بهینه سازی قیمت گذاری محصولات به کمک یادگیری ماشین

تعیین قیمت صحیح یک کالا یا یک خدمت (‌Service)، مشکلی کهنه در تئوری اقتصاد است. حجم عظیمی از استراتژی های قیمت گذاری، به اهداف مورد نظر آن ها بستگی دارند. بدیهی است که یک شرکت، به دنبال بهینه کردن سود خود در هنگام فروش هر یک از واحدهای خود و یا در سهم خود از بازار باشد. این در حالی است که شرکت دیگری ممکن است نیاز به دسترسی به یک بازار جدید یا حفظ بازار قبلی خود داشته باشد. علاوه بر این، سناریوهای مختلف می توانند در یک شرکت برای کالاهای مختلف یا بخش های مربوط به مشتری به کار گرفته شوند.

در این مطلب، ما درباره مشکل بهینه سازی قیمت در خرده فروشی ها (که دارای خصوصیات خاص خود است) بحث می کنیم و نحوه استفاده از قدرت فوق العاده یادگیری ماشین (Machine Learning) برای ایجاد راه حل های اتوماسیون و خودکار موثر قیمت گذاری را بیان خواهیم کرد.

در ابتدا بهتر است با طرح دو سوالی که خرده فروشان به طور مرتب با آن روبرو هستند، شروع کنیم:

  • اگر ما بخواهیم کل موجودی را در کمتر از یک هفته به فروش برسانیم، چه قیمتی را باید برای کالاهای خود در نظر بگیریم؟
  • قیمت عادلانه این محصول، با توجه به وضعیت کنونی بازار چقدر است؟

با توجه به این که در حال حاضر، مشتری به راحتی به قیمت های کاتالوگ های آنلاین دسترسی دارد و می تواند با استفاده از ابزارهای جستجوی تخصصی قیمت ها را مقایسه کند، خرده فروشان هنگام وضع قیمت ها باید پارامترهای مختلفی را در نظر بگیرند. عواملی از قبیل رقابت، موقعیت بازار، هزینه های تولید و هزینه های توزیع از جمله عواملی هستند که نقش کلیدی را برای خرده فروشان ایفا می کنند.

یادگیری ماشین می تواند در این مورد تأثیر زیادی بر شاخص عملکرد یا KPI داشته باشد. برتری این فناوری در آن است که الگوریتم های توسعه یافته به جای آن که به صراحت و بر اساس قوانین و ضوابط برنامه ریزی شوند، می توانند الگوها را از خود داده ها بیاموزند. مدل های یادگیری ماشین می توانند به طور مداوم اطلاعات جدید را ادغام کرده و روندهای نوظهور (Emerging Trends) یا نیازهای جدید بازار را شناسایی کنند.

استفاده از یادگیری ماشین روشی بسیار جذاب برای خرده فروشان است. به عنوان مثال، به جای استفاده از مدل های عمومی تهاجمی (Aggressive General Markdown) که اغلب یک استراتژی بد محسوب می شوند، می توانند از مدل های پیش بینی شده (Predictive Models) استفاده کنند که به آن ها این امکان را می دهد که بهترین قیمت را برای هر محصول یا خدمات خود تعیین کنند.

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 این که چگونه مشتریان به راهکارهای قیمت گذاری متفاوت برای محصولات و خدمات واکنش نشان می دهند.
  • یافتن بهترین قیمت برای یک شرکت با توجه به اهداف آن.

سامانه های قیمت گذاری، از اوایل دهه ۱۹۷۰ میلادی به بعد از استراتژی های بسیار ساده مانند «نشانه گذاری استاندارد به هزینه پایه (Standard Markup to Base Cost)» شروع کرده و به مرور به توانایی پیش بینی تقاضای محصولات یا خدمات و یافتن بهترین قیمت برای دستیابی به KPI بالاتر دست یافتند.

