Học máy

Học máy là một nhánh của trí tuệ nhân tạo, trong đó phần mềm học các quy luật từ dữ liệu để đưa ra dự đoán hoặc quyết định, thay vì dùng luật viết tay. Trong thương mại điện tử và định giá, nó được dùng để dự báo nhu cầu, ước tính người mua phản ứng với giá thế nào và nhận ra khi hai tin đăng là cùng một sản phẩm.

Học từ ví dụ thay vì từ luật

Một luật giá truyền thống có thể là: nếu đối thủ hạ giá thấp hơn chúng ta, hãy khớp giá, nhưng không bao giờ thấp hơn giá vốn cộng 15 phần trăm. Mọi điều kiện đều do con người viết. Còn mô hình học máy được cung cấp nhiều ví dụ trong quá khứ, như giá, ngày, mức tồn kho và doanh số sau đó, rồi tự điều chỉnh các tham số bên trong cho đến khi dự đoán khớp tốt với các ví dụ đó.

Kết quả là một mô hình có thể đưa ra dự đoán cho một tình huống mới mà nó chưa từng thấy chính xác trước đây. Chất lượng của nó phụ thuộc vào việc tình huống mới có giống với dữ liệu nó đã học hay không.

Sau huấn luyện thường là kiểm thử trên dữ liệu mô hình chưa thấy. Một cách phổ biến là giữ lại những tháng gần nhất, huấn luyện trên toàn bộ dữ liệu trước đó và kiểm tra mô hình dự đoán giai đoạn được giữ lại tốt đến đâu. Nếu độ chính xác giảm mạnh trên dữ liệu chưa thấy, mô hình đã học quá khứ quá sát và sẽ không khái quát được.

Các kiểu học chính

  • Học có giám sát học từ các ví dụ đã gắn nhãn, như giá trong quá khứ đi kèm số lượng bán được, và dự đoán nhãn cho các trường hợp mới.
  • Học không giám sát tìm cấu trúc trong dữ liệu chưa gắn nhãn, như gom nhóm khách hàng hoặc sản phẩm có hành vi tương tự.
  • Học tăng cường thử các hành động, quan sát phần thưởng và dần ưu tiên những hành động đem lại kết quả, một cách tiếp cận được nghiên cứu cho các quyết định giá diễn ra tuần tự.

Phần lớn ứng dụng thực tế trong bán lẻ là học có giám sát. Các họ mô hình trải từ hồi quy tuyến tính đơn giản đến tổ hợp cây quyết định và mạng nơ-ron. Một mô hình đơn giản hơn mà đội ngũ hiểu được thường hữu ích hơn một mô hình phức tạp không ai giải thích được.

Các ứng dụng phổ biến trong định giá và thương mại điện tử

  • Dự báo nhu cầu để lập kế hoạch tồn kho và khuyến mãi
  • Ước tính độ co giãn của cầu theo giá cho những sản phẩm có đủ lịch sử bán hàng
  • Khớp sản phẩm, để quyết định hai tin đăng có tiêu đề khác nhau có phải cùng một mặt hàng hay không
  • Gợi ý sản phẩm và xếp hạng tìm kiếm trên các trang cửa hàng
  • Sàng lọc gian lận ở bước thanh toán
  • Lập kế hoạch giảm giá cho hàng theo mùa

Khớp sản phẩm cho thấy kỹ thuật này kết hợp với dữ liệu đối thủ ra sao. Tiêu đề, thương hiệu, mã mẫu, hình ảnh và thuộc tính được so sánh, và mô hình chấm điểm khả năng hai tin đăng là cùng một sản phẩm. Khớp sai dẫn đến so sánh giá sai, nên các cặp khớp có độ tin cậy thấp thường được người xem lại.

Dự báo thường là chỗ dễ bắt đầu nhất. Một mô hình dự đoán số lượng bán tháng tới của từng sản phẩm tự nó không thay đổi giá nào, nhưng giúp bộ phận mua hàng đặt hàng, lập kế hoạch khuyến mãi và phát hiện những sản phẩm có doanh số đang lệch khỏi kỳ vọng. Vì dự báo có thể được đối chiếu với thực tế mỗi tuần, lòng tin được xây dựng từng bước.

Một ví dụ: dự đoán phản ứng với giá

Hãy hình dung, như một ví dụ, một cửa hàng đồ thú cưng có dữ liệu hằng ngày trong hai năm cho một bao thức ăn cho chó: giá của chính cửa hàng, giá đối thủ thấp nhất được theo dõi, ngày trong tuần, mùa và số bao bán được. Một mô hình được huấn luyện trên dữ liệu này có thể ước tính rằng ở giá 52 đô la, khi đối thủ ở mức 50, cửa hàng bán khoảng 30 bao mỗi ngày, và ở giá 49 đô la thì khoảng 38 bao. Kết hợp với giá vốn mỗi đơn vị, các ước tính này giúp đội ngũ so sánh lợi nhuận kỳ vọng ở từng mức giá.

