• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  •  science >> Vetenskap >  >> Andra
    Prisoptimeringsmetod för att öka onlineåterförsäljarnas intäkter, marknadsandel, och vinst

    Kredit:iStock

    Hur kan onlineföretag utnyttja enorma historiska data, beräkningskraft, och sofistikerade maskininlärningstekniker för att snabbt analysera och förutse efterfrågan, och för att optimera prissättningen och öka intäkterna?

    En artikel om forskningshöjdpunkter i höstnumret 2017 av MIT Sloan Management Review av MIT-professorn David Simchi-Levi beskriver nya insikter om efterfrågeprognoser och prisoptimering.

    Algoritm ökar intäkterna med 10 procent på sex månader

    Simchi-Levi utvecklade en maskininlärningsalgoritm, som vann INFORMS Revenue Management and Pricing Section Practice Award, och implementerade det först hos onlineåterförsäljaren Rue La La.

    Det ursprungliga forskningsmålet var att minska lagret, men vad företaget slutade med var "en banbrytande, efterfrågeformande applikation som har en enorm inverkan på återförsäljarens resultat, " säger Simchi-Levi.

    Rue La Las stora utmaning var att prissätta varor som aldrig har sålts tidigare och därför krävde en prisalgoritm som kunde sätta högre priser för vissa förstagångsartiklar och lägre priser för andra.

    Inom sex månader efter implementering av algoritmen, det ökade Rue La Las intäkter med 10 procent.

    Prognos, lära sig, optimera

    Simchi-Levis process innefattar tre steg för att generera bättre prisförutsägelser:

    Det första steget innebär att matcha produkter med liknande egenskaper som de produkter som ska optimeras. Ett samband mellan efterfrågan och pris förutsägs sedan med hjälp av en maskininlärningsalgoritm.

    Det andra steget kräver att ett pris testas mot faktisk försäljning, och justering av produktens priskurva för att matcha verkliga resultat.

    I det tredje och sista steget, en ny kurva tillämpas för att hjälpa till att optimera prissättningen över många produkter och tidsperioder.

    Förutsäga konsumenternas efterfrågan på Groupon

    Groupon har en enorm produktportfölj och lanserar tusentals nya erbjudanden varje dag, erbjuda dem under endast en kort tidsperiod. Eftersom Groupon har en så kort försäljningsperiod, att förutsäga efterfrågan var ett stort problem och att förutsäga nästan omöjligt.

    Att tillämpa Simchi-Levis synsätt på detta användningsfall började med att generera flera efterfrågefunktioner. Genom att sedan tillämpa ett testpris och observera kundernas beslut, insikter inhämtades om hur mycket som såldes – information som kunde identifiera efterfrågefunktionen närmast försäljningsnivån till inlärningspriset. Detta var den sista efterfråge-pris-funktionen som användes, och den användes som grund för att optimera priset under optimeringsperioden.

    Analys av resultaten från fältexperimentet visade att detta nya tillvägagångssätt ökade Groupons intäkter med cirka 21 procent men hade en mycket större inverkan på lågvolymaffärer. För erbjudanden med färre bokningar per dag än medianen, den genomsnittliga intäktsökningen var 116 procent, medan intäkterna endast ökade med 14 procent för affärer med fler bokningar per dag än medianen.

    Möjlighet att störa konsumentbanker och försäkringar

    Möjligheten att automatisera prissättningen gör det möjligt för företag att optimera prissättningen för fler produkter än vad de flesta organisationer för närvarande finner möjligt. Denna metod har också använts för en tegel-och-mortel-applikation genom att tillämpa metoden på ett företags marknadsföring och prissättning, i olika detaljhandelskanaler, med liknande resultat.

    "Jag är mycket glad att vår prissättningsalgoritm kan uppnå så positiva resultat på kort tid, ", säger Simchi-Levi. "Vi förväntar oss att den här metoden snart kommer att användas inte bara i detaljhandeln utan även i konsumentbankbranschen. Verkligen, mitt team på MIT har utvecklat relaterade metoder som nyligen har tillämpats inom flygbolagen och försäkringsbranschen."

    Den här historien återpubliceras med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT-forskning, innovation och undervisning.




    © Vetenskap https://sv.scienceaq.com