تکنیک های بهینه سازی قیمت می تواند خرده فروشان را در هنگام فروش دوره ای خود، کمک کرده تا تأثیر بالقوه تبلیغات فروش را ارزیابی یا قیمت مناسب برای هر محصول را تخمین بزنند. این تکنیک های پیشرفته در حال حاضر در بهینه سازی قیمت به خرده فروشان این اجازه را می دهد تا عوامل زیر را در نظر بگیرند:

  • رقابت
  • آب و هوا
  • فصل
  • هزینه های عملیاتی
  • تقاضای محلی
  • اهداف شرکت

این موارد می توانند در تعیین موارد زیر به کار روند:

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

بهینه سازی قیمت در برابر قیمت های پویا (Dynamic Pricing)

متمایز کردن بهینه سازی قیمت از قیمت گذاری پویا امری مهم است. زیرا این اصطلاحات گاهی به جای هم استفاده می شوند. 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. در کنار مزایای زیاد، قیمت گذاری پویا معایبی نیز دارد.

با استفاده از استراتژی قیمت گذاری پویا، خرده فروشان به سادگی می توانند به طور پویا، قیمت محصولات خود را بر اساس تقاضای بازار فعلی تغییر دهند. در مقابل، تکنیک های بهینه سازی قیمت، بسیاری از عوامل دیگر برای نشان دادن قیمت یا نرخ آن در سناریوهای مختلف (مانند قیمت اولیه، بهترین قیمت، نرخ تخفیف، و غیره) را در نظر می گیرند.

همان طور که می دانیم قیمت یک اتاق هتل یا یک بلیط هواپیما با توجه به فصل و روز هفته متغیر بوده و غیر قابل پیش بینی است. با این حال، هنگامی که قیمت ها خیلی سریع تغییر می کنند (گاهی اوقات طی چند ساعت)، برخی از مشتریان ممکن است احساس کنند که قیمت ها غیرمنصفانه بوده یا این که شرکت در حال افزایش قیمت است. بنابراین می توان نتیجه گرفت که قیمت گذاری پویا، رویکردی است که باید با احتیاط مورد استفاده قرار گیرد.

یادگیری ماشین چه کارهایی را می تواند برای بهینه سازی خرده فروشی انجام دهد

استراتژی های قیمت گذاری که در دنیای خرده فروشی استفاده می شود، دارای ویژگی های منحصر به فردی هستند. برای مثال، خرده فروشان می توانند قیمت اقلام خود را با پذیرش قیمت پیشنهاد شده توسط سازنده (که با عنوان MSRP شناخته می شود) تعیین کنند. این به ویژه در مورد محصولات اصلی صادق است. یکی دیگر از رویکردها، استراتژی ای به نام Keystone است که شامل تعریف قیمت فروش معادل دو برابر قیمت فروش عمده آن یا بر اساس هزینه ساخت محصول است.

در حالی که این رویکرد و استراتژی های دیگر به طور گسترده ای مورد استفاده قرار می گیرند، یادگیری ماشین خرده فروشان را قادر می سازد تا استراتژی های پیچیده ای را برای بهبود شاخص های عملکردی خود، توسعه دهند. تکنیک های یادگیری ماشین می تواند در ابعاد مختلف برای بهینه سازی قیمت ها مورد استفاده قرار گیرد. برای روشن شدن بهتر موضوع، بیایید یک مثال متداول را بررسی کنیم.

تصور کنید یک خرده فروش آنلاین مصالح ساختمانی، می خواهد بهترین قیمت برای محصولات جدید ارائه شده خود در فصول پیش رو را برآورد کند. با توجه به این که رقابت بین فروشندگان یک کالا تنگاتنگ است، بنابراین باید به نرخ قیمت ها و شیوه تبلیغات توجه ویژه شود. بنابراین، خرده فروش باید خود را با یک استراتژی مشهور سازگار کند که به آن قیمت گذاری رقابتی (Competitive Pricing) می گویند. به عبارت ساده تر، این استراتژی قیمت یک کالا و محصول یا خدمات را براساس شرایط رقابتی و قیمت های تعیین شده توسط سایر رقبا تعریف می کند.

