An Intelligent Fuzzy Inference Approach to Pricing Strategy Classification in Large-Scale Retail Data: A Hybrid Explainable Pricing Strategy Intelligence (HEPSI) Framework Applied to the M5 Retail Dataset
Dieses Paper stellt das Hybrid Explainable Pricing Strategy Intelligence (HEPSI)-Framework vor, ein Fuzzy-Inferenzsystem, das auf den M5-Einzelhandelsdatensatz angewendet wird, um Preisstrategien basierend auf wirtschaftlichen Treibern in die Kategorien Penetration, Premium und Dynamisch zu klassifizieren und somit eine skalierbare sowie interpretierbare Alternative zu starren Optimierungen oder Black-Box-Modellen zu bieten.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In dem riesigen, summenden Ökosystem des modernen Einzelhandels ist das Preisschild im Regal niemals nur eine Zahl; es ist eine Entscheidung. Es ist das Ergebnis einer ständigen, komplexen Verhandlung darüber, was ein Kunde zu zahlen bereit ist, wie viel ein Wettbewerber verlangt und wie viel der Laden bewegen muss, um die laufenden Kosten zu decken. Seit Jahrzehnten versuchen Unternehmen, dieses Rätsel mit zwei sehr unterschiedlichen Werkzeugen zu lösen. Auf der einen Seite stehen starre mathematische Modelle, die die Preisgestaltung wie eine feste Gleichung behandeln und einen einzigen perfekten Preis berechnen, der sich selten ändert. Auf der anderen Seite stehen hochentwickelte Computerprogramme, die aus Daten lernen, aber wie Black Boxes funktionieren, indem sie eine Empfehlung abgeben, ohne zu erklären, warum. Das Problem ist, dass die reale Welt chaotisch ist. Die Nachfrage schwankt, Wettbewerber reagieren, und die Ungewissheit ist die einzige Konstante. Ein System, das seine Beweggründe nicht erklären kann, wird von den menschlichen Managern, die danach handeln müssen, oft ignoriert, während ein System, das zu starr ist, nicht in der Lage ist, sich an die plötzlichen Veränderungen eines geschäftigen Marktes anzupassen.
Dies ist die Herausforderung, der sich ein Team von Forschern widmete, indem sie eine massive Sammlung von Verkaufsdatensätzen eines großen US-amerikanischen Einzelhändlers untersuchten. Sie versuchten nicht, einen klügeren Taschenrechner oder eine komplexere Lernmaschine zu bauen. Stattdessen wandten sie sich einer Methode zu, die die Denkweise menschlicher Experten nachahmt: der Fuzzy-Logik. Im Gegensatz zur traditionellen Computerlogik, die verlangt, dass eine Bedingung strikt wahr oder falsch ist, erlaubt Fuzzy-Logik Graustufen. Sie kann verstehen, dass die Nachfrage nicht einfach nur „hoch“ oder „niedrig“ ist, sondern auch „etwas hoch“ oder „sehr niedrig“ sein kann. Durch die Übersetzung harter Zahlen in diese sprachlichen Beschreibungen schufen die Forscher ein System, das Preisstrategien auf eine Weise klassifizieren kann, die sowohl mathematisch fundiert als auch für einen Menschen leicht verständlich ist. Sie wandten diesen Ansatz auf einen Datensatz mit über einer Million täglichen Beobachtungen von tausenden Produkten an, mit dem Ziel, diese in drei unterschiedliche strategische Kategorien zu sortieren: eine Strategie zur Gewinnung von Marktanteilen, eine Strategie zur Maximierung der Gewinnmargen und eine Strategie zur schnellen Reaktion auf Veränderungen.
Die Forscher begannen damit, ihr System mit vier Schlüsselinformationen über jedes Produkt an jedem einzelnen Tag zu füttern. Sie betrachteten, wie stark die Nachfrage im Vergleich zur Vergangenheit war, wie sensibel die Kunden auf Preisänderungen reagierten, wie stark die Verkaufszahlen schwankten und wie kompetitiv das Umfeld für diesen spezifischen Artikel war. Anstatt diese Zahlen in eine starre Formel zu pressen, wandelten sie sie in einfache, beschreibende Begriffe um. Ein Produkt konnte als „hohe Volatilität“ oder „geringer Wettbewerb“ beschrieben werden. Diese Beschreibungen wurden dann in einen Satz transparenter Regeln eingespeist, ähnlich einem Flussdiagramm, das ein Manager an ein Whiteboard zeichnen könnte. Wenn beispielsweise ein Produkt eine hohe Verkaufsvolatilität und einen hohen Wettbewerb aufwies, besagten die Regeln, dass es ein Kandidat für die dynamische Preisgestaltung sei, bei der sich die Preise häufig ändern, um dem Chaos des Marktes gerecht zu werden. Wenn die Nachfrage stark, aber der Wettbewerb gering war, würde das System eine Penetrationsstrategie vorschlagen, um mehr Kunden zu gewinnen. Wenn das Produkt stabil war und eine starke Position innehatte, würde es für eine Premiumstrategie markiert, um die Gewinnmarge zu schützen.
