聚合国内IT技术精华文章,分享IT技术精华,帮助IT从业人士成长

机器学习如何重塑价格优化

2020-05-18 23:49 浏览: 2861932 次 我要评论(0 条) 字号:

设定合适价格的挑战

为商品或服务设定合适的价格是经济学理论中的一个老问题。一家公司可能会寻求最大化每一个单销售或整体市场份额的利润,而另一家公司需要进入一个新的市场或保护现有的市场。此外,对于不同的商品或客户群体,不同的场景可以在同一公司中共存。

在这篇博客文章中,我们将介绍零售中的价格优化问题,它有自己的特殊性,以及零售商如何利用机器学习(ML)技术的巨大力量来构建有效的自动化定价解决方案。

以下是零售商经常面临的一些关键问题:

  • 如果我们想在不到一周的时间内成交,我们应该制定什么样的价格?
  • 考虑到目前的市场状况、一年中的某段时间、竞争情况,以及该产品为稀有产品的事实情况,该产品的合理价格是多少?

由于在线目录、专业的搜索工具以及协作平台的存在,使得顾客比较价格变得非常容易,零售商在定价时必须密切关注几个参数。竞争、市场定位、生产成本和分销成本等因素对零售商做出正确的选择起着关键作用。在这种情况下,机器学习可以提供很大的帮助,并对KPI产生巨大的影响。它的力量在于,所开发的算法可以从数据中学习模式,而不是被显式的编程。机器学习模型可以不断地集成新的信息,并检测出趋势或新的需求。

对零售商来说,机器学习的使用是一种非常有吸引力的方法。例如,他们可以从预测模型 得到启发,从而确定每个产品或服务的最佳价格,而不是使用激进的全面降价方法(这通常是一个糟糕的策略)。

什么是价格优化

简而言之,定价最优化使用数据分析的技术来追求两个主要目标:

  • 了解客户对产品和服务的不同定价策略的反应
  • 考虑到公司的目标,为公司找到最优惠的价格

从1970早期到现在,定价系统一直在发展,从应用非常简单的策略(如对基本成本的标准加价),到能够预测产品或服务的需求,并找到实现设定的KPI的最佳价格。

价格优化技术可以帮助零售商 评估促销活动的潜在影响 或 估计每个产品的正确价格 ,如果他们想 在一定的时间内销售它 。目前最先进的技术在定价最优化上允许零售商 考虑以下因素 ,如:

  • 竞争情况
  • 天气
  • 季节
  • 特别活动或假日
  • 宏观经济变量
  • 运营成本
  • 仓储信息

来决定:

  • 初始价格
  • 最佳价格
  • 折扣价格
  • 优惠价格

价格优化与动态定价

尽管有时这两个概念被用作同义词,但它们代表不同的概念。其主要区别在于动态定价是一种特定的定价策略,而价格优化可以使用任何一种定价策略来达到其目标。

动态定价虽然有很多优点,也得到了广泛的应用,但在极端情况下也存在一些缺点。简单地说,使用动态定价策略,零售商可以根据当前市场需求动态地改变其产品的价格。相比之下,定价优化技术考虑更多的因素来为不同的场景(例如初始价格、最佳价格、折扣价格等)提供一个价格或价格范围。

我们都知道,也都接受了,因为酒店房间或机票的价格会根据季节、星期几或预定时间的不同而有所不同,这似乎是合理的。然而,当价格变化太快时,有时是在几个小时内,一些客户可能会觉得价格不公平,或者公司正在实施价格欺诈。因此,动态定价是一种需要谨慎使用的策略。

价格优化与自动定价

此外,重要的是区分价格优化和自动定价,因为他们主要解决两个不同的痛点: 次最优定价策略和过高的定价成本。主要区别在于,当定价成为公司成本方面的痛点时,我们专注于价格自动化解决方案。通过自动为商品定价,我们并没有改变定价策略本身,而是改变了定价过程,使其更便宜、更快捷。 另一方面,当我们考虑一个价格优化解决方案时,我们改变定价策略,以最大化一个目标函数,受到不同的商业约束。

也就是说,通过实施价格优化解决方案,我们实现了定价过程的自动化,但不是反过来:不一定所有的价格自动化解决方案都优化了定价策略。如果价格变动的频率很高,价格自动化和价格优化解决方案都可以理解为动态定价。

