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
यह शोध पत्र हाइब्रिड एक्सप्लेनेबल प्राइसिंग स्ट्रैटेजी इंटेलिजेंस (HEPSI) फ्रेमवर्क प्रस्तुत करता है, जो एक फजी इन्फरेंस सिस्टम है जिसे M5 रिटेल डेटासेट पर लागू किया गया है, जो आर्थिक चालकों के आधार पर मूल्य निर्धारण रणनीतियों को पेनिट्रेशन (Penetration), प्रीमियम (Premium) और डायनेमिक (Dynamic) श्रेणियों में वर्गीकृत करता है, और कठोर अनुकूलन या ब्लैक-बॉक्स मॉडल के एक स्केलेबल और व्याख्या योग्य विकल्प के रूप में कार्य करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
आधुनिक खुदरा व्यापार (रिटेल) के विशाल, गूँजते पारिस्थितिकी तंत्र में, शेल्फ पर लगा मूल्य टैग कभी भी केवल एक संख्या नहीं होता; वह एक निर्णय होता है। यह एक निरंतर, जटिल बातचीत का परिणाम है कि ग्राहक कितना भुगतान करने को तैयार है, एक प्रतिस्पर्धी कितना शुल्क ले रहा है, और स्टोर को रोशनी जलाए रखने (व्यवसाय चलाने) के लिए किसी उत्पाद को कितनी तेज़ी से निकालना है। दशकों से, व्यवसाय इस पहेली को दो बहुत ही अलग उपकरणों के साथ हल करने की कोशिश कर रहे हैं। एक ओर कठोर गणितीय मॉडल हैं जो मूल्य निर्धारण को एक निश्चित समीकरण की तरह देखते हैं, जो एक एकल आदर्श मूल्य की गणना करते हैं जो शायद ही कभी बदलता है। दूसरी ओर परिष्कृत कंप्यूटर प्रोग्राम हैं जो डेटा से सीखते हैं लेकिन 'ब्लैक बॉक्स' की तरह काम करते हैं, जो बिना यह बताए कि क्यों, केवल एक सिफारिश देते हैं। समस्या यह है कि वास्तविक दुनिया अव्यवस्थित है। मांग घटती-बढ़ती रहती है, प्रतिस्पर्धी प्रतिक्रिया देते हैं, और अनिश्चितता ही एकमात्र निरंतर सत्य है। एक प्रणाली जो अपने तर्क को स्पष्ट नहीं कर सकती, उसे अक्सर उन मानव प्रबंधकों द्वारा अनदेखा कर दिया जाता है जिन्हें उस पर कार्य करना होता है, जबकि एक प्रणाली जो बहुत अधिक कठोर है, वह एक व्यस्त बाजार के अचानक बदलावों के अनुकूल नहीं हो पाती।
यह वही चुनौती थी जिसे शोधकर्ताओं की एक टीम ने एक प्रमुख अमेरिकी रिटेलर के बिक्री रिकॉर्ड के विशाल संग्रह को देखकर हल करने का प्रयास किया। उन्होंने एक स्मार्ट कैलकुलेटर या अधिक जटिल लर्निंग मशीन बनाने की कोशिश नहीं की। इसके बजाय, उन्होंने एक ऐसी पद्धति की ओर रुख किया जो इस बात की नकल करती है कि मानव विशेषज्ञ कैसे सोचते हैं: फजी लॉजिक (fuzzy logic)। पारंपरिक कंप्यूटर लॉजिक के विपरीत, जो यह मांग करता है कि एक स्थिति या तो पूरी तरह से सत्य हो या असत्य, फजी लॉजिक ग्रे शेड्स (धुंधलेपन) की अनुमति देता है। यह समझ सकता है कि मांग केवल "उच्च" या "निम्न" नहीं है, बल्कि "कुछ हद तक