Prisoptimeringsmetode til at øge online detailhandlers omsætning, markedsandel, og overskud

Hvordan kan onlinevirksomheder udnytte enorme historiske data, beregningskraft, og sofistikerede maskinlæringsteknikker til hurtigt at analysere og forudsige efterspørgsel, og for at optimere priserne og øge omsætningen?

En forskningsartikelartikel i efteråret 2017-udgaven af ​​MIT Sloan Management Review af MIT-professor David Simchi-Levi beskriver ny indsigt i efterspørgselsprognoser og prisoptimering.

Algoritme øger omsætningen med 10 procent på seks måneder

Simchi-Levi udviklede en machine-learning algoritme, som vandt INFORMS Revenue Management and Pricing Section Practice Award, og implementerede det først hos onlineforhandleren Rue La La.

Det første forskningsmål var at reducere beholdningen, men hvad virksomheden endte med var "en banebrydende, efterspørgselsformende applikation, der har en enorm indflydelse på detailhandlerens bundlinje, "Simchi-Levi siger.

Rue La La's store udfordring var prissætning på varer, der aldrig har været solgt før og derfor krævede en prisalgoritme, der kunne sætte højere priser på nogle førstegangsartikler og lavere priser på andre.

Inden for seks måneder efter implementering af algoritmen, det øgede Rue La La's omsætning med 10 procent.

Vejrudsigt, lære, optimere

Simchi-Levis proces involverer tre trin til at generere bedre prisforudsigelser:

Det første trin indebærer at matche produkter med lignende egenskaber til de produkter, der skal optimeres. Et forhold mellem efterspørgsel og pris forudsiges derefter ved hjælp af en maskinlæringsalgoritme.

Det andet trin kræver test af en pris i forhold til det faktiske salg, og justering af produktets priskurve til at matche virkelige resultater.

I det tredje og sidste trin, en ny kurve anvendes til at hjælpe med at optimere priser på tværs af mange produkter og tidsperioder.

Forudsiger forbrugernes efterspørgsel hos Groupon

Groupon har en enorm produktportefølje og lancerer tusindvis af nye tilbud hver dag, tilbyder dem kun i en kort periode. Da Groupon har en så kort salgsperiode, forudsigelse af efterspørgsel var et stort problem og prognoser nær umulige.

Anvendelsen af ​​Simchi-Levis tilgang til denne use case begyndte med at generere flere efterspørgselsfunktioner. Ved derefter at anvende en testpris og observere kundernes beslutninger, der blev indhentet indsigt i, hvor meget der blev solgt - oplysninger, der kunne identificere efterspørgselsfunktionen tættest på salgsniveauet til læringsprisen. Dette var den endelige efterspørgselsfunktion, der blev brugt, og det blev brugt som grundlag for at optimere prisen i optimeringsperioden.

Analyse af resultaterne fra feltforsøget viste, at denne nye tilgang øgede Groupons indtægter med omkring 21 procent, men havde en meget større indvirkning på lavvolumenaftaler. For tilbud med færre bookinger pr. Dag end medianen, den gennemsnitlige stigning i omsætningen var 116 procent, mens omsætningen kun steg 14 procent for handler med flere bookinger om dagen end medianen.

Mulighed for at forstyrre forbrugerbank og forsikring

Evnen til at automatisere prissætningen gør det muligt for virksomheder at optimere priserne på flere produkter, end de fleste organisationer i øjeblikket finder muligt. Denne metode er også blevet brugt til en mursten-og-mørtel applikation ved at anvende metoden på en virksomheds reklame og prissætning, i forskellige detailkanaler, med lignende resultater.

"Jeg er meget glad for, at vores prisalgoritme kan opnå sådanne positive resultater på kort tid, "Simchi-Levi siger." Vi forventer, at denne metode snart ikke kun vil blive brugt i detailhandlen, men også i forbrugerbankindustrien. Ja, mit team på MIT har udviklet relaterede metoder, der for nylig er blevet anvendt i fly- og forsikringsindustrien. "

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT -forskning, innovation og undervisning.