Βελτιστοποίηση λιανικής τιμής με χρήση Python
April 17, 2023Η βελτιστοποίηση λιανικής τιμής περιλαμβάνει τον καθορισμό της βέλτιστης τιμής πώλησης για προϊόντα ή υπηρεσίες για τη μεγιστοποίηση των εσόδων και του κέρδους. Έτσι, αν θέλετε να μάθετε πώς να χρησιμοποιείτε μηχανική μάθηση για την εργασία βελτιστοποίησης λιανικής τιμής, αυτό το άρθρο είναι για εσάς. Σε αυτό το άρθρο, θα σας καθοδηγήσω στην εργασία της βελτιστοποίησης λιανικής τιμής με τη μηχανική εκμάθηση χρησιμοποιώντας Python.
Τι είναι η Βελτιστοποίηση Λιανικής Τιμής;
Η βελτιστοποίηση των τιμών λιανικής σημαίνει την εύρεση της τέλειας ισορροπίας μεταξύ της τιμής που χρεώνετε για τα προϊόντα σας και του αριθμού των προϊόντων που μπορείτε να πουλήσετε σε αυτήν την τιμή.
Ο απώτερος στόχος είναι να χρεώσετε μια τιμή που θα σας βοηθήσει να κερδίσετε τα περισσότερα χρήματα και θα προσελκύσει αρκετούς πελάτες για να αγοράσουν τα προϊόντα σας. Περιλαμβάνει τη χρήση δεδομένων και στρατηγικών τιμολόγησης για να βρείτε τη σωστή τιμή που μεγιστοποιεί τις πωλήσεις και τα κέρδη σας, διατηρώντας παράλληλα τους πελάτες ευχαριστημένους.
Έτσι, για το έργο της Βελτιστοποίησης Τιμών Λιανικής, χρειάζεστε δεδομένα σχετικά με τις τιμές προϊόντων ή υπηρεσιών και όλα όσα επηρεάζουν την τιμή ενός προϊόντος. Βρήκα ένα ιδανικό σύνολο δεδομένων για αυτήν την εργασία. Μπορείτε να κάνετε λήψη των δεδομένων από εδώ.
Στην παρακάτω ενότητα, θα σας καθοδηγήσω στην εργασία της βελτιστοποίησης λιανικής τιμής με τη μηχανική εκμάθηση χρησιμοποιώντας Python.
Βελτιστοποίηση λιανικής τιμής με χρήση Python
Ας ξεκινήσουμε το έργο του Retail Price Optimization εισάγοντας τις απαραίτητες βιβλιοθήκες Python και το σύνολο δεδομένων:
import pandas as pd
import plotly.express as px
import plotly.graph_objects as go
import plotly.io as pio
pio.templates.default = "plotly_white"
data = pd.read_csv('retail_price.csv')
print(data.head())
product_id product_category_name month_year qty total_price \
0 bed1 bed_bath_table 01-05-2017 1 45.95
1 bed1 bed_bath_table 01-06-2017 3 137.85
2 bed1 bed_bath_table 01-07-2017 6 275.70
3 bed1 bed_bath_table 01-08-2017 4 183.80
4 bed1 bed_bath_table 01-09-2017 2 91.90
freight_price unit_price product_name_lenght product_description_lenght \
0 15.100000 45.95 39 161
1 12.933333 45.95 39 161
2 14.840000 45.95 39 161
3 14.287500 45.95 39 161
4 15.100000 45.95 39 161
product_photos_qty ... comp_1 ps1 fp1 comp_2 ps2 \
0 2 ... 89.9 3.9 15.011897 215.000000 4.4
1 2 ... 89.9 3.9 14.769216 209.000000 4.4
2 2 ... 89.9 3.9 13.993833 205.000000 4.4
3 2 ... 89.9 3.9 14.656757 199.509804 4.4
4 2 ... 89.9 3.9 18.776522 163.398710 4.4
fp2 comp_3 ps3 fp3 lag_price
0 8.760000 45.95 4.0 15.100000 45.90
1 21.322000 45.95 4.0 12.933333 45.95
2 22.195932 45.95 4.0 14.840000 45.95
3 19.412885 45.95 4.0 14.287500 45.95
4 24.324687 45.95 4.0 15.100000 45.95
[5 rows x 30 columns]
Πριν προχωρήσουμε, ας ρίξουμε μια ματιά αν τα δεδομένα έχουν μηδενικές τιμές ή όχι:
print(data.isnull().sum())