بیایید مراحل مورد نیاز برای توسعه یک راه حل یادگیری ماشین در این مورد را بررسی کنیم:

۱. جمع آوری اطلاعات ورودی

برای آموزش مدل های یادگیری ماشین، نیازمند اطلاعات مختلف هستیم:

  • تراکنشی (Transactional): سابقه فروش که شامل لیست محصولات خریداری شده و در نهایت مشتریانی است که آن ها را خریداری کرده اند.
  • شرح محصولات: کاتالوگ محصولات با زیر مجموعه هایی نظیر رده، اندازه، نام تجاری، سبک، رنگ، عکس و هزینه تولید و یا خرید.
  • اطلاعات مربوط به تخفیف های ویژه و کمپین های بازاریابی پیشین.
  • نظرات مشتریان: نظرات و بازخوردهای مشتریان در مورد محصولات.
  • داده های مربوط به رقابت: قیمت هایی که به محصولات مشابه اعمال می شود.
  • داده های مربوط به محصولات موجود و عرضه آن ها
  • در مورد فروشگاه های فیزیکی: اطلاعات مربوط به موقعیت جغرافیایی فروشگاه و رقبای مرتبط با آن ها

بسته به مجموعه شاخص های عملکردی و نحوه مدل سازی راه حل، جمع آوری برخی از این داده ها ممکن است ضروری نباشد. به عنوان مثال، اگر اطلاعات کم یا هیچ اطلاعاتی در مورد مشتریان وجود داشته باشد، مدل هنوز قابل آموزش است. این نمونه، گاهی اوقات برای خرده فروشان مصالح ساختمانی وجود دارد. در مقابل، اطلاعات مربوط به رقابت، برای یک استراتژی رقابتی قیمت گذاری بسیار مهم است. در بسیاری از موارد حتی ممکن است از طریق رابط های برنامه نویسی کاربردی یا API ها بتوان به این اطلاعات متصل شد و یا آن ها را آنلاین مشاهده کرد.

۲. تعریف اهداف و محدودیت ها

گام بعدی تعریف اهداف و محدودیت های استراتژیک است. خرده فروشان هدفی منحصر به فرد و واضح را دنبال می کنند و آن هدف، حداکثر کردن سود خود است. با این حال، آن ها ممکن است علاقه مند به جذب وفاداری مشتریان (مثلاً با افزایش شاخص Net Promoter Score یا نرخ تبدیل) باشند و یا بخش جدیدی (مثلاً جوانان) را به خود جذب کنند. محدودیت ها می توانند قانونی باشند (به عنوان مثال، هنگامی که نوعی از کنترل قیمت فروش انجام شود). این محدودیت ممکن است مربوط به شهرت شرکت (به عنوان مثال، ترس از ارائه یک تصویر بد به خاطر استفاده از قیمت مطلوب و پایین تر برای بخش خاصی از مشتریان) مربوط بوده و یا به جنبه های فیزیکی مانند ظرفیت یک فروشگاه یا زمان متوسط ​​عرضه محصول مرتبط باشد.

هر سناریوی منحصر به فرد، بر روی راهی اثر می گذارد که مدل سازی بر مبنای آن انجام شده است. این اثر گذاری در عین این که امکان پذیر بوده، بسیار جذاب و جالب نیز هست. آزمایش سناریوهای مختلف توسط یک خرده فروش می تواند مثالی از این نوع مدل سازی باشد که به معنی استفاده از مدل های مختلف است.

