线下零售价格优化

本文打开了零售周期。 在零售业中使用分析的想法可以描述为这样的营销圈子：

乍一看，一张无用的图片的基本思想是表明分析使您可以根据客户需求的后续变化来预测做出某些业务决策的后果。 而且，我们对需求的了解越深入，从不同渠道汇总信息，我们就越能预测结果。 简而言之，是理想世界的图片，每个人都以自己的方式走向这个世界。

今天，我们将讨论线下零售中的定价分析。

引言

Wiki提供了一个简洁的价格定义。 从公司的角度来看，定价是另一个工具，可让您管理商品/服务的需求以及公司的KPI。 为什么不利用数字化和数据科学的进步来帮助公司更有效地制定价格。
商品的典型零售价如下：

• 价格因政府法规而受到限制的产品：烟草和某些药品。 在这种情况下，他们通常不会打扰并设置允许的最高价格
• 指标产品供买方使用。 严格按照“我们的价格=竞争对手的价格-2％” （KVI，首付价格，机车等）之类的规则向竞争对手定价。
• 剩余商品（ 后勤篮 ），每种商品都尽力而为。 今天是关于他们的事情，我们将讨论如何以最佳方式确定这些商品的价格。 在这些收入中，平均约有一半仍

切入点

简要地说， 价格优化的整个过程可以按以下步骤进行描述：

1. 根据历史数据建立消费者需求模型
2. 我们收集业务定价规则（下面将详细介绍），并将其转变为优化的数学限制
3. 我们根据给定的KPI（保证金，收入，单位）开始优化，并获得最优价格

看起来并不难，但是这里开始详细介绍。

为简单起见，请从头开始考虑价格优化过程。 如果满足了前两个要点（即建立了需求模型并制定了定价规则），那么第三个要点纯属技术步骤（当然，如果您知道需要优化哪个KPI）。 已经针对许多不同的任务发明了优化方法。 最后，您可以遍历价格网格并找到最佳价格，尽管这不是真正的绝地武士的方法。

第二点是收集用于自动定价的规则的单独且非常困难的任务。 数学分析家人数不多，但主要问题是要对数十名尼古拉耶夫·谢尔盖耶维奇（Nikolaev Sergeyevichs）所想到的规则进行形式化和达成一致。 幸运的是，您可以从中建立一套或多或少完善的规则模板：

• 保证金不低于/不高于N [％]或N [卢布]
• 价格变化不超过N [％]或N [卢布]
• 价格集群中的价格相同
• 产品线内的价格相同
• 大件商品单价便宜。
• 相对于竞争对手，价格不能低于/高于N [％]
• STM比品牌便宜N [％]
• 价格格式##。00，＃9.95（是的，这种价格仍然非常受欢迎，不仅在俄罗斯）

好吧，这是最有趣的第一点-建立消费者需求模型

模型类型和数据

该模型的建立应考虑到将用于进一步优化。 即 当您有少量“产品/商店”对时，提高树势是不错的选择，但是尝试通过在5小时的夜间窗口中增加10,000,000个“产品/商店”对来进行优化（此外，您是否看到树状结构是如何计算价格的？）。

在这一领域， 线性模型仍然占统治地位。 如实践所示，调整良好的线性模型在准确性上不逊于平均“日期”的提升 撒旦主义者 科学家。” 但是，即使线性回归比其他模型略逊一筹，也并不是那么令人恐惧，因为 最后的任务是确定最佳价格，而不是最准确的预测。

我们的任务是获取模型（或模型），以预测每个商店中每种产品的需求。 为此所需的典型数据是销售历史，剩余历史，价格历史，促销历史。 （可选）您可以添加其他数据，例如竞争对手价格，天气，忠诚度数据或交易数据。 在这种情况下，通常状况良好，只有销售记录。 考虑到撇帐，盗窃和其他问题，剩菜可能会跳跃（通常情况下，剩菜上可能有-0.4罐绿豌豆，所以想想那是什么意思）。 价格和促销的历史是完全不同的故事-在ERP的深处很难找到它们（有时根本就不存在）。 当然，有可能从销售中恢复价格，但这将相应地影响模拟的质量，当然，这并没有改善。

小题外话

通常很难解释分析通常可以帮助定价。 这是两种典型情况：

情况1。蓝色显示的销售时间为[单位]，红色为价格。 在这里，客户向我们显示了此图并说：我们对价格没有传统的依赖，因为价格在增长，需求在增长，价格在下降，需求在下降。 在本文的结尾，将很清楚在这种情况下该怎么做（并且不能-这不是Giffen的产品）。

在这里，除了价格外，还必须考虑其他因素。 这些因素可能包括（但不限于）：

• 自己的价格和竞争对手的价格
• 促销活动
• 假期
• 季节性
• 发展趋势
• 产品生命周期
• 存货

我们正在解决的任务是了解价格变化如何通过其他已知因素影响需求。

情况2。该图显示了一段时间内的商品销售情况。 如果每周一次售出一件商品，就很难找到对价格的依赖。

答案在于表面-必须汇总数据以获得有用的信号。
现在让我们详细研究这两种情况。

分解与聚合

为了使模型能够考虑外部因素并在合理的时间内对其进行优化，让我们使用线性回归 。 没有关于“哪种模型最适合使用”主题的论文，但是在实践中，以下两种非常简单的模型已经很好地证明了自己：

$$

$$\ log（销售）= \ alpha + \ beta \ cdot \ log（Price_t）+ \ gamma \ cdot Promo_t + \ delta \ cdot Holiday_t + \ ldots$$

$$

$$\ log（Sales）= \ alpha + \ beta \ cdot Price_t + \ gamma \ cdot Promo_t + \ delta \ cdot Holiday_t + \ ldots$$

