圖片來源:https://www.predicthq.com/use-cases/dynamic-pricing
這篇文章想與你分享,我閱讀動態定價(Dynamic Pricing)
入門文章後,產生的理解與思考。
首先,針對動態定價(Dynamic Pricing)這個問題關鍵字,其三法分析如下:
- 用法:公司商店想最優化利潤,以及提升銷售的機率。
- 心法:追蹤市場,根據市場變化而變化,而非利用個人化定價獲利。
- 技法:持續改變商品的售價,而非固定在單一售價上。
這篇文章想呈現的三個思考,分別為
- 定價問題的核心,是利潤與銷售的權衡。
- 降價的誘因,是提升銷售機率,進而學習市場。
- 漲價的誘因,是提升銷售利潤,進而優化定價。
讓我們進入更深的討論吧!
思考 #1:定價問題的核心,是利潤與銷售的權衡。
最優化利潤與提升銷售機率,兩者是一種權衡關係。
我們知道,「降價」會提升銷售機率,但減低利潤。而「漲價」則回降低銷售機率但增加利潤。所以我們在定價的過程中,降價漲價,其實對應著探索與剝削的均衡。也就是說,帶入資訊導向的思考,我們可以把降價與漲價,分別對應回探索剝削權衡(Exploration-Exploitation Tradeoff):
但有沒有什麼隱形成本呢?倉儲成本可能是一種隱形成本。我們知道,如果產品會固定產生倉儲成本,則「銷售機率低」連帶影響倉儲成本提高。
思考 #2:降價的誘因,是提升銷售機率,進而學習市場。
從銷售與不銷售的實例,我們能利用學習理論,來學習市場的資訊。
銷售機率是售價的遞減函數. 一般來說,免費,低價的東西一定賣得出去。因此,現在的狀況如果是賣不出去,那麼降價一定會提升賣出的機率。所以,我們在設計「銷售機率」的機率模型時,要注意此銷售機率是否是售價的遞減函數。
銷售機率是售價的遞減函數.根據之前的研究經驗,銷售機率本身,與選擇模型(Choice Model)非常相關。選擇模型,目標是解釋一筆交易是否成功背後的機制。例如我之前做的研究,是比較屬於個人化定價(Personalized Pricing),對個人於商品給的價值做統計模型,接著帶入基礎的選擇模型來產生交易是否成功的標籤,接著利用標籤做線上稀疏機器學習。
這樣一想,銷售的數據,可能也是不均衡數據集 (Imbalanced Dataset)。那麼是否合成數據(Synthetic Data) 對這方面的用途也有幫助呢?
思考 #3:漲價的誘因,是提升銷售利潤,進而優化定價。
足夠瞭解市場後,漲價能夠雖然會影響需求,但能夠進一步最大化每筆推銷嘗試的利潤。
線上市場,供給無上限,轉注學習需求曲線. 最基礎討論利潤的框架,是供給需求曲線。在線上的市場,如果是販售電子書,線上課程等服務類型的商品,其供給的邊際成本,在基礎建設完成後,幾乎可忽略。這也造就了研究中只專注在學習更於複雜的需求曲線,就能做利潤最大化問題的原因。
需求曲線構成利潤函數,優化獲得最優定價. 利潤最大化問題,用IPO模型解釋,輸入是各種對市場的了解與知識,處理是計算各種定價下的利潤,輸出是一個能最大化利潤的價錢。當「利潤函數」被形式化成數學最優化可以直接獲得最優定價後,那麼主要的難點,就是如何找到或逼近真實的利潤函數。從這個層面上,統計機器學習並不以學參數為本身意義,而是學到參數使其對應的分佈與利潤函數,在實際數據上能夠最大化利潤。
這個優化本身有什麼可以額外研究的維度呢?關鍵在於其實不一定要優化「期望利潤」,也可以轉優化「利潤分佈函數」的某些統計量。這方面的研究,與分佈穩健優化(Distributional Robust Optimization)的知識息息相關。
動態定價,是利用降價來探索市場,利用漲價來剝削市場,的一場探索剝削權衡。
這篇文章與你分享了我對動態定價問題,利用探索剝削權衡的框架,所得到的理解與思考。
你對動態定價也有自己的理解與思考嗎?歡迎留言與我分享。