Ну и закончить цикл постов про ML можно самым сложным и красивым из того, чего мы достигли на текущий момент – пакетная оптимизация. Мерседес от мира ценообразования, не иначе.
Суть вот в чем:
Есть гипотеза, которая звучит так: лучшая цена для отдельного SKU - это не лучшая цена в рамках KPI всей категории. Например, лучшая цена для яблока сорта Гала может переманить на себя спрос с других сортов и в итоге не выигрывать максимум value для компании. Как это обстоятельство преодолеть? Необходимо проектировать подбор не по одной цене, а сразу по набору (Отсюда и название - пакетная оптимизация). Суть её в том, чтобы связать работу сразу нескольких моделей и проектировать контекст для контекста. Тут проще списком:
1️⃣ Мы отслеживаем силу влияния цены одного товара на спрос другого. Популярным и знакомым языком это называет "хало"-эффект или каннибализация спроса;
2️⃣ Дальше мы берем оптимизационную модель и выбираем не одну "лучшую цену", а набор таких "лучших цен";
3️⃣ Эти наборы (Цена Х на SKU 1, Цена Y на SKU 2 и т.д.) мы комбинируем между собой и учитывая силу хало-эффекта мы проектируем весь набор.
Есть определенный блок в виде данных, т.к. проработать нужно многократно увеличившийся массив. Если в случае с классической оптимизацией вычислительная мощность последовательно двигается от одного SKU к другому, то пакетная оптимизация рассчитывает еще и комбинации других возможных исходов.
Иногда, описывая эту концепцию, сталкиваемся с возражением вроде "У нас это уже реализовано", но в действительности понимание останавливается где-то на первом пункте. А если Вы очень крупная компания и заинтересованы в пилоте подобного решения - пишите @revenuemaker , организуем встречу и обсудим.
>>Click here to continue<<