有和没有机器学习的自动定价

最后,无论有没有机器学习,价格自动化都可以开发出来。 这两种方法的区别在于,在没有机器学习的情况下,定价规则是预先定义的,而在机器学习的情况下,定价规则是以数据驱动的方式获得的。

例如,一个没有使用机器学习的价格自动化系统将采取一系列预先定义的规则的形式,如:

  • 在食品类别中设置所有产品价格提升15%
  • 如果品牌是在营销活动中添加10% 的折扣
  • 如果关键价值项目设置的价格与竞争对手相等,降低5%价格
  • 调整所有价格,以“99”结尾

另一方面,带有机器学习的价格自动化解决方案意味着培训一个能够按照人类专家在规模上给商品定价的方式自动给商品定价的模型。这个模型可以吸收历史数据和产品的不同特征,以及图片和文本等非结构化数据,并且在没有明确编码的情况下学习定价规则,以更加丰富和动态的方式适应环境的变化。

不同定价概念之间的主要差异

特性 动态定价 价格优化 基于机器学习的自动定价
价格经常变动
价格是自动设定的
主要目标是降低定价过程成本
主要目标是优化定价策略
需求预测
估算库存/需求的价格弹性
定价方案能力

机器学习能为零售价格优化做什么

零售业使用的定价策略有一些特殊性。 例如,零售商可以通过接受制造商建议的价格(通常称为 MSRP)来确定商品的价格。 对于主流产品来说尤其如此。 另一个简单的策略是基础加价,即将销售价格定义为产品批发价格或成本的两倍。

虽然这些策略和其他策略被广泛使用,但机器学习使零售商能够开发更复杂的策略,这些策略能够更好地实现关键绩效指标。 机器学习技术可以在许多方面用于优化价格。 让我们来看一个典型的场景。

例如,一个广泛采用的定价策略技术,增强这种技术是动态定价。利用这种策略,零售商可以根据当前的市场需求动态地改变其产品的价格。然而,在没有考虑目标函数的情况下动态地改变价格可能导致次优结果。这就是为什么我们建议使用动态定价结合价格优化技术。

一个典型的场景

想象一下,一个电子商务或实体零售商想要估计下一季度新产品的最佳价格。竞争很激烈,所以他们的价格和促销都需要考虑进去。因此,零售商采取了一种广泛使用的策略:竞争性定价。简单地说,这个策略根据竞争对手的价格来定义产品或服务的价格。

让我们看看为这个案例开发机器学习解决方案所需的步骤:

  1. 收集输入数据

首先,我们需要数据。为了训练机器学习模型,需要有不同类型的信息(结构或非结构化数据) :

  • 事务性:销售历史,包括所购买过的产品的列表,以及最终购买产品的客户
  • 产品说明:产品的相关信息,如产品类别、尺寸、品牌、款式、颜色、图片、生产或采购成本等
  • 过去的促销和过去的营销活动的数据
  • 客户评论:客户对产品的评论和反馈
  • 竞争对手的数据:相同或类似产品的价格
  • 库存和供应数据
  • 就实体店而言:有关地理位置和竞争对手的信息

根据设置的KPI和对解决方案建模的方式,有些数据可能不需要。例如,如果只有很少或根本没有关于客户的信息(实体零售商有时就是这样),该模型仍然可以进行训练。

相反,关于竞争对手的信息对于具有竞争力的定价策略是至关重要的。在许多情况下,甚至可以通过一些APIs得到这些信息或在线关注这些信息。

  1. 定义目标和约束条件

零售商可能会追求一个独特的,明确的利润最大化目标。不过,他们也可能对客户忠诚度感兴趣(例如提高净推广者得分或转化率)或吸引新的细分市场(例如年轻人)。

约束条件可能是法律性质的(例如,如果某种类型的销售价格控制),也可能是有关公司的声誉(如担心只给一部分的用户优惠会损坏公司形象),或有关供应链方面的能力,如商店的容量或平均供应时间。

每个特定的场景都会影响问题的建模方式。 为同一个零售商测试不同的场景是可能的,而且通常是非常有趣的,这意味着使用不同的模型。

  1. 建模和训练

在这个步骤中,前面收集的数据用于训练机器学习模型。有各种各样的模型可以用于价格优化。历史上,广义线性模型已经被使用过了,特别是logistic回归。然而,近几年来,出现了更复杂和更强大的方法。例如,根据可用的数据量,可以使用深度学习的方法,甚至强化学习技术。