Các ước tính chỉ đúng trong phạm vi mô hình đã thấy. Nếu cửa hàng chưa bao giờ bán trên 55 đô la, một dự đoán ở mức 65 đô la chỉ là phỏng đoán khoác áo con số. Cách làm tốt là thử nghiệm các mức giá mới thận trọng và đưa kết quả trở lại vào dữ liệu.

Dữ liệu là trên hết

Một mô hình chỉ tốt bằng dữ liệu đầu vào. Những ngày bị thiếu, giá ghi sai đơn vị tiền tệ, tình trạng hết hàng trông như nhu cầu thấp và các đợt khuyến mãi không được đánh dấu đều dạy cho mô hình bài học sai. Làm sạch và gắn nhãn dữ liệu thường tốn công hơn chính việc huấn luyện mô hình.

Giá đối thủ là một đầu vào phổ biến, và chúng cần được chăm chút tương tự. Một bản ghi dài và nhất quán về giá và tình trạng còn hàng của đối thủ, chẳng hạn bản ghi được lưu bởi lịch sử giá, mang lại cho mọi phân tích, dù là bảng tính hay mô hình, một nền tảng đáng tin cậy hơn.

Rủi ro và giới hạn

  • Quá khớp (overfitting), khi mô hình ghi nhớ nhiễu trong quá khứ và dự đoán kém trên dữ liệu mới
  • Vòng phản hồi, khi nhiều hệ thống tự động phản ứng lẫn nhau và giá trôi dần
  • Quyết định thiếu minh bạch mà nhân viên không giải thích được cho khách hàng hoặc cơ quan quản lý
  • Thiên lệch, nếu dữ liệu hoặc đặc trưng dẫn đến kết quả không công bằng cho các nhóm khách hàng
  • Trôi khái niệm (concept drift), khi hành vi thị trường thay đổi và mô hình cũ vẫn hành động theo các quy luật đã lỗi thời

Quy định về quyết định tự động, dữ liệu cá nhân và định giá khác nhau theo quốc gia. Dùng dữ liệu cá nhân để đặt giá riêng cho từng người có thể đặt ra các câu hỏi pháp lý và đạo đức, và nên tham khảo ý kiến chuyên gia pháp lý trước khi làm.

Dùng học máy có trách nhiệm

Để con người nắm quyền quyết định các giới hạn. Giá sàn, giá trần và mức thay đổi tối đa mỗi ngày nên do doanh nghiệp đặt ra và được áp dụng bất kể mô hình nào gợi ý gì. Hãy bắt đầu với các dự báo hỗ trợ quyết định thay vì mô hình trực tiếp đổi giá, theo dõi độ chính xác so với thực tế, và huấn luyện lại hoặc ngừng dùng mô hình khi sai số tăng.

Việc so sánh mỗi mô hình với một mốc cơ sở đơn giản cũng có ích, như doanh số cùng tuần năm trước hoặc đường trung bình động. Nếu một mô hình tinh vi không vượt rõ mốc cơ sở đó, sự phức tạp thêm vào không đáng giá. Hãy ghi lại mỗi mô hình làm gì, dùng dữ liệu nào và ai chịu trách nhiệm, để các quyết định vẫn truy vết được khi nhân sự thay đổi.

Điểm chính cần nhớ

  • Học máy học các quy luật từ dữ liệu thay vì tuân theo luật viết tay.
  • Trong thương mại điện tử, nó hỗ trợ dự báo nhu cầu, ước tính phản ứng với giá và khớp sản phẩm.
  • Dự đoán chỉ đáng tin cậy trong phạm vi các tình huống mô hình đã thấy.
  • Dữ liệu sạch và nhất quán, gồm cả giá đối thủ, quan trọng hơn độ phức tạp của mô hình.
  • Giá sàn, giá trần do doanh nghiệp đặt và sự rà soát của con người nên giới hạn mọi quyết định tự động.

Câu hỏi thường gặp

Học máy có phải là trí tuệ nhân tạo không?

Học máy là một phần của trí tuệ nhân tạo. AI là lĩnh vực rộng nhằm giúp phần mềm thực hiện những việc có vẻ thông minh, còn học máy là cách tiếp cận học các khả năng đó từ dữ liệu.

Tôi có cần học máy để định giá tốt không?

Không. Các luật rõ ràng dựa trên chi phí, mục tiêu biên lợi nhuận và giá đối thủ hoạt động tốt với nhiều cửa hàng. Học máy hữu ích nhất khi có nhiều sản phẩm, nhiều dữ liệu lịch sử và những quy luật quá phức tạp đối với các luật đơn giản.

Một mô hình định giá cần bao nhiêu dữ liệu?

Không có con số cố định. Mô hình cần đủ dữ liệu lịch sử có biến động giá thực sự để thấy cầu phản ứng ra sao. Những sản phẩm chưa từng đổi giá không cho mô hình gì để học về phản ứng với giá.

Thuật ngữ liên quan

Trong BlackAha, Smart Price giúp bạn có giá bán đề xuất cho mọi sản phẩm, dựa trên giá đối thủ và giá thị trường.

Quay lại Từ điển giá