उच्च" या "बहुत कम" भी हो सकती है। इन भाषाई विवरणों में कठिन संख्याओं को अनुवादित करके, शोधकर्ताओं ने एक ऐसी प्रणाली बनाई जो वर्गीकरण इस तरह कर सकती है जो गणितीय रूप से सुदृढ़ और मानव के समझने में आसान हो। उन्होंने इस दृष्टिकोण को हजारों उत्पादों के लाखों दैनिक अवलोकनों वाले डेटासेट पर लागू किया, जिसका लक्ष्य उन्हें तीन विशिष्ट रणनीतिक श्रेणियों में वर्गीकृत करना था: बाजार हिस्सेदारी हासिल करने की रणनीति, लाभ मार्जिन को अधिकतम करने की रणनीति, और परिवर्तन के प्रति तेजी से प्रतिक्रिया देने की रणनीति।
शोधकर्ताओं ने अपने सिस्टम में प्रत्येक उत्पाद के लिए हर एक दिन चार प्रमुख जानकारियाँ फीड करना शुरू किया। उन्होंने देखा कि अतीत की तुलना में मांग कितनी मजबूत थी, ग्राहकों की कीमत के प्रति संवेदनशीलता कैसी थी, बिक्री के आंकड़े कितने उतार-चढ़ाव भरे थे, और उस विशिष्ट वस्तु के लिए प्रतिस्पर्धी माहौल कितना था। इन संख्याओं को एक कठोर सूत्र में बदलने के बजाय, उन्होंने उन्हें सरल, वर्णनात्मक शब्दों में परिवर्तित किया। एक उत्पाद को "उच्च अस्थिरता" या "कम प्रतिस्पर्धा" के रूप में वर्णित किया जा सकता था। इन विवरणों को फिर पारदर्शी नियमों के एक सेट में डाला गया, जो बिल्कुल एक फ्लोचार्ट की तरह है जिसे एक प्रबंधक व्हाइटबोर्ड पर बना सकता है। उदाहरण के लिए, यदि किसी उत्पाद में उच्च बिक्री अस्थिरता और उच्च प्रतिस्पर्धा थी, तो नियमों ने निर्देश दिया कि इसे 'डायनेमिक प्राइसिंग' (गतिशील मूल्य निर्धारण) के लिए एक उम्मीदवार के रूप में माना जाना चाहिए, जहाँ बाजार की उथल-पुथल से मेल खाने के लिए कीमतें बार-बार बदलती हैं। यदि मांग मजबूत थी लेकिन प्रतिस्पर्धा कम थी, तो सिस्टम ने अधिक ग्राहकों को आकर्षित करने के लिए 'पेनेट्रेशन स्ट्रैटेजी' (प्रवेश रणनीति) का सुझाव दिया। यदि उत्पाद स्थिर था और उसकी स्थिति मजबूत थी, तो उसे लाभ मार्जिन की रक्षा के लिए 'प्रीमियम स्ट्रैटेजी' के लिए चिह्नित किया गया।
परिणाम एक मिलियन से अधिक दैनिक अवलोकनों का ऐसा वर्गीकरण था जो आश्चर्यजनक रूप से सहज महसूस हुआ। सिस्टम ने निर्णय लिया कि लगभग आधे उत्पादों को 'पेनेट्रेशन स्ट्रैटेजी' का पालन करना चाहिए, और लगभग उतने ही को 'प्रीमियम स्ट्रैटेजी' का पालन करना चाहिए। ये दो दृष्टिकोण, जो स्थिर, दीर्घकालिक मूल्य निर्धारण का प्रतिनिधित्व करते हैं, अधिकांश खुदरा परिदृश्य को कवर करते थे। केवल एक छोटा हिस्सा, लगभग नौ प्रतिशत, को डायनेमिक स्ट्रैटेजी के लिए सौंपा गया था। यह वितरण स्टोर की वास्तविकता को दर्शाता है: अधिकांश वस्तुएं अनुमानित स्थितियों में बेची जाती हैं, जबकि केवल कुछ ही ऐसे