Memanfaatkan strategi Jelajahi Eksploitasi untuk menentukan harga optimal untuk suatu produk.

• Pandemi COVID-19 menghantam kami dengan keras pada tahun 2020 dan memaksa kami untuk mencari tempat berlindung yang aman dengan menyerah pada sosialisasi. Pandemi juga sangat mempengaruhi pertumbuhan bisnis dan ekonomi di seluruh industri dan negara.
• Itu juga mengubah cara kami menjalankan bisnis hingga sekarang. Penguncian dan tindakan jarak fisik menghadirkan tantangan unik bagi toko ritel fisik yang sangat bergantung pada lalu lintas pejalan kaki untuk memindahkan produk mereka.
• Pandemi tersebut memaksa masyarakat untuk mengadopsi belanja online secara lebih komprehensif untuk kebutuhan sehari-hari.
• Seluruh pergeseran paradigma telah mendorong bisnis untuk mulai membangun keberadaan online untuk menopang, bertahan hidup, dan pada akhirnya tumbuh di dunia pasca-pandemi.
• Namun, berjualan online bukanlah hal baru atau sepele. Merek telah berjualan secara online selama beberapa waktu dan persaingan dalam kategori tertentu seringkali berlangsung sengit.
• Penetapan harga produk memainkan peran penting di berbagai tahap siklus hidup produk dan memiliki dampak langsung pada garis bawah merek.
• Dalam posting blog ini, kita akan menggunakan strategi explore-exploit untuk menentukan harga optimal untuk produk TUNGGAL.

• Mengingat produk, kami ingin menentukan harga yang optimal untuk itu dari diskrit set harga.
• Harga yang optimal adalah yang memaksimalkan pendapatan.
• Perhatikan bahwa Pendapatan = Permintaan × Harga.

• Untuk memulai, mari kita tentukan model matematika untuk menentukan permintaan "sebenarnya" untuk produk yang sedang dipertimbangkan.
• Penting untuk dicatat bahwa permintaan yang sebenarnya ini tidak teramati dalam skenario kehidupan nyata.
• Kami akan menggunakan model ini untuk menghasilkan nilai-nilai yang diamati yang akan digunakan oleh algoritma untuk memperbarui keyakinan.
• Kami akan menggunakan model linier sederhana dengan kemiringan dan intersep untuk menentukan permintaan sebenarnya.

• Hal-hal di alam liar hampir tidak linier tetapi mudah-mudahan, ini akan meletakkan dasar bagi masalah yang sedang kita coba selesaikan.
• Demi posting blog ini, kita akan memilih θ₁ = 50 dan θ₂ = -7. Harap dicatat bahwa nilai-nilai ini telah dipilih secara heuristik.

• Bagan di atas menunjukkan bahwa produk yang dipertimbangkan memberikan pendapatan maksimum dengan harga $ 3,56 dengan permintaan 25 unit.
• Jadi, algoritme yang kami rancang harus dapat menemukan ini menggunakan pendekatan explore-exploit yaitu harus memilih harga mendekati $ 3,5 dalam jumlah maksimum.

Menjelajahi Pendekatan -

1. Pendekatan Serakah -

• Cara yang naif dan serakah untuk menentukan harga optimal suatu produk adalah dengan mengumpulkan data historis dan memilih harga yang memaksimalkan pendapatan.
• Namun, pendekatan ini kurang optimal karena menghalangi kami untuk memilih harga yang tidak memiliki cukup data. Alhasil, kita tidak akan pernah tahu jika harga yang dipilih memang paling optimal.
• Oleh karena itu, algoritme rakus dirancang untuk memaksimalkan keuntungan jangka pendek sambil melewatkan menjelajahi semua opsi yang layak.

• Algoritme ϵ greedy mengurangi kelemahan kritis dari algoritme greedy dengan mengadopsi pendekatan greedy dengan probabilitas 1 − ϵ dan mengeksplorasi dengan probabilitas ϵ.
• Biasanya, nilai ϵ dipilih menjadi kecil.
• Pada tahap eksplorasi, algoritma akan memilih tindakan eksperimental secara acak. Oleh karena itu, ia akan memilih setiap tindakan eksperimental kira-kira dalam jumlah yang sama.
• Akibatnya, algoritme ϵ-greedy gagal mendiskon tindakan dengan probabilitas sangat rendah untuk menjadi optimal.

• Pendekatan pengambilan sampel Thompson memecahkan kekurangan dari pendekatan yang disebutkan sebelumnya di mana kami memulai proses dengan melampirkan keyakinan sebelumnya pada setiap opsi yang tersedia.
• Di setiap langkah waktu, kami memilih opsi optimal, mengamati dan memperbarui keyakinan.
• Untuk menentukan harga optimal suatu produk dengan menggunakan sampling Thompson, kami akan mengasumsikan permintaan menjadi proses Poisson dengan parameter λ yang didistribusikan gamma dengan parameter α dan β.
• Seringkali dalam pengaturan bisnis, ada batasan seputar harga yang dapat digunakan. Misalnya, produk dengan harga $ 3,234 tidak akan masuk akal dan hanya akan membuat konsumennya kesal.
• Akibatnya, dalam penerapan ini, kami akan menguji sekumpulan titik harga yang terbatas sehingga titik harga yang dipilih realistis.
• Kemudian, pseudocode untuk pengambilan sampel Thompson dalam konteks Penetapan Harga Dinamis untuk satu produk adalah -






• Setelah 200 iterasi, kita dapat melihat bahwa harga $ 3,49 dipilih selama 87%.
• $ 3,49 adalah yang paling dekat dengan harga optimal sesuai distribusi permintaan sebenarnya dan algoritme telah berhasil mengeksploitasi harga sambil terus mengeksplorasi opsi yang tersedia.
• Menyelidiki bentuk distribusi gamma selama proses mengungkapkan bagaimana distribusi untuk semua harga dimulai dengan varian tinggi yang menunjukkan keyakinan rendah tetapi menyatu saat bukti baru dikumpulkan.

• Konsep yang dibahas dalam posting blog ini meletakkan dasar untuk membangun model distribusi permintaan yang lebih kompleks daripada berpegang pada hubungan linier.
• Teknik yang berbeda perlu ditelusuri termasuk simulasi MCMC untuk membangun dan mensimulasikan distribusi yang kompleks.

Ayo ngobrol:

• Komentari atau hubungi saya melalui Linkedin untuk bertukar ide.