编译：

正文共：4727 字 6 图

预计阅读时间：14 分钟

导读

智能定价是机器学习的非常重要的应用场景，能够为企业带来直接的利益，了解一下吧。

正确定价的挑战性

为商品或服务定价是经济学理论中的一个老问题。对于不同的目标，有大量的定价策略。一家公司可能会寻求最大化每一个单销售或整体市场份额的利润，而另一家公司需要进入一个新的市场或保护现有的市场。此外，对于不同的商品或客户群体，不同的场景可以在同一公司中共存。

在这篇博客文章中，我们将介绍零售中的价格优化问题，它有自己的特殊性，以及零售商如何利用机器学习(ML)技术的巨大力量来构建有效的自动化定价解决方案。

以下是零售商经常面临的一些关键问题：

由于在线目录、专业的搜索工具以及协作平台的存在，使得顾客比较价格变得非常容易，零售商在定价时必须密切关注几个参数。竞争、市场定位、生产成本和分销成本等因素对零售商做出正确的选择起着关键作用。

在这种情况下，机器学习可以提供很大的帮助，并对kpi产生巨大的影响。它的力量在于，所开发的算法可以从数据中学习模式，而不是被显式的编程。机器学习模型可以不断地集成新的信息，并检测出出现的趋势或新的需求。

对零售商来说，机器学习的使用是一种非常有吸引力的方法。例如，他们可以从预测模型中得到启发，从而确定每个产品或服务的最佳价格，而不是使用激进的全面降价方法(这通常是一个糟糕的策略)。

什么是定价最优化？

简而言之，定价最优化使用数据分析的技术来追求两个主要目标：

了解客户对产品和服务的不同定价策略的反应。

考虑到公司的目标，为公司找到最优惠的价格。

从20世纪70年代早期到现在，定价系统一直在发展，从应用非常简单的策略(如对基本成本的标准加价)，到能够预测产品或服务的需求，并找到实现设定的KPI的最佳价格。

价格优化技术可以帮助零售商评估促销活动的潜在影响或估计每个产品的正确价格，如果他们想在一定的时间内销售它。目前最先进的技术在定价最优化上允许零售商考虑以下因素，如：

来决定：

使用不同种类和来源的数据来发现提高利润的价格

定价优化vs动态定价

将定价优化与动态定价区分开来是很重要的，因为这些术语有时会被用作同义词。主要区别在于，动态定价是一种特殊的定价策略，而定价优化可以使用任何一种定价策略来实现其目标。动态定价虽然有很多优点，也得到了广泛的应用，但在极端情况下也存在一些缺点。

简单地说，使用动态定价策略，零售商可以根据当前市场需求动态地改变其产品的价格。相比之下，定价优化技术考虑更多的因素来为不同的场景(例如初始价格、最佳价格、折扣价格等)提供一个价格或价格范围。

我们都知道，也都接受了，因为酒店房间或机票的价格会根据季节、星期几或预定时间的不同而有所不同，这似乎是合理的。然而，当价格变化太快时，有时是在几个小时内，一些客户可能会觉得价格不公平，或者公司正在实施价格欺诈。因此，动态定价是一种需要谨慎使用的策略。

为什么机器学习可以做零售价格最优化

在零售业中使用的定价策略有一些特点。例如，零售商可以通过接受制造商建议的价格来确定商品的价格(通常称为MSRP)。主流产品尤其如此。另一个简单的策略是[]( --)，它将销售价格定义为产品批发价格或成本的两倍。

虽然这些和其他策略被广泛使用，但**机器学习使零售商能够开发更复杂的策略，更好地实现他们的kpi **。机器学习技术可以在许多方面用于优化定价。让我们来看一个典型的场景。

一个典型的场景

想象一下，一个在线或实体零售商想要估算下一季新产品的最佳价格。竞争很激烈，所以他们的价格和促销都需要考虑进去。因此，零售商采取了一种广泛使用的策略：竞争性定价。简单地说，这个策略根据竞争对手的价格来定义产品或服务的价格。

让我们看看为这个用例开发机器学习解决方案所需的步骤。

使用机器学习，通过定价最优化来定义零售价格的过程

1. 收集输入数据

首先，我们需要数据。要训练机器学习模型，需要有不同种类的信息：

根据设置的kpi和对解决方案建模的方式，有些数据可能不需要。例如，如果只有很少或根本没有关于客户的信息(实体零售商有时就是这样)，该模型仍然可以进行训练。

相反，关于竞争对手的信息对于具有竞争力的定价策略是至关重要的。在许多情况下，甚至可以通过一些APIs得到这些信息或在线关注这些信息。

2. 定义目标和约束条件

下一步是定义目标和约束条件。

零售商可能追求明确的利润最大化目标。然而，他们也可能对客户忠诚度感兴趣(如提高净推广者得分或转化率)或吸引新的细分市场(如年轻人)。

约束条件可能是法律性质的(例如，如果某种类型的销售价格控制)，也可能是有关公司的声誉(如担心只给一部分的用户优惠会损坏公司形象)，或有关供应链方面的能力，如商店的供给平均时间。

