Uczenie maszynowe to dziedzina sztucznej inteligencji, w której oprogramowanie uczy się wzorców z danych, by tworzyć prognozy lub podejmować decyzje, zamiast korzystać z ręcznie pisanych reguł. W e-commerce i cenach służy do prognozowania popytu, szacowania reakcji kupujących na cenę i rozpoznawania, kiedy dwie oferty dotyczą tego samego produktu.
Nauka na przykładach zamiast reguł
Tradycyjna reguła cenowa może brzmieć: jeśli konkurent zejdzie poniżej nas, dopasuj się, ale nigdy nie schodź poniżej kosztu plus 15 procent. Każdy warunek pisze człowiek. Model uczenia maszynowego dostaje natomiast wiele przykładów z przeszłości, np. ceny, daty, stany magazynowe i sprzedaż, która po nich nastąpiła, i dostraja swoje wewnętrzne parametry, aż jego prognozy dobrze pasują do tych przykładów.
W efekcie powstaje model, który potrafi przewidzieć wynik w nowej sytuacji, której dokładnie wcześniej nie widział. Jego jakość zależy od tego, czy nowa sytuacja przypomina dane, na których się uczył.
Po trenowaniu zwykle następuje testowanie na danych, których model nie widział. Częste podejście polega na odłożeniu ostatnich miesięcy, trenowaniu na wszystkim wcześniejszym i sprawdzeniu, jak dobrze model przewiduje odłożony okres. Jeśli dokładność gwałtownie spada na niewidzianych danych, model nauczył się przeszłości zbyt dokładnie i nie będzie uogólniał.
Główne rodzaje uczenia
- Uczenie nadzorowane uczy się na oznaczonych przykładach, np. przeszłych cenach w parze ze sprzedanymi sztukami, i przewiduje etykietę dla nowych przypadków.
- Uczenie nienadzorowane odnajduje strukturę w nieoznaczonych danych, np. grupując klientów lub produkty o podobnych zachowaniach.
- Uczenie przez wzmacnianie próbuje działań, obserwuje nagrodę i stopniowo preferuje działania, które się opłacają – to podejście badane przy sekwencyjnych decyzjach cenowych.
Większość praktycznych zastosowań w handlu detalicznym to uczenie nadzorowane. Rodziny modeli sięgają od prostej regresji liniowej po zespoły drzew decyzyjnych i sieci neuronowe. Prostszy model, który zespół rozumie, często jest bardziej przydatny niż złożony, którego nikt nie potrafi wyjaśnić.
Typowe zastosowania w cenach i e-commerce
- Prognozowanie popytu do planowania zapasów i promocji
- Szacowanie elastyczności cenowej produktów z wystarczająco długą historią sprzedaży
- Dopasowanie produktów, by rozstrzygnąć, czy dwie oferty o różnych tytułach to ten sam produkt
- Rekomendacje i ranking wyszukiwania na stronach sklepu
- Wykrywanie oszustw przy kasie
- Planowanie przecen towaru sezonowego
Dopasowanie produktów pokazuje, jak ta technika łączy się z danymi o konkurencji. Porównuje się tytuły, marki, numery modeli, zdjęcia i atrybuty, a model ocenia, jak prawdopodobne jest, że dwie oferty dotyczą tego samego produktu. Błędne dopasowanie prowadzi do błędnego porównania cen, dlatego dopasowania o niskiej pewności zwykle sprawdza człowiek.
Prognozowanie to często najłatwiejszy punkt startu. Model przewidujący sprzedaż sztuk każdego produktu w przyszłym miesiącu sam nie zmienia żadnej ceny, ale pomaga kupcom zamawiać towar, planować promocje i wychwytywać produkty, których sprzedaż odbiega od oczekiwań. Ponieważ prognozę można co tydzień porównać z rzeczywistością, zaufanie buduje się krok po kroku.
Przykład: przewidywanie reakcji na cenę
Wyobraź sobie na przykład sklep zoologiczny z dwuletnimi danymi dziennymi dla worka karmy dla psa: własną ceną, najniższą śledzoną ceną konkurenta, dniem tygodnia, sezonem i liczbą sprzedanych sztuk. Model wytrenowany na tych danych może oszacować, że przy cenie 52 dolarów, gdy konkurenci są na poziomie 50, sklep sprzedaje około 30 worków dziennie, a przy 49 dolarach około 38 worków. W połączeniu z kosztem jednostkowym te szacunki pozwalają zespołowi porównać oczekiwany zysk przy każdej cenie.
Szacunki obowiązują tylko w zakresie, który model widział. Jeśli sklep nigdy nie żądał więcej niż 55 dolarów, prognoza dla 65 dolarów to zgadywanie przebrane za liczbę. Dobra praktyka to ostrożne testowanie nowych poziomów cen i wprowadzanie wyników z powrotem do danych.
