Nutzung der Explore Exploit-Strategie zur Ermittlung des optimalen Preises für ein Produkt.

• Die COVID-19-Pandemie hat uns 2020 schwer getroffen und uns gezwungen, sichere Zufluchtsorte zu suchen, indem wir das Sozialisieren praktisch aufgegeben haben. Die Pandemie wirkte sich auch stark auf das Geschäfts- und Wirtschaftswachstum in verschiedenen Branchen und Ländern aus.
• Es hat auch die Art und Weise verändert, wie wir bisher Geschäfte geführt haben. Die Sperr- und physischen Distanzierungsmaßnahmen stellten die stationären Einzelhandelsgeschäfte vor eine einzigartige Herausforderung, die beim Transport ihrer Produkte stark auf den Fußgängerverkehr angewiesen sind.
• Die Pandemie hat die Menschen gezwungen, Online-Einkäufe umfassender für ihren täglichen Bedarf zu übernehmen.
• Der gesamte Paradigmenwechsel hat Unternehmen dazu veranlasst, eine Online-Präsenz aufzubauen, um in der Welt nach der Pandemie zu bestehen, zu überleben und schließlich zu wachsen.
• Online-Verkauf ist jedoch weder neu noch trivial. Marken verkaufen sich schon seit geraumer Zeit online und die Konkurrenz in bestimmten Kategorien ist oft halsbrecherisch.
• Die Produktpreisgestaltung spielt in verschiedenen Phasen des Produktlebenszyklus eine entscheidende Rolle und wirkt sich direkt auf das Endergebnis einer Marke aus.
• In diesem Blog-Beitrag verwenden wir die Explore-Exploit-Strategie, um den optimalen Preis für ein einzelnes Produkt zu ermitteln.

• Bei einem bestimmten Produkt möchten wir den optimalen Preis dafür aus einem diskreten Satz von Preisen ermitteln.
• Ein optimaler Preis ist derjenige, der den Umsatz maximiert.
• Beachten Sie, dass Umsatz = Nachfrage × Preis.

• Zum Auftakt definieren wir ein mathematisches Modell zur Bestimmung der „wahren“ Nachfrage nach dem betreffenden Produkt.
• Es ist wichtig zu beachten, dass diese wahre Nachfrage in einem realen Szenario nicht beobachtet wird.
• Wir werden dieses Modell verwenden, um beobachtete Werte zu generieren, die vom Algorithmus zur Aktualisierung der Überzeugungen verwendet werden.
• Wir werden ein einfaches lineares Modell mit einer Steigung und einem Achsenabschnitt verwenden, um die wahre Nachfrage zu definieren.

• Die Dinge in freier Wildbahn sind kaum linear, aber hoffentlich wird dies den Grundstein für das Problem legen, das wir zu lösen versuchen.
• Für diesen Blog-Beitrag werden wir θ₁ = 50 und θ₂ = -7 wählen. Bitte beachten Sie, dass diese Werte heuristisch gewählt wurden.

• Die obige Grafik zeigt, dass das betrachtete Produkt bei einer Nachfrage von 25 Einheiten einen maximalen Umsatz zu einem Preis von 3,56 USD erzielt.
• Der Algorithmus, den wir entwerfen, sollte in der Lage sein, dies mithilfe des Explore-Exploit-Ansatzes zu ermitteln, dh er sollte den Preis in der Nähe von maximal 3,5 USD auswählen .

Ansätze erforschen -

1. Der gierige Ansatz -

• Eine naive und gierige Methode zur Bestimmung des optimalen Preises eines Produkts wäre die Erfassung der historischen Daten und die Auswahl des Preises, der den Umsatz maximiert.
• Dieser Ansatz ist jedoch nicht optimal, da er uns daran hindert, Preise zu wählen, für die nicht genügend Daten vorliegen. Infolgedessen werden wir nie erfahren, ob der ausgewählte Preis tatsächlich der optimalste ist.
• Daher ist der Greedy-Algorithmus darauf ausgelegt, die kurzfristigen Gewinne zu maximieren und gleichzeitig nicht alle realisierbaren Optionen zu erkunden.

• Der ϵ Greedy-Algorithmus verringert den kritischen Nachteil des Greedy-Algorithmus, indem er den Greedy-Ansatz mit der Wahrscheinlichkeit 1 - ϵ anwendet und mit einer Wahrscheinlichkeit ϵ untersucht.
• Typischerweise wird der Wert von ϵ klein gewählt.
• In der Explorationsphase würde der Algorithmus experimentelle Aktionen zufällig auswählen. Daher würde es jede experimentelle Aktion ungefähr gleich oft auswählen.
• Infolgedessen kann der ϵ-gierige Algorithmus Aktionen mit einer sehr geringen Wahrscheinlichkeit, optimal zu sein, nicht diskontieren.

• Der Thompson-Stichprobenansatz löst die Nachteile früherer Ansätze, bei denen wir den Prozess einleiten, indem wir jeder der verfügbaren Optionen vorherige Überzeugungen hinzufügen.
• Bei jedem Zeitschritt wählen wir die optimale Option aus, beobachten und aktualisieren den Glauben.
• Um den optimalen Preis für ein Produkt unter Verwendung der Thompson-Stichprobe zu bestimmen, würden wir annehmen, dass die Nachfrage ein Poisson-Prozess ist, dessen Parameter λ mit den Parametern α und β gammaverteilt ist.
• In Geschäftsumgebungen gibt es häufig Einschränkungen hinsichtlich der Preise, die verwendet werden können. Zum Beispiel wäre ein Produkt mit einem Preis von 3,234 US-Dollar nicht sinnvoll und würde nur die Verbraucher ärgern.
• Infolgedessen werden wir in dieser Implementierung eine endliche Menge von Preispunkten testen, damit die ausgewählten Preispunkte realistisch sind.
• Dann wäre der Pseudocode für die Thompson-Abtastung im Rahmen der dynamischen Preisgestaltung für ein einzelnes Produkt -






• Nach 200 Iterationen können wir sehen, dass der Preis von 3,49 USD in 87% der Fälle ausgewählt wurde.
• 3,49 US-Dollar kommen dem optimalen Preis gemäß der tatsächlichen Nachfrageverteilung am nächsten, und der Algorithmus hat den Preis erfolgreich ausgenutzt, während er weiterhin die verfügbaren Optionen untersucht.
• Die Untersuchung der Form von Gammaverteilungen während des gesamten Prozesses zeigt, wie die Verteilungen für alle Preise mit einer hohen Varianz beginnen, was auf ein geringes Vertrauen hinweist, aber konvergiert, wenn neue Beweise gesammelt werden.

• Die in diesem Blogbeitrag diskutierten Konzepte bilden die Grundlage für den Aufbau komplexerer Nachfrageverteilungsmodelle, anstatt sich an lineare Beziehungen zu halten.
• Es lohnt sich, verschiedene Techniken zu untersuchen, einschließlich MCMC-Simulationen zum Erstellen und Simulieren komplexer Verteilungen.

Lass uns plaudern:

• Kommentieren Sie mich oder setzen Sie sich über Linkedin mit mir in Verbindung , um Ideen für ein Brainstorming zu erhalten.