product_id 0 product_category_name 0 month_year 0 qty 0 total_price 0 freight_price 0 unit_price 0 product_name_lenght 0 product_description_lenght 0 product_photos_qty 0 product_weight_g 0 product_score 0 customers 0 weekday 0 weekend 0 holiday 0 month 0 year 0 s 0 volume 0 comp_1 0 ps1 0 fp1 0 comp_2 0 ps2 0 fp2 0 comp_3 0 ps3 0 fp3 0 lag_price 0 dtype: int64
Τώρα ας ρίξουμε μια ματιά στα περιγραφικά στατιστικά στοιχεία των δεδομένων:
qty total_price freight_price unit_price \ count 676.000000 676.000000 676.000000 676.000000 mean 14.495562 1422.708728 20.682270 106.496800 std 15.443421 1700.123100 10.081817 76.182972 min 1.000000 19.900000 0.000000 19.900000 25% 4.000000 333.700000 14.761912 53.900000 50% 10.000000 807.890000 17.518472 89.900000 75% 18.000000 1887.322500 22.713558 129.990000 max 122.000000 12095.000000 79.760000 364.000000 product_name_lenght product_description_lenght product_photos_qty \ count 676.000000 676.000000 676.000000 mean 48.720414 767.399408 1.994083 std 9.420715 655.205015 1.420473 min 29.000000 100.000000 1.000000 25% 40.000000 339.000000 1.000000 50% 51.000000 501.000000 1.500000 75% 57.000000 903.000000 2.000000 max 60.000000 3006.000000 8.000000 product_weight_g product_score customers ... comp_1 \ count 676.000000 676.000000 676.000000 ... 676.000000 mean 1847.498521 4.085503 81.028107 ... 79.452054 std 2274.808483 0.232021 62.055560 ... 47.933358 min 100.000000 3.300000 1.000000 ... 19.900000 25% 348.000000 3.900000 34.000000 ... 49.910000 50% 950.000000 4.100000 62.000000 ... 69.900000 75% 1850.000000 4.200000 116.000000 ... 104.256549 max 9750.000000 4.500000 339.000000 ... 349.900000 ps1 fp1 comp_2 ps2 fp2 comp_3 \ count 676.000000 676.000000 676.000000 676.000000 676.000000 676.000000 mean 4.159467 18.597610 92.930079 4.123521 18.620644 84.182642 std 0.121652 9.406537 49.481269 0.207189 6.424174 47.745789 min 3.700000 0.095439 19.900000 3.300000 4.410000 19.900000 25% 4.100000 13.826429 53.900000 4.100000 14.485000 53.785714 50% 4.200000 16.618984 89.990000 4.200000 16.811765 59.900000 75% 4.200000 19.732500 117.888889 4.200000 21.665238 99.990000 max 4.500000 57.230000 349.900000 4.400000 57.230000 255.610000 ps3 fp3 lag_price count 676.000000 676.000000 676.000000 mean 4.002071 17.965007 107.399684 std 0.233292 5.533256 76.974657 min 3.500000 7.670000 19.850000 25% 3.900000 15.042727 55.668750 50% 4.000000 16.517110 89.900000 75% 4.100000 19.447778 129.990000 max 4.400000 57.230000 364.000000 [8 rows x 27 columns]
Ας δούμε τώρα την κατανομή των τιμών των προϊόντων:
fig = px.histogram(data, x='total_price', nbins=20, title="Distribution of Total Price") fig.show()
Τώρα ας ρίξουμε μια ματιά στην κατανομή των τιμών μονάδας χρησιμοποιώντας ένα οικόπεδο κουτιού:
fig = px.box(data, y='unit_price', title="Box Plot of Unit Price") fig.show()
Τώρα ας ρίξουμε μια ματιά στη σχέση μεταξύ ποσότητας και συνολικών τιμών:
fig = px.scatter(data, x='qty', y='total_price', title="Quantity vs Total Price", trendline="ols") fig.show()
Έτσι, η σχέση μεταξύ ποσότητας και συνολικών τιμών είναι γραμμική. Δείχνει ότι η δομή της τιμής βασίζεται σε μια σταθερή τιμή μονάδας, όπου η συνολική τιμή υπολογίζεται πολλαπλασιάζοντας την ποσότητα με την τιμή μονάδας.