۳. مدل سازی و آموزش

در این مرحله، داده های از پیش جمع آوری شده، برای آموزش مدل های یادگیری ماشین مورد استفاده قرار می گیرند. طیف گسترده ای از مدل ها وجود دارند که می توانند در بهینه سازی قیمت ها استفاده شوند. در گذشته، مدل های خطی تعمیم یافته (Generalized Linear Models یا GLM) مورد استفاده قرار می گرفتند (به ویژه در Logistic Regression). با این حال، بعد از آن برای چند سال روش های پیچیده تر و قوی تر توسعه یافتند. به عنوان مثال، با توجه به میزان حجم داده موجود، استفاده از روش های یادگیری ژرف یا Deep Learning میسر گردیده است.

اما در مورد محصولات جدیدی که در فصول آینده قرار است به بازار عرضه شوند، نوعی سختی مضاعف برای ما وجود خواهد داشت. به دلیل آن که هیچ داده قبلی ای در مورد محصول وجود ندارد. نکته جالب این است که مدل های یادگیری ماشین، نحوه پیدا کردن محصولات مشابه را می دانند و علی رغم نداشتن داده های قبلی، می توانند مثمر ثمر واقع شوند. همین اتفاق در مورد خرده فروشان که محصولات نادر و یا عجیب و غریب را می فروشند نیز ممکن است اتفاق بیافتد.

۴. اجرا و تنظیم قیمت ها

هنگامی که مدل آموزش دیده باشد، قیمت ها را می توان برای محصولات جدید تخمین زد. بسته به مدل سازی، این برآورد می تواند یک قیمت دقیق یا یک بازه قیمتی باشد. قیمت های به دست آمده توسط این مدل می توانند پس از آن، توسط خرده فروشان به صورت دستی تنظیم شود.

مزایای بهینه سازی قیمت توسط یادگیری ماشین

علاوه بر خودکار بودن و سرعت اجرای بالا، مزایای متعددی برای استفاده از یادگیری ماشین برای بهینه سازی قیمت ها وجود دارد.

اول این که، مدل های یادگیری ماشین می توانند تعداد زیادی از محصولات را در نظر گرفته و قیمت ها را به صورت جهانی (Global) بهینه سازی کنند. تعداد و ماهیت پارامترها، منابع و کانال های متعدد مربوط به آن ها، این فرصت را فراهم می کند تا با استفاده از معیارهای خوب تصمیم گیری کنند. اگر خرده فروشان سعی کنند این کار را به صورت دستی یا حتی با استفاده از نرم افزارهای پیش پا افتاده انجام دهند، انجام این کار می تواند طاقت فرسا باشد.

به عنوان مثال، بدیهی است که تغییر قیمت یک محصول معمولاً میزان فروش محصولات دیگر را تحت تاثیر خود قرار می دهد و این تأثیر می تواند تا حدی باشد که انسان نتواند آن را پیش بینی کند. در بیشتر موارد، دقتِ یک راه حل ارائه شده توسط یادگیری ماشین، به طور قابل توجهی بالاتر از یک انسان خواهد بود. علاوه بر این، خرده فروشان می توانند شاخص های عملکردی را تغییر داده و بلافاصله نحوه محاسبه قیمت ها توسط مدل ها را برای اهداف جدید ببینند.

در گام دوم، با تجزیه و تحلیل تعداد زیادی از داده های گذشته و فعلی، یادگیری ماشین می تواند روندها (Trends) را با سرعت زیادی پیش بینی کند. این یک مسئله کلیدی است که اجازه می دهد تا خرده فروشان تصمیمات مناسب برای تنظیم قیمت ها بگیرند.

در نهایت، به کمک وب و رسانه های اجتماعی می توان به جمع آوری اطلاعات ارزشمند در مورد قیمت رقبا و محصولات مشابه دست زد که به ارتقاء استراتژی رقابتی قیمت گذاری و مدل های یادگیری ماشین توسعه یافته کمک شایانی می کند. سامانه های مبتنی بر هوش مصنوعی می تواند از رویدادهای بازار یاد بگیرد و خرده فروشان را برای گرفتن تصمیمات بهتر نسبت به دیگر رقبا یاری دهند.