Динамическое ценообразование с нейросетями AI Indicator Prediction

Динамическое ценообразование с нейросетями AI Indicator Prediction

Искусственный интеллект для назначения динамических цен помогает реализовать наиболее важную задачу бизнеса в Real Time.

Точное прогнозирование спроса и интеллектуальная коррекция спроса посредством изменения цен и рекламных акций находит оптимальные цены для каждого продукта, чтобы максимизировать прибыль. 

Цены на продукцию часто меняются в зависимости от наблюдаемой реакции рынка, уровня продаж, перебоев в поставках и других факторов. Управление ценами на основе правил или вручную в электронных таблицах плохо масштабируется для больших каталогов с тысячами товаров. 
Эти методы медленны, подвержены ошибкам и часто могут привести к накоплению запасов или существенным потерям доходов. Методы машинного обучения не только быстрее, но и обеспечивают более точные прогнозы. 

Построение систем прогнозирования спроса с использованием технологий BIG DATA

Прогноз спроса с применением нейросетей:

• Конкуренты: Цены, Товарная матрица, Активность рекламы,...
• Внешние факторы: Биржи, Отрасль, Сезонность, Поставщики, Сырье,....
• Внутренние факторы: Наличие, Затраты, KPI, Портрет клиента, Похожие сделки,....
• Неопределенные факторы: Политика, СМИ, Погода, Инфляция, Экономика, +1000 параметров

Запускаем пилотный проект за 14 дней нескольких товарных категориях - далее система масштабируется на все магазины

Заполните форму
и получите Коммерческое предложение на внедрение

Персональные предложения в зависимости от KPI сегодня:

1. Нужен рост клиентов? Снижаем цену на ходовой товар и набираем новых клиентов.
2. Сегмент клиентов с улицы Арбат не чувствителен к ценам при заказах вечером - Повышаем цену.
3. Склад в Пскове переполнен? Снижаем там цену на залежавшийся товар.
4. Много рекламаций от подростков на самокаты? - Для этого сегмента покупателей - Повышаем цену.
5. Сотни автоматических стратегий

Одним из ключевых требований к системе оптимизации цен является точная модель прогнозирования, позволяющая быстро моделировать реакцию спроса на изменения цен.

Для Производства

• Связь цен с биржевой стоимостью сырья
• Цена в зависимости от прогноза спроса
• Цена зависит от свободных ресурсов
• Анализ информации нейросетью
• Оценка конкурентов

Для Продаж и Маркетинга

• Динамическое ценообразование
• Управление ассортиментом
• Оптимизация торговых площадей
• Оптимизация цен
• Прогнозы выручки и запасов
• Персональные предложения покупателю

Для Финансовых организаций

• Персонализация финансовых продуктов
• Анализ страховых рисков
• Снижение цен на услуги
• Активизация продаж
• Прогнозы рынков
• Цена от результата скоринга
  

Динамическое ценообразование с применением нейросетей в марковских процессах

В терминах марковских процессов считаем, что:

Агент - это софт устанавливающий цену.

Действие агента - установка цены на какой-то период времени (1 час, 4 часа, 8 часов, 24 часа, неделя, месяц)

Среда - это весь внешний мир нашего агента: рынок генерирующий спрос, конкуренты, клиенты, геопозиция, погода, все прочие доступные характеристики.

Состояние среды - статистика продаж, поток клиентов, действия конкурентов и т.д..

Награда(искомая оптимизация) - маржа, выручка, управление запасами, возврат инвестиций, конверсии из трафика в покупки и т.д.

Динамическое ценообразование для сети розничных магазинов

Один из вариантов реализации:

Система динамического ценообразования и прогнозирования спроса строится на близких компонентах и принципиальные различия будут заключаться в финальной стадии построения нейросетей.

Функциональные возможности:

1. Прогнозирование продаж в зависимость от цены, сезонных факторов, погоды, средней цены конкурентов и средней цены категории, остатков на складе и на полках, вида выкладки в разрезе день/магазин/sku.
2. Оптимизация цен на все sku требуемой категории для максимизации выручки в разрезе день/магазин/категория.
3. Модуль прогнозирования продаж в разрезе день/магазин/sku

Используемые данные:

1. Все чеки за 3 года (необходимо определять среднюю цену в категории, среднюю покупку и посещаемость магазинов на каждый день).
2. Цены (ценники) на все sku категории за три года (если в чеках цены не соответствуют ценнику и нельзя восстановить ценник).
3. Цены конкурентов с привязкой к нашем sku за три года.
4. Выкладка товара в зале, ширина полки за три года.
5. Погода (температура и количество осадков) в регионе расположения магазинов за три года. 

