Machine learning

Il machine learning è una branca dell’intelligenza artificiale in cui il software impara schemi dai dati per fare previsioni o prendere decisioni, invece di seguire regole scritte a mano. Nell’e-commerce e nei prezzi si usa per prevedere la domanda, stimare come gli acquirenti rispondono al prezzo e riconoscere quando due inserzioni sono lo stesso prodotto.

Imparare dagli esempi invece che dalle regole

Una regola di prezzo tradizionale potrebbe dire: se un concorrente scende sotto di noi, allineati, ma non andare mai sotto il costo più il 15 percento. Ogni condizione è scritta da una persona. A un modello di machine learning invece vengono forniti molti esempi passati, come prezzi, date, livelli di scorte e le vendite che ne sono seguite, e il modello regola i propri parametri interni finché le sue previsioni non si adattano bene a quegli esempi.

Il risultato è un modello in grado di fare una previsione per una situazione nuova che non ha mai visto esattamente prima. La sua qualità dipende da quanto la nuova situazione somiglia ai dati da cui ha imparato.

All’addestramento di solito segue un test su dati che il modello non ha visto. Un approccio comune è tenere da parte i mesi più recenti, addestrare su tutto ciò che li precede e verificare quanto bene il modello prevede il periodo escluso. Se l’accuratezza crolla sui dati non visti, il modello ha imparato il passato troppo da vicino e non saprà generalizzare.

Tipi di apprendimento

  • L’apprendimento supervisionato impara da esempi etichettati, come prezzi passati abbinati alle unità vendute, e prevede l’etichetta per i nuovi casi.
  • L’apprendimento non supervisionato trova una struttura in dati non etichettati, ad esempio raggruppando clienti o prodotti con comportamenti simili.
  • L’apprendimento per rinforzo prova azioni, osserva la ricompensa e privilegia gradualmente le azioni che rendono, un approccio studiato per le decisioni di prezzo sequenziali.

La maggior parte degli usi pratici nel retail è supervisionata. Le famiglie di modelli vanno dalla semplice regressione lineare agli ensemble di alberi decisionali e alle reti neurali. Un modello più semplice che il team capisce è spesso più utile di uno complesso che nessuno sa spiegare.

Usi comuni nei prezzi e nell’e-commerce

  • Previsione della domanda, per pianificare scorte e promozioni
  • Stima dell’elasticità al prezzo per i prodotti con abbastanza storico di vendita
  • Abbinamento dei prodotti, per decidere se due inserzioni con titoli diversi sono lo stesso articolo
  • Raccomandazioni e ordinamento dei risultati di ricerca nelle pagine del negozio
  • Controllo antifrode al checkout
  • Pianificazione dei ribassi per la merce stagionale

L’abbinamento dei prodotti mostra come la tecnica si integra con i dati sui concorrenti. Titoli, marchi, codici modello, immagini e attributi vengono confrontati, e un modello calcola quanto è probabile che due inserzioni siano lo stesso prodotto. Un abbinamento sbagliato porta a un confronto di prezzo sbagliato, quindi gli abbinamenti con bassa affidabilità vengono di solito verificati da una persona.

La previsione è spesso il punto di partenza più semplice. Un modello che prevede le unità del mese successivo per ogni prodotto non cambia da solo alcun prezzo, ma aiuta i buyer a ordinare la merce, pianificare le promozioni e individuare i prodotti le cui vendite si stanno allontanando dalle attese. Poiché la previsione può essere confrontata con la realtà ogni settimana, la fiducia si costruisce passo dopo passo.

Un esempio: prevedere la risposta al prezzo

Immagina, ad esempio, un negozio di articoli per animali con due anni di dati giornalieri su un sacco di crocchette per cani: il proprio prezzo, il prezzo più basso tra i concorrenti monitorati, giorno della settimana, stagione e unità vendute. Un modello addestrato su questi dati potrebbe stimare che a 52 dollari, con i concorrenti a 50, il negozio vende circa 30 sacchi al giorno, e a 49 dollari circa 38 sacchi. Combinate con il costo unitario, queste stime permettono al team di confrontare il profitto atteso a ogni prezzo.