Τώρα ας ρίξουμε μια ματιά στις μέσες συνολικές τιμές ανά κατηγορίες προϊόντων:
fig = px.bar(data, x='product_category_name', y='total_price', title="Average Total Price by Product Category") fig.show()
Τώρα ας ρίξουμε μια ματιά στην κατανομή των συνολικών τιμών ανά ημέρα της εβδομάδας χρησιμοποιώντας ένα οικόπεδο κουτιού:
fig = px.box(data, x='weekday', y='total_price', title="Box Plot of Total Price by Weekday") fig.show()
Τώρα ας ρίξουμε μια ματιά στην κατανομή των συνολικών τιμών ανά αργία χρησιμοποιώντας ένα οικόπεδο κουτιού:
fig = px.box(data, x='holiday', y='total_price', title="Box Plot of Total Price by Holiday") fig.show()
Τώρα ας ρίξουμε μια ματιά στη συσχέτιση μεταξύ των αριθμητικών χαρακτηριστικών μεταξύ τους:
correlation_matrix = data.corr() fig = go.Figure(go.Heatmap(x=correlation_matrix.columns, y=correlation_matrix.columns, z=correlation_matrix.values)) fig.update_layout(title="Correlation Heatmap of Numerical Features") fig.show()
Η ανάλυση των στρατηγικών τιμολόγησης των ανταγωνιστών είναι απαραίτητη για τη βελτιστοποίηση των τιμών λιανικής. Η παρακολούθηση και η συγκριτική αξιολόγηση έναντι των τιμών των ανταγωνιστών μπορούν να βοηθήσουν στον εντοπισμό ευκαιριών για ανταγωνιστικές τιμές, είτε με τιμολόγηση κάτω ή πάνω από τον ανταγωνισμό, ανάλογα με τη θέση και τη στρατηγική του λιανοπωλητή. Τώρα ας υπολογίσουμε τη μέση διαφορά τιμής ανταγωνιστή ανά κατηγορία προϊόντος:
data['comp_price_diff'] = data['unit_price'] - data['comp_1']
avg_price_diff_by_category = data.groupby('product_category_name')['comp_price_diff'].mean().reset_index()
fig = px.bar(avg_price_diff_by_category,
x='product_category_name',
y='comp_price_diff',
title="Average Competitor Price Difference by Product Category")
fig.update_layout(
xaxis_title="Product Category",
yaxis_title="Average Competitor Price Difference"
)
fig.show()
Μοντέλο βελτιστοποίησης λιανικής τιμής με μηχανική μάθηση
Τώρα ας εκπαιδεύσουμε ένα μοντέλο Μηχανικής Εκμάθησης για το έργο της Βελτιστοποίησης Τιμών Λιανικής. Παρακάτω είναι πώς μπορούμε να εκπαιδεύσουμε ένα μοντέλο Μηχανικής Μάθησης για αυτό το πρόβλημα:
from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeRegressor from sklearn.metrics import mean_squared_error X = data[['qty', 'unit_price', 'comp_1', 'product_score', 'comp_price_diff']] y = data['total_price'] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # Train a linear regression model model = DecisionTreeRegressor() model.fit(X_train, y_train)
Ας κάνουμε τώρα προβλέψεις και ας ρίξουμε μια ματιά στις προβλεπόμενες τιμές λιανικής και τις πραγματικές τιμές λιανικής:
y_pred = model.predict(X_test) fig = go.Figure() fig.add_trace(go.Scatter(x=y_test, y=y_pred, mode="markers", marker=dict(color="blue"), name="Predicted vs. Actual Retail Price")) fig.add_trace(go.Scatter(x=[min(y_test), max(y_test)], y=[min(y_test), max(y_test)], mode="lines", marker=dict(color="red"), name="Ideal Prediction")) fig.update_layout( title="Predicted vs. Actual Retail Price", xaxis_title="Actual Retail Price", yaxis_title="Predicted Retail Price" ) fig.show()
Έτσι, μπορείτε να βελτιστοποιήσετε τις τιμές λιανικής με τη Μηχανική Εκμάθηση χρησιμοποιώντας Python.
Περίληψη
Ο απώτερος στόχος της βελτιστοποίησης των τιμών λιανικής είναι η χρέωση μιας τιμής που σας βοηθά να κερδίσετε τα περισσότερα χρήματα και να προσελκύσετε αρκετούς πελάτες για να αγοράσουν τα προϊόντα σας. Περιλαμβάνει τη χρήση δεδομένων και στρατηγικών τιμολόγησης για να βρείτε τη σωστή τιμή που μεγιστοποιεί τις πωλήσεις και τα κέρδη σας, διατηρώντας παράλληλα τους πελάτες ευχαριστημένους. Ελπίζω να σας άρεσε αυτό το άρθρο σχετικά με τη βελτιστοποίηση των τιμών λιανικής με τη Μηχανική Μάθηση με χρήση Python. Μη διστάσετε να κάνετε πολύτιμες ερωτήσεις στην παρακάτω ενότητα σχολίων.
