如何讓零售商對價格進行優(yōu)化的問題，機器學習能為零售價格優(yōu)化做些什么?

為某項商品或服務設定一個正確的價格是經(jīng)濟學里老生常談的問題了，有大量基于客觀考量的定價方案。某家企業(yè)可能會尋找讓每件商品達到利潤最大化的方案，或者能占有更多市場份額的方案。而另一家企業(yè)可能需要打入新市場，或保護現(xiàn)有市場。除此之外，同一公司可能面臨不同的商業(yè)場景，需要對不同商品、不同消費者進行分割。

在這篇文章中，tryolabs的研究者們會談到如何讓零售商對價格進行優(yōu)化的問題，以及零售商如何通過機器學習技術建立有效的解決方案。

目前，零售商面臨的幾個主要問題有：

如果我們想在一周之內(nèi)大賣，應該定什么價？

考慮目前的市場情況，該產(chǎn)品的常規(guī)價格是多少？

得益于網(wǎng)絡的發(fā)展，消費者能從很多平臺上對比多個價格，而零售商則必須密切關注和價格有關的多種參數(shù)。例如競爭對手、市場位置、產(chǎn)品成本、分發(fā)成本等，都是定價過程中的關鍵因素。

在這種情況下，機器學習能大顯身手，對KPIs起到關鍵作用。從業(yè)者可以通過機器學習創(chuàng)建算法，學習數(shù)據(jù)形態(tài)。機器學習模型能持續(xù)將新的信息添加其中，檢測隨時出現(xiàn)的新動向、新需求。零售商還可以通過預測模型決定最佳的價格。

什么是價格優(yōu)化（price optimization）？

簡單地說，價格優(yōu)化就是用數(shù)據(jù)分析技術達到兩點主要目的：

理解消費者對不同的價格會作何反應；

為特定的公司，根據(jù)它的目標制定最優(yōu)價格。

自從上世紀70年代初期，價格系統(tǒng)發(fā)展至今，從應用簡單的策略到如今的價格預測。價格優(yōu)化技術能幫助零售商衡量促銷所帶來潛在的影響，或者估計每件商品在特定時間的正確價格。

目前最先進的價格優(yōu)化技術能讓零售商考慮的因素有：

競爭對手

天氣

季節(jié)

運營成本

本地需求

公司目標

而公司最終可以得到的有：

初始定價

最佳定價

折扣價

促銷價

價格優(yōu)化 vs 動態(tài)定價

價格優(yōu)化和動態(tài)定價常被看作是近義詞，但實際上二者是不同的，主要在于動態(tài)定價是定價策略的一種特殊形式，而價格優(yōu)化可以用任意種類的定價策略達到目的。動態(tài)定價雖好，但也有很多不足之處。

簡單地講，零售商可以根據(jù)目前的市場需求對商品價格進行動態(tài)改變。相反，價格優(yōu)化技術會考慮多種因素進行定價，價格也有多種不同場景（初始價格、最優(yōu)價格、折扣價等等）。

如果賓館或機票價格隨季節(jié)、日期變動的話，我們都能夠接收。但是如果價格變化得太快，幾小時變一次，有些消費者可能會感到不公平。所以動態(tài)定價需要小心使用。

機器學習能為零售價格優(yōu)化做些什么

零售使用的定價策略比較特殊。例如，零售商可以根據(jù)生產(chǎn)商的指導價進行定價，這是主流商品的定價策略。另一種簡單的方法就是將零售價定位批發(fā)價或成本價的兩倍。

而機器學習可以用更復雜的策略，讓零售商達到理想KPIs。以下是幾種典型的使用場景。

一種典型場景

假設有一名在線零售商想為下一季的新產(chǎn)品進行定價，競爭環(huán)境很激烈，所以價格和促銷方案都要經(jīng)過慎重考慮。于是，零售商采用了廣泛應用的策略：競爭定價（competitive pricing），就是根據(jù)競品價格進行定價。

下圖是在這種使用場景下所需的機器學習解決步驟：

1.收集輸入數(shù)據(jù)