在这种情况下,我们要处理下一季的新产品,有一个困难,没有以前的产品数据。有趣的是,机器学习模型知道如何找到相似的产品,并且在没有特定的数据的情况下仍然有效。同样的情况也发生在销售稀有产品的零售商身上。

  1. 执行和调整定价

一旦模型训练好了,可以用来估计新产品的价格。根据建模,估计出来的可能是一个确切的价格或范围。该模型获得的价格随后可以由零售商手动调整。

更多使用机器学习进行价格优化的机会

机器学习还可以用于其他与零售价格相关的任务。 例如,给定一个新产品,一个聚类算法可以快速地将其与相似的产品关联起来,从而得到一个可能的价格区间。 另一个引人注目的可能性是联合预测从未售出物品的价格和需求。

更广泛地说,机器学习可以成为洞察力的一个极好的工具:

  • 当衬衫大幅降价时,裤子的销售受到了什么影响?
  • 当销售更多的笔时,相关产品,如墨水、笔记本或工作日程表的销售是否受到影响?
  • 购买特定电脑的顾客在下个月购买显示器的可能性是大还是小?
  • 过去一年不活跃的客户是否对促销活动敏感?

这些只是机器学习模型可以帮助回答的问题的一些例子。

机器学习在价格优化中的优势

除了自动化和速度,使用机器学习优化价格还有几个优点:

  • 首先,机器学习模型可以考虑大量的产品并在全局上优化价格。参数的数量和性质以及其多种来源和渠道允许它们使用良好的准则进行决策。如果零售商试图手动完成,甚至使用基本的软件,都会是一项艰巨的任务。例如,众所周知,改变一种产品的价格通常会影响其他产品的销售,其影响方式对人类来说是很难预测的。在大多数情况下,机器学习方案的准确性将显著高于人类的准确性。此外,零售商可以修改KPI并立即查看模型如何为新目标重新计算价格。
  • 其次,通过分析大量的过去和现在的数据,机器学习能够足够早地预测趋势。这是一个关键问题,让零售商做出适当的决定来调整价格。
  • 最后,在竞争定价策略的情况下,机器学习的解决方案可以不断爬取web和社交媒体上收集有价值的信息,如竞争对手的价格或相同或相似的产品的价格,客户对产品和竞争对手的评价,热门销售产品,以及历史上过去数天或数周的价格。

一个可以了解市场上大部分情况的系统可以让零售商比竞争对手拥有更多的信息,以便做出更好的决策。

实体和电子商务零售商的价格优化

虽然将机器学习应用于电子商务零售商似乎更为自然,但实体零售商可以完美地利用这一技术。事实上,实体零售商的价格变动较少,因此有更多的空间来改进和调整以适应当前的需求。数字价格标签使实体零售商能够像电子商务网站那样进行许多价格变动。 然而,即使没有数字价格标签,每周或每月的价格变化可以执行,以配合当前的需求和利润最大化。

作为世界上最大的旅游零售商之一,我们在全球拥有超过400家门店,每年有超过1.6亿客户,我们通过店内每周价格变化提高了28%毛利率。

基于机器学习的危机期间价格优化与需求预测

在这篇文章发表的时候,我们正处于全球经济放缓的新型冠状病毒肺炎。 在所有的经济衰退中,消费支出都会受到直接影响,这直接打击了多个行业的销售。 为了说明这一点,Revenue Collective 报告称,截至4月9日,95.6% 的受访企业已经看到了对业务的影响,而72% 的企业已经修改了年度销售预测。 因此,大多数企业不按照 BAU (一切照旧)的方式经营已经不是什么新闻了,这引发了以下问题: 在这种情况下,我们仍然能够使用机器学习来预测需求吗?

