Wykorzystanie strategii Explore Exploit do określenia optymalnej ceny produktu.

• Pandemia COVID-19 mocno nas uderzyła w 2020 roku i zmusiła nas do szukania bezpiecznych przystani, praktycznie rezygnując z kontaktów towarzyskich. Pandemia miała również poważny wpływ na biznes i wzrost gospodarczy w różnych branżach i krajach.
• Zmienił też sposób, w jaki prowadziliśmy biznes do tej pory. Zamknięcie i środki fizycznego utrzymywania dystansu stanowiły wyjątkowe wyzwanie dla tradycyjnych sklepów detalicznych, które są w dużym stopniu uzależnione od ruchu pieszego przy przemieszczaniu swoich produktów.
• Pandemia zmusiła ludzi do bardziej kompleksowego dostosowania zakupów online do codziennych potrzeb.
• Cała zmiana paradygmatu skłoniła firmy do budowania obecności w Internecie, aby utrzymać się, przetrwać i ostatecznie rozwijać się w świecie po pandemii.
• Jednak sprzedaż online nie jest ani nowa, ani trywialna. Marki sprzedają się online już od jakiegoś czasu, a konkurencja w niektórych kategoriach jest często zaciekła.
• Ceny produktów odgrywają kluczową rolę na różnych etapach cyklu życia produktu i mają bezpośredni wpływ na wynik finansowy marki.
• W tym poście na blogu wykorzystamy strategię eksploruj-eksploatuj w celu określenia optymalnej ceny dla POJEDYNCZEGO produktu.

• Biorąc pod uwagę produkt, chcielibyśmy określić jego optymalną cenę z dyskretnego zestawu cen.
• Optymalna cena to taka, która maksymalizuje przychody.
• Zwróć uwagę, że przychód = popyt × cena.

• Na początek zdefiniujmy model matematyczny służący do określania „prawdziwego” popytu na rozważany produkt.
• Należy zauważyć, że to prawdziwe zapotrzebowanie nie jest obserwowane w prawdziwym scenariuszu.
• Wykorzystamy ten model do wygenerowania obserwowanych wartości, które zostaną wykorzystane przez algorytm do aktualizacji przekonań.
• Użyjemy prostego modelu liniowego z nachyleniem i punktem przecięcia, aby zdefiniować rzeczywisty popyt.

• Rzeczy na wolności nie mają charakteru liniowego, ale miejmy nadzieję, że położy to podwaliny pod problem, który próbujemy rozwiązać.
• Na potrzeby tego wpisu na blogu wybierzemy θ₁ = 50 i θ₂ = -7. Zwróć uwagę, że te wartości zostały wybrane heurystycznie.

• Powyższy wykres pokazuje, że rozważany produkt zapewnia maksymalne przychody w cenie 3,56 USD przy zapotrzebowaniu 25 sztuk.
• Tak więc algorytm, który projektujemy, powinien być w stanie wykryć to przy użyciu podejścia eksploruj-wykorzystaj, tj. Powinien wybierać cenę bliską maksymalnie 3,5 USD maksymalnie wiele razy.

Podejścia eksploracyjne -

1. Podejście Greedy -

• Naiwnym i chciwym sposobem określenia optymalnej ceny produktu byłoby zebranie danych historycznych i wybranie ceny, która maksymalizuje przychody.
• Jednak takie podejście jest nieoptymalne, ponieważ uniemożliwia nam wybór cen, które nie mają wystarczających danych. Dzięki temu nigdy nie dowiemy się, czy wybrana cena jest rzeczywiście najbardziej optymalna.
• W związku z tym chciwy algorytm został zaprojektowany w celu maksymalizacji krótkoterminowych zysków, a jednocześnie brakuje możliwości zbadania wszystkich wykonalnych opcji.

• Algorytm ϵ chciwy łagodzi krytyczną wadę chciwego algorytmu, przyjmując podejście zachłanne z prawdopodobieństwem 1 − ϵ i bada z prawdopodobieństwem ϵ.
• Zazwyczaj wartość ϵ jest wybierana jako mała.
• W fazie eksploracji algorytm wybierał losowo działania eksperymentalne. Dlatego wybierałby każde działanie eksperymentalne mniej więcej taką samą liczbę razy.
• W rezultacie algorytm ϵ-chciwy nie dyskontuje działań z bardzo niskim prawdopodobieństwem bycia optymalnym.

• Podejście próbkowania Thompsona rozwiązuje wady wcześniej wspomnianych podejść, w których rozpoczynamy proces od dołączenia wcześniejszych przekonań do każdej z dostępnych opcji.
• Na każdym kroku czasowym wybieramy optymalną opcję, obserwujemy i aktualizujemy przekonanie.
• Aby określić optymalną cenę produktu za pomocą próbkowania Thompsona, przyjęlibyśmy, że popytem jest proces Poissona, którego parametr λ jest rozkładem gamma z parametrami α i β.
• Często w sytuacjach biznesowych istnieją ograniczenia dotyczące cen, których można użyć. Na przykład produkt o cenie 3,234 dolara nie miałby sensu i tylko irytowałby konsumentów.
• W rezultacie w tej implementacji przetestujemy skończony zestaw punktów cenowych, aby wybrane punkty cenowe były realistyczne.
• Wtedy pseudokod dla próbkowania Thompsona w kontekście dynamicznej wyceny dla pojedynczego produktu będzie wyglądał następująco:






• Po 200 iteracjach widzimy, że cena 3,49 USD została wybrana w 87% przypadków.
• 3,49 USD to cena najbliższa optymalnej cenie zgodnie z rzeczywistym rozkładem popytu, a algorytm z powodzeniem wykorzystał cenę, kontynuując badanie dostępnych opcji.
• Badanie kształtu rozkładów gamma w trakcie całego procesu ujawnia, w jaki sposób rozkłady dla wszystkich cen zaczynają się od dużej wariancji wskazującej na niską pewność, ale zbiegają się w miarę gromadzenia nowych dowodów.

• Koncepcje omówione w tym poście na blogu stanowią podstawę do budowania bardziej złożonych modeli dystrybucji popytu zamiast trzymania się liniowych zależności.
• Warto zbadać różne techniki, w tym symulacje MCMC do budowania i symulowania złożonych dystrybucji.

Porozmawiajmy:

• Skomentuj lub skontaktuj się ze mną za pośrednictwem LinkedIn, aby przeprowadzić burzę mózgów.