机器学习

机器学习是人工智能的一个分支,软件通过从数据中学习规律来做出预测或决策,而不是依赖人工编写的规则。在电商和定价中,它被用于预测需求、估算买家对价格的反应,以及识别两个商品列表是否为同一商品。

从示例中学习,而不是从规则中学习

传统的定价规则可能是:如果竞争对手的价格低于我们,就跟进,但绝不低于成本加 15%。每一个条件都由人来编写。而机器学习模型则是被给予大量过去的示例,例如价格、日期、库存水平以及随后的销量,然后不断调整其内部参数,直到预测与这些示例高度吻合。

最终得到的模型能够针对它从未完全见过的新情况做出预测。其质量取决于新情况与它所学习的数据是否相似。

训练之后通常要在模型没见过的数据上测试。一种常见做法是保留最近几个月的数据,用之前的全部数据训练,再检查模型对保留期的预测效果。如果在未见过的数据上准确率大幅下降,说明模型对过去学得过于贴合,无法泛化。

主要的学习类型

  • 监督学习从带标签的示例中学习,例如过去的价格与对应的销量,并为新情况预测标签。
  • 无监督学习在无标签的数据中发现结构,例如把行为相似的顾客或商品分组。
  • 强化学习会尝试不同行动、观察回报,并逐渐偏向能带来收益的行动,这种方法被研究用于连续的定价决策。

零售中大多数实际应用属于监督学习。模型类型从简单的线性回归到决策树集成和神经网络不等。一个团队能理解的简单模型,往往比一个没人能解释的复杂模型更有用。

在定价和电商中的常见用途

  • 需求预测,用于规划库存和促销
  • 为销售历史充足的商品估算价格弹性
  • 商品匹配,判断两个标题不同的商品列表是否为同一商品
  • 店铺页面上的推荐和搜索排序
  • 结账时的欺诈筛查
  • 季节性库存的降价规划

商品匹配展示了这项技术如何与竞争对手数据结合。系统比较标题、品牌、型号、图片和属性,由模型给出两个商品列表为同一商品的可能性评分。错误的匹配会导致错误的价格比较,因此置信度低的匹配通常由人工审核。

预测往往是最容易入手的地方。一个预测每件商品下个月销量的模型本身不会改变任何价格,但它能帮助采购人员订货、规划促销,并发现销量偏离预期的商品。由于预测每周都可以对照实际情况检验,信任得以逐步建立。

示例:预测价格反应

举例来说,设想一家宠物用品店拥有某袋狗粮两年的每日数据:自身价格、所跟踪的竞争对手最低价、星期几、季节和销量。用这些数据训练的模型可能估算出:价格为 52 美元、竞争对手为 50 美元时,该店每天约卖出 30 袋;价格为 49 美元时约卖出 38 袋。结合单位成本,这些估算能让团队比较每个价格下的预期利润。

这些估算只在模型见过的范围内成立。如果这家店从未把价格定在 55 美元以上,那么对 65 美元的预测只是披着数字外衣的猜测。好的做法是谨慎测试新的价格水平,并把结果反馈到数据中。

数据是第一位的

模型的好坏取决于输入。缺失的日期、币种记录错误的价格、看起来像需求低迷的断货期,以及未加标记的促销,都会让模型学到错误的结论。清洗和标注数据通常比训练模型本身更费功夫。

竞争对手价格是常见的输入,同样需要细心对待。一份长期、一致的竞争对手价格和库存记录,例如由 价格历史保存的记录,能为任何分析(无论是电子表格还是模型)提供更可靠的基础。

风险与局限

  • 过拟合:模型记住了过去的噪声,对新数据预测效果很差
  • 反馈循环:多个自动化系统相互反应,导致价格漂移
  • 不透明的决策:员工无法向顾客或监管机构解释
  • 偏见:数据或特征导致对某些顾客群体不公平的结果
  • 概念漂移:市场行为已经改变,旧模型却仍按过时的规律行事

关于自动化决策、个人数据和定价的规定因国家而异。利用个人数据为每个人单独定价,可能引发法律和伦理问题,在这样做之前值得寻求专业的法律意见。

负责任地使用机器学习

让人来掌控边界。价格下限、价格上限和每日最大调幅应由企业设定,并且无论模型给出什么建议都要强制执行。先从辅助决策的预测入手,而不是直接改价的模型;对照实际发生的情况监控准确率;当误差变大时,重新训练或停用模型。

将每个模型与一个简单的基准比较也很有帮助,例如去年同一周的销量或移动平均值。如果一个复杂的模型无法明显胜过这个基准,额外的复杂性就不值得。记录每个模型做什么、使用哪些数据以及由谁负责,这样在人员变动时,决策依然可以追溯。

要点总结

  • 机器学习从数据中学习规律,而不是遵循人工编写的规则。
  • 在电商中,它支持需求预测、价格反应估算和商品匹配。
  • 预测只在模型见过的情况范围内才可靠。
  • 干净、一致的数据(包括竞争对手价格)比模型的复杂程度更重要。
  • 任何自动化决策都应受到企业设定的下限、上限和人工审核的约束。

常见问题

机器学习和人工智能是一回事吗?

机器学习是人工智能的一部分。人工智能是让软件完成看似智能的任务的广泛领域,而机器学习是从数据中习得这些能力的方法。

定好价格一定需要机器学习吗?

不需要。基于成本、目标利润率和竞争对手价格的清晰规则,对许多网店都很有效。当商品众多、历史数据丰富且规律复杂到简单规则无法应对时,机器学习的帮助最大。

定价模型需要多少数据?

没有固定的数字。模型需要足够的、包含真实价格变动的历史数据,才能看出需求如何反应。价格从未变过的商品,无法让模型学到任何关于价格反应的东西。

相关术语

在 BlackAha 中, Smart Price 可帮助您根据竞争对手和市场价格,为每件商品获取建议售价。

返回定价词典