每个特定的场景都将影响问题的建模方式。为相同的零售商测试不同的场景是可能的，而且通常是非常有趣的，这意味着使用不同的模型。

3. 建模和训练

在这个步骤中，前面收集的数据用于训练机器学习模型。有各种各样的模型可以用于价格优化。历史上，广义线性模型(GLMs)已经被使用过了，特别是回归。然而，几年来，出现了更复杂和更强大的方法。例如，根据可用的数据量，可以使用Deep 的方法。

在这种情况下，我们要处理下一季的新产品，有一个困难，没有以前的产品数据。有趣的是，机器学习模型知道如何找到相似的产品，并且在没有特定的数据的情况下仍然有效。同样的情况也发生在销售稀有产品的零售商身上。

4. 执行和调整定价

一旦模型训练好了，可以用来估计新产品的价格。根据建模，估计出来的可能是一个确切的价格或范围。该模型获得的价格随后可以由零售商手动调整。

更多使用机器学习进行定价优化的机会

机器学习可以用于零售定价相关的其他任务。例如，给定一个新产品，聚类算法可以快速地将它与类似的产品关联起来，以获得一个可能的价格段。另一个可能性是，联合预测从未售出过的物品的价格和需求。

更一般地说，机器学习可以是洞察力的强大工具：

这些只是ML模型可以帮助回答的问题的一些例子。

利用机器学习进行定价优化的优点

除了自动化和速度之外，使用ML优化价格还有几个优点。首先，机器学习模型可以考虑大量的产品并在全局上优化价格。参数的数量和性质以及它们的多个源和通道允许它们使用良好的准则进行决策。如果零售商试图手动完成，甚至使用专业的软件，都会是一项艰巨的任务。

例如，众所周知，改变一种产品的价格通常会影响其他产品的销售，其影响方式对人来说是很难预测的。在大多数情况下，机器学习方案的准确性将显著高于人的准确性。此外，零售商可以修改KPI并立即查看模型如何为新目标重新计算价格。

其次，通过分析大量的过去和现在的数据，机器学习能够足够早地预测趋势。这是一个关键问题，让零售商做出适当的决定来调整价格。

最后，在竞争定价策略的情况下，机器学习的解决方案可以不断爬取web和社交媒体上收集有价值的信息，如竞争对手的价格或相同或相似的产品的价格，客户对产品和竞争对手的评价，热门销售产品，以及历史上过去数天或数周的价格。

一个可以了解市场上大部分情况的系统可以让零售商比竞争对手拥有更多的信息，以便做出更好的决策。

在线零售商vs实体零售商

虽然将机器学习应用于在线零售商似乎更自然，但实体零售商也可以完美地利用这项技术。对于这种类型的零售商，有物理订单的限制，可以集成到模型中。

例如，可以联合优化销售价格、产品的展示方式、它们在货架上的位置以及它们在商店中的位置。

产品的尺寸或商店入口到货架的距离等变量在问题的建模过程中扮演着重要的角色。这不是一个货架上的空间优化问题，这个也可以通过机器学习来解决。

使用机器学习来做定价最优化的公司

定价最价格已在酒店、航空、汽车租赁和在线零售等行业得到应用，并取得了显著的成功。在某些情况下，它更多的是关于动态定价而不是定价最优化，我们在上面看到，这些术语有时会被混淆。

第一个成功的故事发生在2000年代初，希尔顿酒店集团和洲际酒店集团决定消除固定利率的流动计划，包括动态定价策略。在那些年里，房间的价格每天修改一两次。当前的计算能力允许价格实时变化。

酒店业继续采用动态定价策略，完全基于机器学习。目前，提出一个动态定价工具来向房主提供一个建议的价格，考虑的参数包括比如季节性，星期几或特殊事件，以及一些更复杂的因素，如房子的照片，周围的房租等。eBay和优步(Uber)等其他公司也采取了类似的做法。

在零售业，最受欢迎的例子是电子商务，但实体零售商并没有落后。虽然很难准确地了解所有使用机器学习来优化其定价和操作流程的零售公司，但是仍然有一些已知的成功案例。

Ralph 和 Kors用机器学习来得到更少的降价并更好的管理自己的库存，为了寻求提高利润率，可以冒一些减少收入的风险。另一个著名的例子是Zara，它使用机器学习来[最小化促销力度并快速适应变化的趋势](:--ai，-big-data- )。还有许多其他的成功的故事，如莫里森 —— 英国最大的连锁超市， —— 国际时尚公司，总部在德国，还有 —— 美国B2B和B2C电子产品零售商等等。虽然没有关于这些问题的准确建模的信息，但是我们知道这些公司正在利用机器学习的力量来增加他们的收入和改善运营。

最后的一点想法

定价是盈利能力的重要预测指标，如果没有技术支持，盈利往往很难或根本无法管理。零售商每天都面临微薄的利润和竞争压力，有时必须迅速做出决定。

定价最优化帮助零售商了解客户对不同的价格策略对产品和服务的反应，并设定最佳价格。机器学习模型可以考虑关键的价格变量(例如购买历史、季节、库存、竞争对手的价格)，从而找到最佳价格，甚至对于大量的产品或服务目录，可以实现设定的kpi。

这些模型不需要编程。他们从数据中学习模式，并且能够适应新的数据。他们允许零售商快速测试不同的假设并做出最佳决定。

也许最重要的是要记住，机器学习在零售领域的使用在不断扩大，所有迹象都表明，这一趋势将在未来几年继续下去。

—END—

英文原文：