Этапы построения модели:

1. Предварительный этап. Для каждого магазина на основе библиотеки FbProphet строим модели предсказания количества чеков за день. Разрез магазин/день/количество чеков. Таким образом будет построено 200 моделей. Данная модель учитывает сезонные изменения (недельная, месячная и годовая сезонность), погоду. Предполагаемое качество таких моделей около WAPE=3,5-4% при среднем дневном количестве чеков от 2000. При развитии моделирования целесообразно перейти на нейронную сеть LSTM с долгосрочной памятью. Это позволит сократить ошибку WAPE до 2-3%.
2. На основе модели нейронной сети WordToVec получить эмбединги схожести для товаров и магазинов. Для этого построить векторное разложение со встречаемости sku в чеках и со встречаемости магазинов по готовым продажам sku.
3. Основной этап (подготовка признаков и таргета). В качестве таргета модели ценообразования будет служить отношение проданного количества sku на суммарное количество чеков в магазине за этот день. В дальнейшем при использовании модели можем использовать прогноз количества чеков в магазине из п.1 и востановить абсолютное значение продаж на sku.
4. Признаки модели. А. Косинусное представление дней недели, месяца и года. В. Выкладка товара и ширина полки с разбивкой sku/день/магазин. С. Погода в регионе присутствия магазина и осадки. D. Ценовые факторы (цена sku нормированная на среднюю цену категории в разрезе день/магазин, цена sku нормированная на среднюю цену товара у конкурентов).
5. Основной этап (моделирование). На основе полученных данных предлагается построить модель, которая будет предсказывать продажи sku на один чек в магазине на определенный день с учетом заложенных признаков. Для sku с регулярными продажами более 100 штук в день качество модели может быть WAPE=30%. В данной конфигурации модель может использоваться в оптимизаторе для поиска цены, которая максимизирует выручку на sku. Используя предсказания моделей для различных sku в магазине (замена эмбедингов) можем решить задачу максимизации выручки магазина, когда оптимальная цена ставится на все товары, учитывая цены других товаров.
6. Для построения модели прогноза продаж sku в модель будут добавлены факты продаж за предыдущий период в различных разрезах. Такое добавление факторов позволит улучшить качество прогноза до WAPE=10-20%
7. Оптимизация цен sku’s. Для оптимизации цен предлагается использовать библиотеку подбора гиперпараметров, основанную на Байесовской оптимизации.

Предлагаемый подход тестировался на данных крупной Российской розничной сети  для прогнозирования спроса и расчета эффективности промо-акций. 

На первом этапе проекта используется несколько (5-15) магазинов для построения и валидации пайплайна. Затем при фиксации метрик,  происходит масштабирование. 

Для прогнозирования количества чеков используется FbProphet и/или LSTM. Это позволяет перейти в дальнейшем к стационарным рядам по продажам sku за счет использования нормировки. Для получения эмбедингов для товаров и магазинов использован подход WordToVec. На финальной стадии  используются модели машинного обучений для предсказания продаж.

Еще один вариант реализации системы динамического ценообразования:

В этом варианте мы предполагаем, что каждый продукт имеет фиксированную известную стоимость, а окончательная цена определяется с использованием наценки к стоимости. Далее мы предполагаем, что спрос (количество проданных единиц) зависит от цены нелинейным образом и эта зависимость может меняться с течением времени из-за сезонности и других факторов. Наша цель — спрогнозировать прибыль для нескольких уровней цен и дат, а также определить наценку максимизирующую прибыль. 

Построение нейросетевой модели прогнозирования спроса включает в себя следующие шаги:

Подготовка данных обучения

Данные обучения состоят из исторических данных о продажах и ценах SKU.

В такой реализации столбец «цена» соответствует относительной цене по отношению к себестоимости:

Цена = Стоимость / Себестоимость

Например, цена 1,4 означает наценку 40% и маржу 28,6% (0,4/1,4*100%).