首先，我們需要數(shù)據(jù)。為了訓練機器學習模型，必須具備不同類型的信息：

交易信息：歷史銷售記錄，包括產(chǎn)品銷售列表和客戶；

產(chǎn)品描述：每種產(chǎn)品的相關信息，例如類別、尺寸、品牌、款式、顏色、照片、制作或購買成本；

之前促銷和營銷活動的數(shù)據(jù)；

競品數(shù)據(jù)：相同或類似產(chǎn)品的價格；

庫存和供應數(shù)據(jù)；

如果有實體店：地理位置和競爭對手的信息。

根據(jù)不同的KPI設置和模型解決方案的類別，有些數(shù)據(jù)也許不必要。例如，有些情況下可能沒有消費者信息，但模型仍然能被訓練。

相反，在競爭定價策略中，有關競品的信息是非常重要的。

2.明確目標和限制

下一步是確定戰(zhàn)略目標和所受的限制。零售商可能會追求利益最大化的目標。但是他們也會考慮顧客的忠誠度，或者想吸引更多用戶。但是為了利益最大化而定低價，可能會對公司的形象產(chǎn)生影響。

每種特定的場景都會影響模型解決問題的方式，測試不同場景下的結(jié)果是非常有趣的。

3.建模和訓練

到了這一步，之前處理的數(shù)據(jù)將會用來訓練機器學習模型。這里有很多種類的模型可以用來對價格進行優(yōu)化，之前生成線性模型（尤其是邏輯回歸）的應用很廣泛。但是最近幾年，更復雜、更強大的方法陸續(xù)出現(xiàn)。例如，根據(jù)可用數(shù)據(jù)的規(guī)模，深度學習也加入了這一領域中。

在這種情況下，我們要對下一季的產(chǎn)品進行定價，還有另一個困難，因為我們沒有此前商品的數(shù)據(jù)。不過，機器學習模型可以找到相似產(chǎn)品，即使沒有歷史數(shù)據(jù)，也能高效運行。

4.執(zhí)行并調(diào)整價格

模型被訓練好后，就可以為新產(chǎn)品丁佳樂。根據(jù)模型的類別，生成結(jié)果可能是具體數(shù)字，也可能是一個范圍。零售商可以繼續(xù)對價格進行調(diào)整。

更多使用場景

機器學習可以在零售領域用到更多其他與價格有關的任務上。例如，給定一個新產(chǎn)品，聚類算法可以快速地將它與相似產(chǎn)品聯(lián)系起來，獲得一個可能的價格區(qū)間。另外，機器學習還能用來預測此前從未面世的產(chǎn)品價格和需求量。

更一般地，機器學習可以用于前景預測：

如果襯衫價格大幅下降，褲子的銷量會受到怎樣的影響？

如果對鋼筆進行促銷活動，相關的墨水、筆記本等產(chǎn)品會不會受影響？

買了計算機的客戶下個月買顯示器的概率有多大？

去年的不活躍用戶對促銷活動有反應嗎？

用機器學習進行價格優(yōu)化的好處

除了自動化和速度的加快，用機器學習進行價格優(yōu)化還有以下幾種好處：

首先，機器學習模型可以對大量產(chǎn)品進行定價，對整體價格進行優(yōu)化。例如，我們都知道改變某一商品的價格會對相關商品的銷量造成影響，而人們很難預測。在大多數(shù)情況下，機器學習的解決方案的精確度比人類高得多。

第二，通過分析大量現(xiàn)有的和過去的數(shù)據(jù)，機器學習可以提前預測商品價格趨勢，這就能讓零售商做出合理的價格調(diào)整。

最后，在競爭定價方面，機器學習解決方案可以持續(xù)爬去網(wǎng)絡和社交網(wǎng)絡上的有用信息，關于同樣或類似商品的價格信息，有助于零售商定價。

在線零售商 vs 實體零售商

機器學習似乎都是為網(wǎng)絡電商創(chuàng)造的，但是實體賣家也能從這項技術中獲益。例如，機器學習可以從商品展示的方式、占有貨架的面積和位置對價格進行優(yōu)化。商品在商店中的位置、距離門的遠近也是影響價格的重要因素，機器學習可以將這樣的元素考慮進去。

結(jié)語

沒有技術支持，想通過定價取得優(yōu)勢從而獲利是很困難的，基于機器學習的價格優(yōu)化模型能幫助零售商了解消費者對不同定價策略的反應，從而找到最佳的價格。現(xiàn)在用機器學習的零售商越來越多，未來也會繼續(xù)增長。