Najpierw dane
Model jest tak dobry jak jego dane wejściowe. Brakujące dni, ceny zapisane w złej walucie, braki towaru wyglądające jak niski popyt i nieoznaczone promocje – wszystko to uczy model złej lekcji. Czyszczenie i oznaczanie danych zwykle wymaga więcej pracy niż samo trenowanie modelu.
Ceny konkurencji to częste dane wejściowe i wymagają takiej samej staranności. Długi, spójny zapis cen i dostępności u konkurencji, np. taki, jaki prowadzi historia cen, daje każdej analizie – czy to w arkuszu, czy w modelu – bardziej wiarygodną podstawę.
Ryzyka i ograniczenia
- Nadmierne dopasowanie (overfitting), gdy model zapamiętuje szum z przeszłości i słabo przewiduje na nowych danych
- Pętle sprzężenia zwrotnego, gdy kilka zautomatyzowanych systemów reaguje na siebie nawzajem, a ceny dryfują
- Nieprzejrzyste decyzje, których personel nie potrafi wyjaśnić klientom ani regulatorom
- Stronniczość, jeśli dane lub cechy prowadzą do niesprawiedliwych wyników dla grup klientów
- Dryf koncepcji, gdy zachowanie rynku się zmienia, a stary model nadal działa według nieaktualnych wzorców
Przepisy dotyczące zautomatyzowanych decyzji, danych osobowych i cen różnią się w zależności od kraju. Wykorzystywanie danych osobowych do ustalania indywidualnych cen może rodzić pytania prawne i etyczne, dlatego przed takim krokiem warto zasięgnąć porady eksperta prawnego.
Odpowiedzialne korzystanie z uczenia maszynowego
Niech granice pozostaną w rękach ludzi. Ceny minimalne, maksymalne i maksymalne dzienne zmiany powinna ustalać firma i powinny być egzekwowane niezależnie od tego, co sugeruje dowolny model. Zacznij od prognoz wspierających decyzję, a nie od modeli bezpośrednio zmieniających ceny, monitoruj dokładność względem tego, co faktycznie się dzieje, i trenuj modele ponownie lub je wycofuj, gdy ich błąd rośnie.
Pomaga też porównywanie każdego modelu z prostym punktem odniesienia, np. sprzedażą z tego samego tygodnia w zeszłym roku lub średnią ruchomą. Jeśli zaawansowany model nie potrafi wyraźnie pobić tego punktu odniesienia, dodatkowa złożoność się nie opłaca. Dokumentuj, co robi każdy model, z jakich danych korzysta i kto za niego odpowiada, by decyzje pozostały możliwe do prześledzenia po zmianach w zespole.
Kluczowe wnioski
- Uczenie maszynowe uczy się wzorców z danych zamiast działać według ręcznie pisanych reguł.
- W e-commerce wspiera prognozowanie popytu, szacowanie reakcji na cenę i dopasowanie produktów.
- Prognozy są wiarygodne tylko w zakresie sytuacji, które model widział.
- Czyste, spójne dane, w tym ceny konkurencji, są ważniejsze niż złożoność modelu.
- Każdą zautomatyzowaną decyzję powinny ograniczać ustalone przez firmę ceny minimalne i maksymalne oraz kontrola człowieka.
Najczęściej zadawane pytania
Czy uczenie maszynowe to to samo co sztuczna inteligencja?
Uczenie maszynowe to jedna z części sztucznej inteligencji. AI to szeroka dziedzina, która sprawia, że oprogramowanie wykonuje zadania wyglądające na inteligentne, a uczenie maszynowe to podejście polegające na uczeniu się tych umiejętności z danych.
Czy do dobrego ustalania cen potrzebuję uczenia maszynowego?
Nie. Dla wielu sklepów dobrze sprawdzają się jasne reguły oparte na koszcie, docelowej marży i cenach konkurencji. Uczenie maszynowe pomaga najbardziej, gdy produktów jest wiele, historii dużo, a wzorce są zbyt złożone dla prostych reguł.
Ile danych potrzebuje model cenowy?
Nie ma stałej liczby. Model potrzebuje wystarczająco długiej historii z rzeczywistymi zmianami cen, by zobaczyć, jak reaguje popyt. Produkty, których cena nigdy się nie zmieniła, nie dają modelowi niczego, z czego mógłby się nauczyć reakcji na cenę.
Powiązane pojęcia
W BlackAha, Smart Price pomaga uzyskać rekomendowaną cenę sprzedaży dla każdego produktu na podstawie cen konkurencji i rynku.