Другие столбцы представляют различные атрибуты конкретных SKU, например «категория», «бренд», «пол», «ценовой уровень» и т. д. Использование атрибутов позволяет модели изучать поведение различных SKU. Благодаря этим атрибутам модель может научиться прогнозировать спрос на новые продукты, когда исторические данные еще недоступны.

Данные модели расширены за счет внешних сигналов, таких как цены конкурентов и публичные мероприятия, а также атрибутов, специфичных для предметной области, таких как типы каналов продаж или местоположения магазинов.

Обучение модели

Перед обучением модели следует четко указать, какие переменные (столбцы) являются ковариатами , а какие атрибутами . Ковариаты могут меняться со временем для одного временного ряда (SKU), пока атрибуты являются статическими. В нашем примере «цена» — это ковариата, а другие переменные — это атрибуты. В действительности количество ковариат может быть намного больше. Например, погодные условия, праздничные дни, цены конкурентов — все это подходящие кандидаты для ваших ковариат.

Другими важными конфигурациями модели являются  длина периода и длина горизонта прогнозирования. Опыт показывает, что наиболее эффективны 28 и 14 дней соответственно. 

Подготовка входных данных для оценки сценариев ценообразования

Прогнозы спроса строится для нескольких уровней цен, исходные данные:

• исторические значения для всех переменных, заполненных на протяжении всего контекстного окна (т.е. в нашем случае 28 дней исторических значений)
• новые даты, добавленные для продолжительности горизонта прогноза (т. е. 14 дней)

В традиционной ценовой аналитике взаимосвязь между ценой и спросом обычно моделируется с использованием параметрических функций. Например, широко используется модель «постоянной эластичности»:

спрос  = a * цена ^ b 

В этой модели a и b — это параметры, которые выводятся из данных. Эти параметры можно проанализировать и сравнить с базовыми показателями, чтобы лучше понять структуру спроса. Например, параметр b в приведенной выше модели известен как ценовая эластичность спроса и характеризует относительную чувствительность спроса к изменению цен. 

В нашем подходе мы не делаем никаких предположений о форме функции ценового отклика и оцениваем ее поточечно непараметрическим способом. Следовательно, кривые для разных значений маржи имеют схожую, но не идентичную форму. Можем оценивать традиционные показатели, такие как ценовая эластичность, оценивая разброс между эмпирическими кривыми. Однако при моделировании с помощью методов машинного обучения эти показатели могут меняться с течением времени, что означает, что мы можем получить более точные прогнозы спроса.

Анализ структуры спроса

После составления прогнозов спроса мы можем визуализировать кривые реакции цены и другие статистические данные, которые помогают понять поведение рынка и структуру спроса. Например, мы можем визуализировать продажи и прибыль как функции маржи за отдельные дни.
Функции ценовой реакции существенно различаются для разных дней недели, и, следовательно, ценовые точки, максимизирующие прибыль, также будут разными. Другими словами, нам потребуются разные цены в разные дни, чтобы максимизировать прибыль.

В этом примере мы использовали простую функцию прибыли:

Прибыль = Количество * (Стоимость - Себестоимость)

но на практике целевая функция может включать дополнительные факторы, такие как затраты на хранение или ликвидацию. Всё это учитывает нейросетевая модель.

Структура оптимальных уровней цен может быть различной для разных видов продукции. Некоторые продукты имеют постоянную зависимость цены от реакции: спрос на них прямо пропорционален цене, независимо от других факторов, например дня недели. Другие продукты имеют функцию ценового отклика, которая меняется в зависимости от сезона, праздников и других факторов.

