Машинное обучение — раздел искусственного интеллекта, в котором программа извлекает из данных закономерности для прогнозов или решений вместо правил, написанных вручную. В электронной коммерции и ценообразовании его используют для прогнозирования спроса, оценки реакции покупателей на цену и распознавания того, что два предложения относятся к одному и тому же товару.
Обучение на примерах вместо правил
Традиционное ценовое правило может звучать так: если конкурент опускается ниже нас, выравниваем цену, но никогда не опускаемся ниже себестоимости плюс 15 процентов. Каждое условие пишет человек. Модели машинного обучения вместо этого дают множество прошлых примеров — цены, даты, остатки и последовавшие продажи, — и она настраивает свои внутренние параметры, пока её прогнозы не будут хорошо соответствовать этим примерам.
В результате получается модель, способная делать прогноз для новой ситуации, которую она раньше в точности не видела. Её качество зависит от того, похожа ли новая ситуация на данные, на которых она обучалась.
За обучением обычно следует проверка на данных, которых модель не видела. Распространённый подход — отложить последние месяцы, обучить модель на всём, что было до них, и проверить, насколько хорошо она предсказывает отложенный период. Если точность на незнакомых данных резко падает, модель слишком точно заучила прошлое и не будет обобщать.
Основные виды обучения
- Обучение с учителем учится на размеченных примерах, например прошлых ценах в паре с проданными единицами, и предсказывает метку для новых случаев.
- Обучение без учителя находит структуру в неразмеченных данных, например группирует клиентов или товары со схожим поведением.
- Обучение с подкреплением пробует действия, наблюдает вознаграждение и постепенно отдаёт предпочтение тем, что окупаются; этот подход изучают для последовательных ценовых решений.
Большинство практических применений в рознице — обучение с учителем. Семейства моделей варьируются от простой линейной регрессии до ансамблей деревьев решений и нейросетей. Более простая модель, понятная команде, часто полезнее сложной, которую никто не может объяснить.
Типичные применения в ценообразовании и электронной коммерции
- Прогнозирование спроса для планирования запасов и акций
- Оценка ценовой эластичности для товаров с достаточной историей продаж
- Сопоставление товаров — решение, относятся ли два предложения с разными названиями к одному товару
- Рекомендации и ранжирование результатов поиска на страницах магазина
- Проверка на мошенничество при оформлении заказа
- Планирование уценок для сезонных товаров
Сопоставление товаров показывает, как эта техника сочетается с данными о конкурентах. Сравниваются названия, бренды, номера моделей, изображения и атрибуты, а модель оценивает, насколько вероятно, что два предложения относятся к одному товару. Неверное сопоставление ведёт к неверному сравнению цен, поэтому совпадения с низкой уверенностью обычно проверяет человек.
Прогнозирование часто проще всего для старта. Модель, которая предсказывает продажи каждого товара на следующий месяц, сама не меняет ни одной цены, но помогает закупщикам заказывать товар, планировать акции и замечать товары, продажи которых отклоняются от ожиданий. Поскольку прогноз можно каждую неделю сверять с реальностью, доверие выстраивается шаг за шагом.
Пример: прогноз реакции на цену
Представьте для примера зоомагазин с двухлетней ежедневной историей по мешку корма для собак: собственная цена, самая низкая из отслеживаемых цен конкурентов, день недели, сезон и проданные единицы. Модель, обученная на этих данных, может оценить, что при цене 52 доллара и ценах конкурентов 50 магазин продаёт около 30 мешков в день, а при 49 долларах — около 38 мешков. В сочетании с себестоимостью единицы эти оценки позволяют команде сравнить ожидаемую прибыль при каждой цене.
Оценки верны только внутри диапазона, который модель видела. Если магазин никогда не ставил цену выше 55 долларов, прогноз для 65 долларов — это догадка, замаскированная под число. Хорошая практика — осторожно тестировать новые уровни цен и возвращать результаты обратно в данные.
Сначала данные
Модель хороша ровно настолько, насколько хороши её входные данные. Пропущенные дни, цены, записанные не в той валюте, отсутствие товара, которое выглядит как низкий спрос, и неотмеченные акции — всё это учит модель неправильному. Очистка и разметка данных обычно требуют больше усилий, чем само обучение модели.
Цены конкурентов — частый вид входных данных, и они требуют такой же тщательности. Длинная последовательная история цен и наличия у конкурентов, например та, что ведёт история цен, даёт любому анализу — будь то таблица или модель — более надёжную основу.
Риски и ограничения
- Переобучение: модель запоминает прошлый шум и плохо предсказывает на новых данных
- Петли обратной связи: несколько автоматических систем реагируют друг на друга, и цены дрейфуют
- Непрозрачные решения, которые сотрудники не могут объяснить клиентам или регуляторам
- Предвзятость, если данные или признаки приводят к несправедливым результатам для групп клиентов
- Дрейф концепции: поведение рынка меняется, а старая модель продолжает действовать по устаревшим закономерностям
Правила об автоматизированных решениях, персональных данных и ценообразовании различаются по странам. Использование персональных данных для назначения индивидуальных цен может вызывать правовые и этические вопросы, поэтому прежде стоит получить консультацию юриста.
Ответственное использование машинного обучения
Границы должны контролировать люди. Нижние и верхние пределы цен и максимальные дневные изменения должна задавать компания, и они должны соблюдаться независимо от того, что предлагает модель. Начинайте с прогнозов, которые поддерживают решение, а не с моделей, которые меняют цены напрямую, следите за точностью относительно того, что происходит на деле, и переобучайте или выводите модели из работы, когда их ошибка растёт.
Полезно также сравнивать каждую модель с простым базовым вариантом, например с продажами за ту же неделю прошлого года или скользящим средним. Если сложная модель не может явно превзойти этот базовый вариант, дополнительная сложность себя не оправдывает. Документируйте, что делает каждая модель, какие данные использует и кто за неё отвечает, чтобы решения оставались прослеживаемыми при смене сотрудников.
Главное
- Машинное обучение извлекает закономерности из данных вместо следования правилам, написанным вручную.
- В электронной коммерции оно помогает прогнозировать спрос, оценивать реакцию на цену и сопоставлять товары.
- Прогнозы надёжны только в пределах ситуаций, которые модель уже видела.
- Чистые последовательные данные, включая цены конкурентов, важнее сложности модели.
- Любое автоматическое решение должно ограничиваться установленными компанией нижними и верхними пределами и проверкой человеком.
Частые вопросы
Машинное обучение — это то же самое, что искусственный интеллект?
Машинное обучение — одна из областей искусственного интеллекта. ИИ — широкая сфера, задача которой — научить программы выполнять задачи, кажущиеся разумными, а машинное обучение — подход, при котором эти способности извлекаются из данных.
Нужно ли машинное обучение, чтобы хорошо назначать цены?
Нет. Многим магазинам хорошо подходят понятные правила на основе себестоимости, целевой маржи и цен конкурентов. Машинное обучение полезнее всего, когда товаров много, истории достаточно, а закономерности слишком сложны для простых правил.
Сколько данных нужно ценовой модели?
Фиксированного числа нет. Модели нужно достаточно истории с реальными колебаниями цены, чтобы увидеть, как реагирует спрос. Товары, цена которых никогда не менялась, ничего не дают модели для изучения реакции на цену.
Связанные термины
В BlackAha Smart Price помогает получить рекомендованную цену продажи для каждого товара на основе цен конкурентов и рынка.