Rue La La: rekomendacje cen z uczenia maszynowego zwiększyły przychody o około 10% w teście

W skrócie

Firma

Rue La LaSprzedawca internetowy oferujący markową odzież i dodatki w krótkich akcjach sprzedażowych

Wielkość

Średnio-duże (250–999 pracowników)

Branża

E-commerce i handel

Gdzie i kiedy

Stany Zjednoczone. Styczeń – maj 2014, opublikowane w 2016.

Kto podał liczby

Zmierzone przez badaczyLiczby pochodzą z badania naukowców uniwersyteckich, którzy zbudowali narzędzie razem ze sprzedawcą, opublikowanego w recenzowanym czasopiśmie. Liczba dotycząca przychodów to oszacowanie z szerokim przedziałem: od 2,3% do 17,8%.

Co zrobili

Rue La La sprzedaje markową odzież i dodatki w akcjach sprzedażowych, które zwykle trwają od jednego do czterech dni. Większość tego, co sprzedaje, jest w serwisie nowa, więc nie ma historii sprzedaży, na podstawie której można ustalić cenę. Dawna metoda to stała marża na koszcie, sprawdzana z cenami konkurencji.

Badacze pracowali ze sprzedawcą nad narzędziem złożonym z dwóch części. Pierwsza używa uczenia maszynowego, żeby przewidzieć popyt na nowy produkt na podstawie dawnej sprzedaży podobnych produktów. Druga na podstawie tych przewidywań wybiera ceny wszystkich konkurujących ze sobą produktów w akcji naraz.

Granice ustalił sprzedawca:

• Tylko podwyżki. Dawna cena była dolną granicą. Narzędzie mogło rekomendować wyższą cenę albo brak zmiany.
• Limit. Podwyżka mogła wynieść najwyżej $15 lub 15%, zależnie od tego, co większe, i nigdy nie mogła przekroczyć ustalonego rabatu od ceny katalogowej.
• Nadal najtaniej. Sprzedawca akceptuje podwyżkę tylko wtedy, gdy nowa cena jest wciąż niższa niż na innych stronach.

Menedżerowie sprzedawcy obawiali się, że wyższe ceny obniżą sprzedaż i zostawią niesprzedany towar. Test zaprojektowano tak, żeby na to odpowiedzieć.

Liczby

Test trwał od stycznia do maja 2014 roku. Objął około 1300 zestawów konkurujących ze sobą produktów, łącznie około 6000 produktów, dla których narzędzie zarekomendowało podwyżkę. Każdy zestaw dostawał albo ceny rekomendowane, albo dawne.

• Przychody wyższe o około 9,7% na testowanych produktach, według oszacowania badaczy. Prawdopodobny przedział to od 2,3% do 17,8%.
• Sprzedaż utrzymała się przy produktach średnio drogich i drogich. Odsetek sprzedanego towaru tam nie spadł.
• Najtańsze produkty straciły. W najniższej grupie cenowej wyższe ceny obniżyły sprzedaż na tyle, że przychody prawdopodobnie spadły.
• Około 30% zysku mogło pochodzić z samych przewidywań popytu, czyli z podnoszenia cen tylko tych produktów, które według prognozy miały się wyprzedać.
• Mniej niż godzina dziennie. Tyle średnio zajmuje narzędziu wycenienie akcji z następnego dnia.

Co było dalej

Sprzedawca wprowadził narzędzie do codziennego użytku. Działa ono automatycznie każdego dnia i daje osobom odpowiedzialnym za asortyment rekomendacje cen setek nowych produktów. Automatyczny proces odbudowuje model popytu na podstawie świeżych danych sprzedażowych.

Co pokazuje ten przypadek

• Test przekonał menedżerów. Badacze piszą, że możliwość pokazania efektu przed pełnym wdrożeniem była kluczowa dla uzyskania zgody.
• Najpierw były granice. Sprzedawca zdecydował, czego narzędzie nigdy nie może robić, a narzędzie zbudowano w tych granicach.
• Zysk był nierówny. Jedna grupa cenowa straciła pieniądze. Średnia by to ukryła.
• Same przewidywania dały część korzyści. Sprzedawca, który nie może zbudować całego narzędzia, i tak może zyskać na lepszej prognozie popytu.

Co ten przypadek mówi o praktykach

Praktyki, które firma zastosowała

• Zacznij od jednego kosztownego procesu, a nie od wdrożenia w całej firmie Praca dotyczyła jednej decyzji: pierwszej ceny produktów, których sprzedawca nigdy wcześniej nie sprzedawał, a które przynoszą większość jego przychodów. Zrób najpierw · Nakład pracy: średni (tygodnie, kilka osób) Dowody: Powszechna praktyka
• Mierz czas zaoszczędzony na zadaniu względem pomiaru wyjściowego Przez pięć miesięcy zestawy konkurujących ze sobą produktów przydzielano albo do cen rekomendowanych, albo do dawnych cen, i porównywano oba warianty. Zrób najpierw · Nakład pracy: niski (dni, jedna osoba) Dowody: Powszechna praktyka
• Niech człowiek sprawdza wszystko, co trafia do klienta lub ma znaczenie prawne Narzędzie było uważnie obserwowane, zanim zaczęło działać samodzielnie. Nadal tylko rekomenduje ceny osobom odpowiedzialnym za asortyment, w granicach ustalonych przez sprzedawcę. Zrób najpierw · Nakład pracy: średni (tygodnie, kilka osób) Dowody: Wstępne
• Ustal granice, zanim narzędzie zacznie działać Przed testem sprzedawca ustalił dawną cenę jako dolną granicę i ograniczył każdą podwyżkę do $15 lub 15%, więc narzędzie mogło rekomendować tylko podwyżkę albo brak zmiany. Zrób potem · Nakład pracy: niski (dni, jedna osoba) Dowody: Powszechna praktyka

Źródła

1. Ferreira, Lee and Simchi-Levi (2016). Analytics for an Online Retailer: Demand Forecasting and Price Optimization. Manufacturing & Service Operations Management, 18(1), 69–88. doi.org
2. The same paper, free to read in Harvard’s open-access repository. dash.harvard.edu