Кейсы применений динамического ценообразования в рознице 

• Оптимизация продвижения. У многих ритейлеров сложный процесс управления календарем рекламных акций, включающий долгосрочное предварительное планирование и регулярные корректировки. Модель можно использовать как для долгосрочного планирования (например, на 52 недели вперед), так и для текущих корректировок на еженедельной основе.
• Закрытие сезона. Многие розничные торговцы одеждой проводят кампании в конце сезона, которые требуют постоянного отслеживания хода продаж и корректировки цен. Модели оптимизации цен должны поддерживать максимизацию показателей сквозных продаж, прибыли или других показателей в условиях ограничений запасов с использованием корректировок уценки. 
• Оптимизация оборачиваемости запасов. Нейросеть прогнозирования спроса можно использовать не только для принятия решений по ценообразованию, но и для оптимизации решений по пополнению запасов на основе детальных прогнозов на уровне магазина и на уровне SKU. Типичные цели включают максимизацию оборачиваемости запасов и повышение эффективности хранения и логистики.
• Оптимизация ассортимента. Прогнозирование спроса на уровне SKU для отдельных магазинов часто используется для улучшения решений по ассортименту. Модели прогнозирования можно модифицировать для оценки изменений спроса в результате добавления или удаления товаров из ассортимента. 
• Оперативное пополнение. Детальное краткосрочное прогнозирование спроса на уровне магазина иногда используется для улучшения перемещения запасов со склада на полки.
• Оптимизация персонала магазина. Модель прогноза спроса используются для оптимизации решений и смен управления персоналом. На практике ритейлеры часто собирают фактические данные о трафике в магазине с помощью встроенных в магазин датчиков, и эти данные можно использовать для прогнозирования трафика. Сочетание прогнозов продаж и трафика можно использовать для оптимизации штата сотрудников.

Модель динамического ценообразования позволяет на основании данных получать ответы на вопросы:

1. Приносит ли конкретная акция дополнительную прибыль или лучше ее отключить?
2. Какова оптимальная величина скидки для определенной группы товаров?
3. Каковы наилучшие даты начала и окончания данной акции?
4. Можно ли получить дополнительную прибыль или достичь целевого показателя оборота за счет создания новых рекламных акций и каковы будут параметры этих рекламных акций?

На эти вопросы традиционно отвечают, используя прошлогодние данные в сочетании с тщательным отслеживанием текущих данных и тенденций продаж. Этот подход может быть более или менее эффективным в зависимости от характера товаров, свойств клиентской базы, квалификации мерчендайзеров и внешних факторов, таких как рост или спад рынка. Наш опыт работы со многими крупными ритейлерами показывает, что в среднем традиционные методы не оптимальны в том смысле, что прибыль частично теряется из-за «вредных» скидок, которые следует убрать. Доходы также значительно ниже, чем могли бы быть из-за несоответствия цены и спроса.

Практика моделирования спроса

В некоторых бизнесах выручка и прибыль могут быть прямо и детерминированно рассчитаны на основе спроса: выручка — это продукт цены и спроса, а прибыль — это продукт маржи и спроса. Следовательно, может быть достаточно построить только модель прогнозирования спроса и умножить ее выпуск на цену или маржу, чтобы получить функцию дохода или прибыли, которую, в свою очередь, можно включить в алгоритм оптимизации. К сожалению, это невозможно когда рекламные акции могут применяться к корзине покупок, что нарушает простую связь между проданным количеством и доходом: один продукт может продаваться по разным ценам в зависимости от других продуктов в корзине или тележке.

Модель прогнозирует интересующий показатель (доход, прибыль или спрос) для данного отдельного продукта на определенную дату. Входной вектор признаков включает в себя следующие группы переменных:

• Каталог атрибутов товара.  В основном это категориальные переменные, такие как цвет, тип продукта, размер и материал. Эти атрибуты моделируются как единые группы двоичных флагов, что является распространенным способом работы с категориальными входными данными.
• Атрибуты и события календаря. Это группа двоичных флагов, которые указывают, является ли введенная дата рабочим днем, праздником, Черной пятницей и т. д.
• Цены и акции. Это самая сложная группа: она включает в себя прейскурантные цены, рекламные цены, типы рекламных акций, закупочные цены и несколько коэффициентов (например, наценку, которая представляет собой соотношение между прейскурантной ценой и закупочной ценой).
• Статистика корзины. Эта группа создана специально для рекламных акций на основе корзины. Некоторые рекламные акции применяются к корзине покупок в целом, и, таким образом, сумма скидки для любого отдельного продукта не определена, если этот продукт рассматривается изолированно. Мы решили эту проблему, рассчитав среднюю сумму корзины покупок, содержащую данный товар, а затем определив значения скидок, которые с наибольшей вероятностью будут применены к таким корзинам. Эти значения использовались в качестве дополнительных входных признаков.

