручку при сохранении прибыли, или наращивать прибыль при сохранении продаж в штуках. Вне зависимости от того, какой путь выберет специалист, он заранее будет знать результат и правильную цену для достижения этого результата.

Машинное обучение в розничной торговле: работа с данными

До внедрения системы алгоритму требуется изучить исторические и конкурентные данные. Во время обучающей стадии модель анализирует каждый фактор, который влияет на продажи, такие как ценовое восприятие и трафик. После обучения алгоритм делает прогнозы, точность которых позже подтверждаются реальными результатами. Затем алгоритм готов к пилотированию. А если ритейлер удовлетворен результатами, то и к дальнейшему использованию.

Однако зачастую данные в розничных сетях существуют в неполном виде, их трудно извлечь из ИТ-систем или же они структурированы в неправильном формате. Ниже мы обсудим, как машинное обучение может помочь с недостатком данных в ритейле.

Причины потери данных

• Изменился формат представления данных. Новые информационные системы, а также различия в способах сбора данных (ежедневных или транзакционных).
• Данные изначально собирались для других целей. Например, для того чтобы топ менеджмент мог рассчитывать премии для категорийных менеджеров. Увы, эти данные нельзя использовать в модели ЦО.
• Розничная сеть вышла на рынок недавно. В результате первоначальные продажи почти полностью зависят от трафика в магазине. Из-за этого трудно анализировать влияние цен на продажи в определенном периоде.
• Данные собраны за короткий период для различных отделов или брендов. Алгоритмы не могут правильно работать из-за информации, которую нельзя сравнивать.

Не имея на руках полные данные, ритейлеры могут либо пытаться использовать всё, что есть, либо восстанавливать недостающую информацию.

Работа с существующими данными

Другой путь – купить недостающие данные. Если необходимые данные не достать, алгоритм может использовать методы моделирования данных для симуляции. И хотя такие модели не смогут давать прогнозы с точностью 100% и потребуется больше времени для обучения модели и сбора данных для нее, такой способ эффективен и часто используется.

Симуляция несуществующих данных

Для симуляции компании используют классификаторы, которые определяют потенциальные значения с помощью различных независимых переменных. Есть два типа «умной» симуляции данных на базе классификаторов:

Метод прогнозирования

Существующие данные делятся на две группы: текущие данные, используемые во время обучения, и недостающие данные, используемые как цель прогноза.

Бинарный классификатор дает возможность понять, было ли событие вообще (например, стояли ли товары на полке). Категорийный классификатор относит товары к определенным сегментам, например, к ценовым.

Метод К-ближайших соседей

С помощью этого метода можно восстановить недостающие данные на основании переменных, наиболее близких к ним. Примерная дистанция между ними дает возможность понять, насколько они похожи.

Прогнозирование оттока покупателей – один из классических примеров такого метода. Пять наиболее часто используемых классификаторов включают в себя логическую регрессию, дерево принятия решения, нейросети, бустер, а также алгоритм «Случайный лес» (Random Forest).

Как только восстанавливаются недостающие данные, регрессор, другой тип алгоритма, готов прогнозировать продажи. Он не сможет прогнозировать рост сегмента или вероятность продажи конкретного товара, но выдаст численную величину, на которую увеличатся продажи.

Машинное обучение для всех

Последнее десятилетие платформы ценообразования активно совершенствовались. Благодаря искусственному интеллекту и машинному обучению, сейчас они в пике своей производительности. Несмотря на то, что технология ML появилась недавно, оптимизация ценообразования на базе ML уже доказала свою эффективность. Исследование за исследованием доказывают, как она увеличивает продажи и выручку, даже за короткое время.

Будущее за машинным обучением

Источник: Competera