我们的回答是“是的,但有新的事情要考虑”。 在一切照旧的情况下,机器学习模型可能会利用历史销售和相关的外部数据,带来诸如季节性、相关销售日期和竞争对手的反应等洞察力。 在危机期间,由于市场表现不如往常,历史洞察力很可能无法预测未来的销售。为了应对挑战,我们需要增加短期信息(例如每日销售)的重要性,因为我们知道最近的过去更适合预测未来。实际上,这意味着调整特征工程过程,权衡短期销售滞后,而不是历史数据。

此外,需求预测问题还需要纳入比以前更多的实时市场数据以及外部宏观经济和社会数据。在实时数据方面,这意味着定期更新可用的市场数据,如销售数据、客户流失、销售意图(例如添加到购物车项目、竞争对手网站流量)、竞争对手价格等。 在宏观经济层面,也可以考虑按城市/地区分列的消费者支出、失业、国内生产总值、甚至社区流动性等数据,尽管这些数据大多是按月报告的。 股市指标(标准普尔500指数、道琼斯指数)也可能被视为实时宏观经济趋势的代表。 最后,通过纳入社会数据,例如所报告的 COVID 案例或政府政策(即禁闭期限) ,也可能产生积极的结果,以产生情景预测,并考虑这些情景预测用于对未来需求进行建模。

总而言之,在这种新的经济形势下,我们的分析仍然是机器学习可以被很大程度地利用来建立准确的需求预测和优化定价策略。 对“一切照旧”情景的关键调整是纳入更多的实时数据(市场和宏观经济数据) + 调整模型,以考虑较近期的滞后与历史数据。 同样值得注意的是,业务理解和人类判断仍将在创建这个解决方案中发挥关键作用。

使用机器学习价格优化的公司

价格优化已经在酒店、航空、汽车租赁和电子商务零售等行业得到应用,并取得了显著成功。最早的成功案例之一发生在2000年代初,当时希尔顿酒店集团和洲际酒店集团集团决定取消固定价格,转而采用包括动态定价策略在内的流动性计划。在那些年里,房间的价格每天修改一到两次。 目前的计算能力允许价格实时变化。

酒店业继续采用完全基于机器学习的动态定价策略。 目前,Airbnb 提出了一个动态价格工具,可以向房东推荐价格,考虑诸如季节性、星期几或特殊活动等因素,也可以考虑更复杂的因素,如待租房屋的照片或社区的价格。 其他公司如 eBay 和 Uber 也采用了类似的方法。

在谈论动态定价策略时,亚马逊是另一个大玩家。 举个例子,2012年,亚马逊比其竞争对手更频繁地改变价格,2013年,他们每天的价格变化高达250万次。 这种动态变化的价格被非正式地称为亚马逊效应。

在零售领域,最受欢迎的例子是电子商务,但实体零售商并未落在后面。 虽然很难准确地了解所有使用机器学习来优化其价格和操作流程的零售公司,但是仍然有一些已知的成功故事。像Ralph Lauren和Michael Kors这样的公司使用机器学习来减少降价和更好地管理库存,寻求增加利润率,即使有损失一点点收入的风险。另一个众所周知的例子是 Zara,它使用机器学习来最小化促销和快速适应变化的趋势。还有许多其他的成功故事,例如英国最大的连锁超市莫里森(Morrisons)、总部设在德国的国际时装公司 bonprix、美国 B2B 和 B2C 电子产品零售商 Monoprice 等等。 虽然没有关于这些问题的确切模型的可用信息,但众所周知,这些公司正在利用机器学习的力量来增加他们的收入和改善操作。

最后的想法

如今,世界正朝着更频繁地改变价格的方向发展,必须采用最先进的数据驱动定价策略。 贝恩咨询公司(Bain & Company)的一项研究显示,各行业中表现最好的公司动态定价的可能性几乎是其他公司的两倍。无论是电子商务市场还是实体零售店,两者都拥抱动态定价和价格优化的好处。

价格优化可以帮助零售商了解顾客对产品和服务的不同价格策略的反应,并确定最佳价格。机器学习模型可以将关键的定价变量(例如购买历史、季节、库存、竞争对手的定价)考虑在内,从而找到能够达到既定KPI的最佳价格,即使是对于大量的产品或服务目录也是如此。这些模型不需要编程。他们从数据中学习模式,并能够适应新的数据。它们使零售商能够快速测试不同的假设,并做出最佳决策。可能最重要的是要记住,机器学习在零售业的应用在不断扩大,所有的迹象都表明,这种趋势将在未来几年持续下去。问题不再是是否应用动态定价。但问题是如何保持盈利。

原文链接:https://tryolabs.com/blog/price-optimization-machine-learning/



网友评论已有0条评论, 我也要评论

发表评论

*

* (保密)

Ctrl+Enter 快捷回复