Фишка -  Вектор признаков включает в себя атрибуты продукта, и, таким образом, одна и та же архитектура нейросетевой модели может использоваться для прогнозирования спроса и прибыли для новых продуктов без истории продаж или истории коротких продаж 

Нейросеть опережает традиционное алгоритмическое ценообразование

• Динамическое ценообразование. Автоматизированное принятие решений позволяет более часто и точно изменять различные составляющие ценового водопада, включая базовые цены, акции и специальные предложения. Эти изменения помогают ценообразованию адаптироваться к действиям конкурентов, оборачиваемости запасов и целям очистки, а также к скачкам спроса оптимальным для прибыли способом.
• Персонализация цен. Алгоритмический подход помогает сегментировать или персонализировать определенные элементы ценового водопада, такие как скидки и специальные предложения. Он также учитывает различия во вкусах потребителей, чувствительности к ценам и другую статистическую информацию о потенциальных покупателях.
• Дифференцированные ценовые стратегии. Методы, основанные на данных, помогают оптимизировать стратегии ценообразования для различных продуктов и категорий в зависимости от влияния продукта на восприятие потребительской ценности, сходства с другими продуктами и других факторов.
• Гарантированная оптимальность цены. Подход, основанный на данных, помогает определить почти оптимальные параметры ценообразования и обнаружить упущенные возможности. Например, алгоритмическая система управления рекламными акциями может предлагать новые рекламные акции, которые могут улучшить производительность базового календаря рекламных акций.
• Учет внутренних и внешних факторов. Алгоритмическое ценообразование часто опирается на статистический анализ данных о транзакциях, запасах и каталогах, а также на внешние сигналы, такие как цены конкурентов, для повышения качества решений и реагирования на тенденции. В некоторых случаях используем технологии обработки естественного языка (NLP) и распознавания изображений для использования текстовых и визуальных данных, таких как описания продуктов и изображения.
• Интеграция с мерчендайзингом и управлением запасами. Алгоритмическое ценообразование включает данные об уровне запасов и скорости продаж в оптимизацию цен, поэтому цену можно увеличивать или уменьшать, чтобы избежать дефицита и избытка запасов. С другой стороны, фундаментальные возможности, которые обычно необходимы для алгоритмического ценообразования, такие как моделирование спроса, часто применяются в других случаях использования, таких как оптимизация ассортимента и запасов.

Варианты использования Динамического ценообразования с нейросетями

AI Indicator Prediction

Управление ценами

• Прогнозируйте спрос, доход и прибыль по категориям для различных уровней наценки или стратегий ценообразования
• Оптимизируйте прибыль, доходы или уровень запасов, находя оптимальные параметры ценообразования
• Автоматически корректируйте параметры ценообразования на основе цен конкурентов и уровня запасов
• Дифференцировать цены по магазинам или каналам продаж
• Дифференцировать стратегии ценообразования в зависимости от вклада товара в восприятие потребительской цены и категории товара

Управление продвижением товаров

• Прогнозируйте спрос, доход и рост прибыли для отдельной рекламной акции или группы рекламных акций
• Определите рекламные акции, которые следует остановить
• Оптимизируйте даты рекламных акций и значения скидок, чтобы максимизировать объем продаж, выручку или прибыль
• Найдите новые возможности продвижения, которые могут увеличить прибыль
• Определите оптимальные для прибыли уценки для распродаж с учетом запасов и ограничений по времени
• Найдите оптимальные сегменты клиентов для каждой целевой кампании продвижения

Управление ассортиментом

• Прогнозировать спрос на новые продукты на основе их характеристик и атрибутов
• Разработать оптимальную для прибыли стратегию локализации ассортимента
• Определить оптимальный ассортимент продукции с учетом эффектов замещения продуктов и брендов

Управление запасами

• Оптимизируйте уровень резервных запасов для выполнения заказов онлайн-покупок и самовывоза в магазине
• Оптимизируйте решения о покупке продукции на основе прогнозирования спроса и затрат на перекупку/недокупку
• Оптимизируйте решения о пополнении запасов продукции на основе прогнозируемого спроса и ограничений цепочки поставок

Оставляйте заявку и мы составим план внедрения с учетом специфики вашего бизнеса!
Заполните форму

Звоните нам по всем вопросам:

+7 (495) 215-54-36

Почта для обсуждения вопросов по решениям и продуктам:

it@it-fabric.ru