Das Ergebnis war eine Klassifizierung von über einer Million täglichen Beobachtungen, die überraschend intuitiv wirkte. Das System entschied, dass fast die Hälfte aller Produkte einer Penetrationsstrategie folgen sollte und fast ebenso viele einer Premiumstrategie folgen sollten. Diese beiden Ansätze, die für eine stabile, langfristige Preisgestaltung stehen, deckten den Großteil der Einzelhandelslandschaft ab. Nur ein kleiner Bruchteil, etwa neun Prozent, wurde der dynamischen Strategie zugeordnet. Diese Verteilung spiegelte die Realität des Ladens wider: Die meisten Artikel werden unter vorhersehbaren Bedingungen verkauft, während nur wenige dem turbulenten, hochriskanten Umfeld gegenüberstehen, das ständige Preisanpassungen erfordert. Die Forscher fanden heraus, dass das System nicht bloß rät; es identifizierte korrekt unterschiedliche ökonomische Regime. Die Produkte, die für die dynamische Preisgestaltung gekennzeichnet waren, waren tatsächlich jene mit den unbeständigsten Verkäufen und dem härtesten Wettbewerb, während jene, die für die Penetration vorgesehen waren, diejenigen mit der stärksten Nachfrage und dem geringsten Wettbewerb waren.
Um zu testen, ob dieser Ansatz tatsächlich besser funktionierte als die alten Wege, verglichen die Forscher ihr Fuzzy-System mit einem starren Standard-Preismodell, das dieselben Rabattregeln auf alles anwandte. Das flexible, erklärbare System erwies sich als effizienter. Es wusste genau, wo es tiefere Rabatte anwenden musste, um das Volumen zu bewegen, und wo es die Linie halten musste, um Margen zu schützen. Da es zwischen einem chaotischen Produkt und einem stabilen unterscheiden konnte, vermied es den Fehler, die Preise bei Artikeln zu senken, die es nicht nötig hatten, oder Gelegenheiten zu verpassen, Lagerbestände bei Artikeln zu bewegen, die es erforderten. Die bedeutendste Erkenntnis war jedoch nicht nur die Ersparnis, sondern die Klarheit. Jede einzelne Empfehlung, die das System gab, konnte auf die spezifischen Bedingungen zurückgeführt werden, die sie ausgelöst hatten. Ein Manager konnte sich ein Produkt ansehen und erkennen, dass es für eine dynamische Preisgestaltung empfohlen wurde, weil seine Verkäufe instabil und der Wettbewerb hoch war. Diese Transparenz verwandelte den Computer von einem mysteriösen Orakel in einen vertrauenswürdigen Berater.
Die Studie zeigt, dass in der Hochrisikowelt der Einzelhandelspreise das beste Werkzeug nicht unbedingt das komplexeste sein muss. Durch die Kombination der Strenge der Datenanalyse mit der Flexibilität menschlicher Argumentation zeigten die Forscher, dass es möglich ist, ein System zu bauen, das sowohl leistungsstark als auch verständlich ist. Sie bewiesen, dass man nicht die Genauigkeit zugunsten der Klarheit opfern muss. Das System navigierte erfolgreich durch die Ungewissheit eines massiven Einzelhandelsumfelds und sortierte Millionen von Datenpunkten in drei klare, handlungsorientierte Strategien. Es bestätigte, dass während die meisten Produkte unter einer stetigen, vorhersehbaren Preisgestaltung gedeihen, eine spezifische Teilmenge einen agilen, reaktionsfähigen Ansatz erfordert. Vor allem zeigte es, dass eine Maschine das Vertrauen der Menschen, die das Geschäft führen, gewinnt, wenn sie ihre Logik in einfacher Sprache erklären kann, wodurch die Lücke zwischen kalten Daten und warmem, menschlichem Urteilsvermögen geschlossen wird.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.