零售商福音：用机器学习给产品定价实现收益最大化

来源：tryolabs

编译：Bing

为某项商品或服务设定一个正确的价格是经济学里老生常谈的问题了，有大量基于客观考量的定价方案。某家企业可能会寻找让每件商品达到利润最大化的方案，或者能占有更多市场份额的方案。而另一家企业可能需要打入新市场，或保护现有市场。除此之外，同一公司可能面临不同的商业场景，需要对不同商品、不同消费者进行分割。

在这篇文章中，tryolabs的研究者们会谈到如何让零售商对价格进行优化的问题，以及零售商如何通过机器学习技术建立有效的解决方案。

目前，零售商面临的几个主要问题有：

• 如果我们想在一周之内大卖，应该定什么价？

• 考虑目前的市场情况，该产品的常规价格是多少？

得益于网络的发展，消费者能从很多平台上对比多个价格，而零售商则必须密切关注和价格有关的多种参数。例如竞争对手、市场位置、产品成本、分发成本等，都是定价过程中的关键因素。

在这种情况下，机器学习能大显身手，对KPIs起到关键作用。从业者可以通过机器学习创建算法，学习数据形态。机器学习模型能持续将新的信息添加其中，检测随时出现的新动向、新需求。零售商还可以通过预测模型决定最佳的价格。

什么是价格优化（price optimization）？

简单地说，价格优化就是用数据分析技术达到两点主要目的：

1. 理解消费者对不同的价格会作何反应；

2. 为特定的公司，根据它的目标制定最优价格。

自从上世纪70年代初期，价格系统发展至今，从应用简单的策略到如今的价格预测。价格优化技术能帮助零售商衡量促销所带来潜在的影响，或者估计每件商品在特定时间的正确价格。

目前最先进的价格优化技术能让零售商考虑的因素有：

• 竞争对手

• 天气

• 季节

• 运营成本

• 本地需求

• 公司目标

而公司最终可以得到的有：

• 初始定价

• 最佳定价

• 折扣价

• 促销价

价格优化 vs 动态定价

价格优化和动态定价常被看作是近义词，但实际上二者是不同的，主要在于动态定价是定价策略的一种特殊形式，而价格优化可以用任意种类的定价策略达到目的。动态定价虽好，但也有很多不足之处。

简单地讲，零售商可以根据目前的市场需求对商品价格进行动态改变。相反，价格优化技术会考虑多种因素进行定价，价格也有多种不同场景（初始价格、最优价格、折扣价等等）。

如果宾馆或机票价格随季节、日期变动的话，我们都能够接收。但是如果价格变化得太快，几小时变一次，有些消费者可能会感到不公平。所以动态定价需要小心使用。

机器学习能为零售价格优化做些什么

零售使用的定价策略比较特殊。例如，零售商可以根据生产商的指导价进行定价，这是主流商品的定价策略。另一种简单的方法就是将零售价定位批发价或成本价的两倍。

而机器学习可以用更复杂的策略，让零售商达到理想KPIs。以下是几种典型的使用场景。

一种典型场景

假设有一名在线零售商想为下一季的新产品进行定价，竞争环境很激烈，所以价格和促销方案都要经过慎重考虑。于是，零售商采用了广泛应用的策略：竞争定价（competitive pricing），就是根据竞品价格进行定价。

下图是在这种使用场景下所需的机器学习解决步骤：

1.收集输入数据

首先，我们需要数据。为了训练机器学习模型，必须具备不同类型的信息：

• 交易信息：历史销售记录，包括产品销售列表和客户；

• 产品描述：每种产品的相关信息，例如类别、尺寸、品牌、款式、颜色、照片、制作或购买成本；

• 之前促销和营销活动的数据；

• 竞品数据：相同或类似产品的价格；

• 库存和供应数据；

• 如果有实体店：地理位置和竞争对手的信息。

根据不同的KPI设置和模型解决方案的类别，有些数据也许不必要。例如，有些情况下可能没有消费者信息，但模型仍然能被训练。

相反，在竞争定价策略中，有关竞品的信息是非常重要的。

2.明确目标和限制

下一步是确定战略目标和所受的限制。零售商可能会追求利益最大化的目标。但是他们也会考虑顾客的忠诚度，或者想吸引更多用户。但是为了利益最大化而定低价，可能会对公司的形象产生影响。

每种特定的场景都会影响模型解决问题的方式，测试不同场景下的结果是非常有趣的。

3.建模和训练

到了这一步，之前处理的数据将会用来训练机器学习模型。这里有很多种类的模型可以用来对价格进行优化，之前生成线性模型（尤其是逻辑回归）的应用很广泛。但是最近几年，更复杂、更强大的方法陆续出现。例如，根据可用数据的规模，深度学习也加入了这一领域中。

在这种情况下，我们要对下一季的产品进行定价，还有另一个困难，因为我们没有此前商品的数据。不过，机器学习模型可以找到相似产品，即使没有历史数据，也能高效运行。

4.执行并调整价格

模型被训练好后，就可以为新产品丁佳乐。根据模型的类别，生成结果可能是具体数字，也可能是一个范围。零售商可以继续对价格进行调整。

更多使用场景

机器学习可以在零售领域用到更多其他与价格有关的任务上。例如，给定一个新产品，聚类算法可以快速地将它与相似产品联系起来，获得一个可能的价格区间。另外，机器学习还能用来预测此前从未面世的产品价格和需求量。

更一般地，机器学习可以用于前景预测：

• 如果衬衫价格大幅下降，裤子的销量会受到怎样的影响？

• 如果对钢笔进行促销活动，相关的墨水、笔记本等产品会不会受影响？

• 买了计算机的客户下个月买显示器的概率有多大？

• 去年的不活跃用户对促销活动有反应吗？

用机器学习进行价格优化的好处

除了自动化和速度的加快，用机器学习进行价格优化还有以下几种好处：

首先，机器学习模型可以对大量产品进行定价，对整体价格进行优化。例如，我们都知道改变某一商品的价格会对相关商品的销量造成影响，而人们很难预测。在大多数情况下，机器学习的解决方案的精确度比人类高得多。

第二，通过分析大量现有的和过去的数据，机器学习可以提前预测商品价格趋势，这就能让零售商做出合理的价格调整。

最后，在竞争定价方面，机器学习解决方案可以持续爬去网络和社交网络上的有用信息，关于同样或类似商品的价格信息，有助于零售商定价。

在线零售商 vs 实体零售商

机器学习似乎都是为网络电商创造的，但是实体卖家也能从这项技术中获益。例如，机器学习可以从商品展示的方式、占有货架的面积和位置对价格进行优化。商品在商店中的位置、距离门的远近也是影响价格的重要因素，机器学习可以将这样的元素考虑进去。

结语

没有技术支持，想通过定价取得优势从而获利是很困难的，基于机器学习的价格优化模型能帮助零售商了解消费者对不同定价策略的反应，从而找到最佳的价格。现在用机器学习的零售商越来越多，未来也会继续增长。

原文地址：tryolabs.com/blog/price-optimization-machine-learning/