論文の概要: Price Optimization in Fashion E-commerce
- arxiv url: http://arxiv.org/abs/2007.05216v2
- Date: Mon, 24 Aug 2020 10:18:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 21:06:23.261137
- Title: Price Optimization in Fashion E-commerce
- Title(参考訳): ファッションEコマースにおける価格最適化
- Authors: Sajan Kedia, Samyak Jain, Abhishek Sharma
- Abstract要約: 本稿では,各製品レベルで最適な価格点を求めるための新しい機械学習と最適化手法を提案する。
ABテストの結果によると、当社のモデルは売上を1%、粗利率を0.81パーセント改善しています。
- 参考スコア(独自算出の注目度): 4.974165555396548
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid growth in the fashion e-commerce industry, it is becoming
extremely challenging for the E-tailers to set an optimal price point for all
the products on the platform. By establishing an optimal price point, they can
maximize overall revenue and profit for the platform. In this paper, we propose
a novel machine learning and optimization technique to find the optimal price
point at an individual product level. It comprises three major components.
Firstly, we use a demand prediction model to predict the next day demand for
each product at a certain discount percentage. Next step, we use the concept of
price elasticity of demand to get the multiple demand values by varying the
discount percentage. Thus we obtain multiple price demand pairs for each
product and we have to choose one of them for the live platform. Typically
fashion e-commerce has millions of products, so there can be many permutations.
Each permutation will assign a unique price point for all the products, which
will sum up to a unique revenue number. To choose the best permutation which
gives maximum revenue, a linear programming optimization technique is used. We
have deployed the above methods in the live production environment and
conducted several AB tests. According to the AB test result, our model is
improving the revenue by 1 percent and gross margin by 0.81 percent.
- Abstract(参考訳): ファッションeコマース業界の急速な成長に伴い、e-tailersはプラットフォーム上のすべての製品に最適な価格設定を行うことが極めて困難になっている。
最適な価格ポイントを確立することで、プラットフォーム全体の収益と利益を最大化することができる。
本稿では,個々の製品レベルで最適な価格点を求めるための新しい機械学習と最適化手法を提案する。
主な構成要素は3つ。
まず、需要予測モデルを用いて、ある割引率で各製品に対する翌日の需要を予測する。
次に、割引率を変化させて複数の需要値を得るために需要の価格弾力性の概念を用いる。
したがって、各製品に複数の価格要求ペアを取得し、その1つをライブプラットフォームで選択する必要があります。
通常、ファッションeコマースには何百万もの製品があるため、多くの順列がある。
各順列は、すべての製品に対してユニークな価格ポイントを割り当てる。
最大収益を与える最適な置換を選択するために、線形プログラミング最適化技術を用いる。
我々は,本手法を実稼働環境に導入し,いくつかのab試験を行った。
ABテストの結果によると、当社のモデルは売上を1%、粗利率を0.81パーセント改善しています。
関連論文リスト
- A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。
各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。
実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
論文 参考訳(メタデータ) (2024-07-08T09:55:31Z) - Decoding-Time Language Model Alignment with Multiple Objectives [116.42095026960598]
既存の手法は主に、1つの報酬関数に対してLMを最適化することに集中し、それらの適応性は様々な目的に制限される。