让我们继续使用它们。

在缺乏数据的情况下，使用聚合是合乎逻辑的。 同时，通过汇总我们可以了解以下步骤：

• 垂直信息池（垂直信息池）-经典意义上的汇总，例如，在城市一级而不是特定商店中监视商品的销售。
• 水平信息池-使用具有面板数据的固定 ， 随机和混合效应的计量经济学模型。

在确定了预测模型和汇总方法之后，我们可以进行需求分解 -即 在商品地理层次结构的最适当级别评估回归系数。 同时，我们认为层次结构中较低的所有级别都继承了较高级别获得的依赖关系。 通常，您必须返回选择聚合模型和方法的阶段，并尝试几种分解方法。

需求分解包括以下步骤：

1. 在商品地理层次结构的高层，我们使用时间序列方法评估季节，周期性和趋势成分。
2. 在中间水平，我们减去获得的季节性，建立上面我们讨论过的非常回归模型-评估外部因素的影响。
3. 在较低级别，我们减去季节性和因素的影响。 结果，我们有无法解释的剩菜。 我们称它们为局部趋势，然后再次预测时间序列。

需求分解的结果是其对每对“商品商店”的预测模型。

似乎所有问题都已解决，对于每对“商品商店”他们都建立了自己的线性模型，仍然有施加限制并将所有内容发送给优化器的问题。 实际上，分解需求的主要困难是建立正确的层次结构并确定最佳的回归构建水平。 为此，我们需要构建合适的产品和地理层次结构。 通常，公司层次结构更适合于管理任务（例如，财务层次结构或与供应商绑定的层次结构等）。 它们不太适合建模需求的任务，因此您需要构建类层次结构。

要建立产品层次结构，您需要研究买方如何决定购买商品。 问自己这个问题，我们得出了一个新概念- 客户决策树（CDT） 。 它显示了哪些产品属性对买方很重要，以及应以什么顺序放置它们。

在大多数情况下，CDT是基于产品属性构建的。 CDT级别越低，产品彼此替代的能力就越强。 类别管理者在建立CDT方面可以提供很大帮助，因为 很好地了解他们的类别。 有一些构建CDT的分析方法，例如，分析事务图。 此类方法的描述是另一篇文章。

建立地理层次结构通常是一个更简单的任务。 聚类可以通过季节性结构，类别销售结构和客户移动来提供帮助。

一家食品零售商遇到了一个有趣的例子：需求的结构因商店位于主要道路的哪一侧而有很大不同-到该地区他们购买了更多的伏特加，啤酒和香烟，到了中心-更多的清洁产品，儿童酸奶和动物饲料-这是一种稳定的消费方式。

分别构建了CDT和地理层次结构之后，我们将它们组合成一种商品地理区域。 因此，我们建立了一个新的层次结构，非常适合对需求进行建模。

结果如何

结果，我们建立了一个非常适合需求建模的新层次结构，并且还需要执行一系列操作来构建需求模型本身以进行进一步优化。 这是模型构建过程的简短摘要：

• 评估季节性，趋势，周期性因素
  
  • 我们将数据汇总到商品地理层次结构的层次上，在该层次上我们评估季节性，趋势和周期性成分
  • 下面的所有层次结构级别都继承获得的值。
• 我们将数据汇总到评估外部因素影响的水平
• 减去季节性和趋势
• 我们评估外部因素的影响
  
  • 下面的所有层次结构都继承了对外部因素影响的估算值
• 减去获得的季节性值并在最详细的级别评估外部因素的影响-产品/商店
• 残差通过简单的方法进行平滑和预测。 我们恢复季节性，假期，促销和价格的影响。

结果，对于每个商店中的每种产品，我们都有自己的公式：

$$

$$销售额= f（价格，促销，海洋，假期，库存，Lcycle等$$

商界人士会立即提出疑问，但是如何考虑商品之间的相互影响呢？ 可以在建模阶段以多种方式将其考虑在内，但这是最受欢迎的两种：

• 直接法-我们在需求公式中考虑了对彼此影响最大的商品价格：

  
  

  $$

  $$销售= f（价格，Price_I，Price_K等$$
  
  

• 对销售份额进行建模-我们预测该组的销售以及该组中每种产品的份额：

  
  

  $$

  $$Group \ _sales = f（Avg \ _price，Promo_I，Promo_K，...）$$
  
  

  $$

  $$项目\ _share_I = f（Price_I，Promo_I，Price_K，Promo_K，...）$$
  
  

接下来，我们将每对“商品存储”的公式发送给优化器，并在输出中获得最优价格。

但是那个例子呢？

是的，乍一看，确实没有需求对价格的依赖，而是设定了最高价格并感到高兴。
但是，在建立了新的预测层次结构之后，在较高级别上计算了季节性，我们在商品级别上将其减去。

需求对价格的典型依赖性（价格越高，需求越少）。 即 在这种情况下，考虑到显而易见的是该产品非常有弹性，季节性因素的影响是显而易见的。

结论

优化价格不仅对公司有利（百分之几的利润率尚未困扰任何人），但也很有趣。 进行回归分析，优化和图形分析，所有这些都放在一个大日期包装器中-分析师的灵魂有回旋余地。 但是请不要忘记，需求建模和价格优化只是大型企业定价过程的一小部分，除了其余部分之外，几乎没有用处。

优化流程，优化价格，优化数据存储（毕竟是垃圾回收-垃圾回收）并获得出色的结果。