Le stime valgono solo all’interno dell’intervallo che il modello ha visto. Se il negozio non ha mai fatto pagare più di 55 dollari, una previsione a 65 dollari è un’ipotesi travestita da numero. La buona pratica è testare con cautela i nuovi livelli di prezzo e reinserire i risultati nei dati.

Prima vengono i dati

Un modello vale quanto i suoi dati in ingresso. Giorni mancanti, prezzi registrati nella valuta sbagliata, esaurimenti di scorte che sembrano domanda bassa e promozioni non segnalate insegnano tutti al modello la lezione sbagliata. Pulire ed etichettare i dati di solito richiede più lavoro che addestrare il modello stesso.

I prezzi dei concorrenti sono un dato in ingresso comune, e richiedono la stessa cura. Uno storico lungo e coerente dei prezzi e della disponibilità dei concorrenti, come quello offerto dallo storico prezzi, offre a qualsiasi analisi, che sia un foglio di calcolo o un modello, una base più affidabile.

Rischi e limiti

  • Overfitting, quando un modello memorizza il rumore passato e prevede male sui nuovi dati
  • Circoli di retroazione, quando più sistemi automatici reagiscono l’uno all’altro e i prezzi derivano
  • Decisioni opache che il personale non sa spiegare a clienti o autorità
  • Bias, se i dati o le variabili portano a risultati ingiusti per gruppi di clienti
  • Concept drift, quando il comportamento del mercato cambia e un vecchio modello continua ad agire su schemi superati

Le norme su decisioni automatizzate, dati personali e prezzi variano da Paese a Paese. Usare dati personali per fissare prezzi individuali può sollevare questioni legali ed etiche, e prima di farlo conviene chiedere il parere di un esperto legale.

Usare il machine learning in modo responsabile

Lascia alle persone il controllo dei limiti. Prezzi minimi, prezzi massimi e variazioni giornaliere massime dovrebbero essere fissati dall’azienda e applicati indipendentemente da ciò che suggerisce qualsiasi modello. Inizia con previsioni che supportano una decisione anziché con modelli che cambiano direttamente i prezzi, monitora l’accuratezza rispetto a ciò che accade davvero, e riaddestra o dismetti i modelli quando il loro errore cresce.

È utile anche confrontare ogni modello con un riferimento semplice, come le vendite della stessa settimana dell’anno precedente o una media mobile. Se un modello sofisticato non riesce a battere chiaramente quel riferimento, la complessità in più non si ripaga. Documenta cosa fa ogni modello, quali dati usa e chi ne è responsabile, così le decisioni restano tracciabili quando il personale cambia.

Punti chiave

  • Il machine learning impara schemi dai dati invece di seguire regole scritte a mano.
  • Nell’e-commerce supporta la previsione della domanda, le stime di risposta al prezzo e l’abbinamento dei prodotti.
  • Le previsioni sono affidabili solo all’interno delle situazioni che il modello ha già visto.
  • Dati puliti e coerenti, compresi i prezzi dei concorrenti, contano più della complessità del modello.
  • Prezzi minimi e massimi fissati dall’azienda e la revisione umana dovrebbero delimitare ogni decisione automatizzata.

Domande frequenti

Il machine learning è la stessa cosa dell’intelligenza artificiale?

Il machine learning è una parte dell’intelligenza artificiale. L’IA è l’ampio campo che si occupa di far svolgere al software compiti che sembrano intelligenti, mentre il machine learning è l’approccio che apprende queste capacità dai dati.

Serve il machine learning per fissare bene i prezzi?

No. Regole chiare basate su costi, obiettivi di margine e prezzi dei concorrenti funzionano bene per molti negozi. Il machine learning aiuta soprattutto quando ci sono molti prodotti, molto storico e schemi troppo complessi per regole semplici.

Di quanti dati ha bisogno un modello di prezzo?

Non c’è un numero fisso. Il modello ha bisogno di abbastanza storico con variazioni di prezzo reali per vedere come risponde la domanda. I prodotti il cui prezzo non è mai cambiato non danno al modello nulla da imparare sulla risposta al prezzo.

Termini correlati

In BlackAha, Smart Price ti aiuta a ottenere un prezzo di vendita consigliato per ogni prodotto, in base ai prezzi dei concorrenti e del mercato.

Torna al Dizionario dei prezzi