本稿では,予測の線形結合から次のトークンを出力する復号時間アルゴリズムである$textbfmulti-objective decoding (MOD)$を提案する。
提案手法は, 自然条件下であっても, 既存のアプローチが準最適であることを示すとともに, 提案手法の最適性を保証する。
論文 参考訳(メタデータ) (2024-06-27T02:46:30Z) - Fair Allocation in Dynamic Mechanism Design [57.66441610380448]
競売業者が各ラウンドの買い手グループに、合計で$T$で分けない商品を販売している問題を考える。
競売人は、各グループの最低平均配分を保証する公正な制約に固執しつつ、割引された全体の収益を最大化することを目的としている。
論文 参考訳(メタデータ) (2024-05-31T19:26:05Z) - Online Prompt Pricing based on Combinatorial Multi-Armed Bandit and Hierarchical Stackelberg Game [29.95198837731957]
当社の価格体系は、消費者、プラットフォーム、販売者の利益を考慮し、これら3人の参加者の利益満足度を同時に達成する。
既存の固定価格モードとは異なり、我々が提案するPBTの価格メカニズムはより柔軟で多様なものであり、現実のシナリオのトランザクション要求に応じている。
論文 参考訳(メタデータ) (2024-05-24T02:13:46Z) - Dynamic Pricing and Learning with Long-term Reference Effects [16.07344044662994]
本研究では,販売者が提示した過去の価格の基準価格が平均値となる,シンプルで斬新な参照価格メカニズムについて検討する。
このメカニズムの下では,モデルパラメータに関係なく,マークダウンポリシがほぼ最適であることを示す。
次に、需要モデルパラメータが不明な、より困難な動的価格と学習の問題について検討する。
論文 参考訳(メタデータ) (2024-02-19T21:36:54Z) - Dynamic Pricing with Volume Discounts in Online Settings [102.00782184214326]
本稿では,電子商取引における客観的機能が利益であり,取引データのみが利用可能である場合の価格設定に焦点を当てる。
我々の研究は、異なるボリューム閾値で最適な価格を定め、異なるクラスのユーザーに提供する価格戦略を見つけることを目的としている。
我々は、オンライン形式でデータを活用できる2段階のオンライン学習アルゴリズムBを設計する。
論文 参考訳(メタデータ) (2022-11-17T16:01:06Z) - Product Ranking for Revenue Maximization with Multiple Purchases [29.15026863056805]
オンライン小売業者が消費者の行動を正確にモデル化できる場合に最適なランキングポリシーを提案する。
We developed the Multiple-Purchase-with-Budget UCB algorithm with $O(sqrtT)$ regret。
合成データセットと半合成データセットの両方の実験により、提案アルゴリズムの有効性が証明された。
論文 参考訳(メタデータ) (2022-10-15T11:59:45Z) - Price DOES Matter! Modeling Price and Interest Preferences in
Session-based Recommendation [55.0391061198924]
セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。
セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。
セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
論文 参考訳(メタデータ) (2022-05-09T10:47:15Z) - Towards Revenue Maximization with Popular and Profitable Products [69.21810902381009]
企業マーケティングの共通のゴールは、様々な効果的なマーケティング戦略を活用することで、収益/利益を最大化することである。
商品の収益性に関する信頼性のある情報を見つけることは、ほとんどの製品が一定の時期にピークを迎える傾向があるため困難である。
本稿では、経済行動に基づく収益問題に対処し、ターゲットマーケティングのための0n-shelf Popular and most Profitable Products(OPPPs)を実行するための一般的な利益志向の枠組みを提案する。
論文 参考訳(メタデータ) (2022-02-26T02:07:25Z) - Demand Prediction Using Machine Learning Methods and Stacked
Generalization [0.0]
本稿では,eコマースWebサイトにおける需要予測のための新しいアプローチを提案する。
eコマースのWebサイトで使用されるビジネスモデルには、同じ製品を異なる価格で同時に販売する多くの売り手が含まれている。
論文 参考訳(メタデータ) (2020-09-21T10:58:07Z) - Studying Product Competition Using Representation Learning [7.01269741110576]
本稿では、製品レベルの競争を研究するために、表現学習アルゴリズムWord2Vecに基づくProduct2Vecを紹介する。
提案モデルでは,ショッピングバスケットを入力とし,各商品に対して重要な商品情報を保存した低次元の埋め込みを生成する。
現状のモデルと比較して、我々のアプローチはより高速であり、より正確な需要予測と価格弾力性が得られることを示す。
論文 参考訳(メタデータ) (2020-05-21T00:36:13Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。