उथल-पुथल भरे, उच्च-दांव वाले वातावरण का सामना करती हैं जिन्हें निरंतर मूल्य समायोजन की आवश्यकता होती है। शोधकर्ताओं ने पाया कि सिस्टम केवल अनुमान नहीं लगा रहा था; यह सही ढंग से विशिष्ट आर्थिक व्यवस्थाओं की पहचान कर रहा था। डायनेमिक प्राइसिंग के लिए लेबल किए गए उत्पाद वास्तव में वे थे जिनमें सबसे अधिक अनियमित बिक्री और सबसे भीषण प्रतिस्पर्धा थी, जबकि पेनेट्रेशन के लिए लेबल किए गए उत्पाद वे थे जिनमें सबसे मजबूत मांग और सबसे कम प्रतिस्पर्धा थी।
यह परीक्षण करने के लिए कि क्या यह दृष्टिकोण पुराने तरीकों से वास्तव में बेहतर काम करता है, शोधकर्ताओं ने अपने फजी सिस्टम की तुलना एक कठोर, मानक मूल्य निर्धारण मॉडल से की जिसने सभी के लिए समान छूट नियम लागू किए थे। लचीला, व्याख्या योग्य सिस्टम अधिक कुशल साबित हुआ। इसे पता था कि वॉल्यूम बढ़ाने के लिए गहरी छूट कहाँ देनी है और मार्जिन की रक्षा के लिए कहाँ अपनी स्थिति बनाए रखनी है। क्योंकि यह एक अराजक उत्पाद और एक स्थिर उत्पाद के बीच अंतर कर सकता था, इसने उन वस्तुओं पर कीमतें काटने की गलती से बचा जो इसकी आवश्यकता नहीं थी या उन वस्तुओं पर स्टॉक निकालने के अवसर चूकने से बचा जिनकी आवश्यकता थी। हालाँकि, सबसे महत्वपूर्ण निष्कर्ष केवल बचत नहीं था, बल्कि स्पष्टता थी। सिस्टम द्वारा की गई प्रत्येक सिफारिश को उन विशिष्ट स्थितियों से वापस ट्रैक किया जा सकता था जिन्होंने इसे सक्रिय किया था। एक प्रबंधक किसी उत्पाद को देख सकता था और देख सकता था कि उसे डायनेमिक प्राइस के लिए इसलिए अनुशंसित किया गया क्योंकि उसकी बिक्री अस्थिर थी और उसकी प्रतिस्पर्धा उच्च थी। इस पारदर्शिता ने कंप्यूटर को एक रहस्यमय भविष्यवक्ता से बदलकर एक विश्वसनीय सलाहकार बना दिया।
यह अध्ययन प्रदर्शित करता है कि खुदरा मूल्य निर्धारण की उच्च-दांव वाली दुनिया में, सबसे अच्छा उपकरण आवश्यक रूप से सबसे जटिल वाला नहीं होता है। डेटा विश्लेषण की कठोरता को मानवीय तर्क की लचीलापन के साथ जोड़कर, शोधकर्ताओं ने दिखाया कि एक ऐसी प्रणाली बनाना संभव है जो शक्तिशाली और समझने योग्य दोनों हो। उन्होंने साबित किया कि आपको स्पष्टता के लिए सटीकता का त्याग करने की आवश्यकता नहीं है। सिस्टम ने एक विशाल खुदरा वातावरण की अनिश्चितता को सफलतापूर्वक नेविगेट किया, लाखों डेटा बिंदुओं को तीन स्पष्ट, कार्रवाई योग्य रणनीतियों में वर्गीकृत किया। इसने पुष्टि की कि जबकि अधिकांश उत्पाद स्थिर, अनुमानित मूल्य निर्धारण के तहत फलते-फूलते हैं, एक विशिष्ट उपसमूह को चुस्त, उत्तरदायी दृष्टिकोण की आवश्यकता होती है। सबसे महत्वपूर्ण बात यह है कि, इसने दिखाया कि जब एक मशीन अपने तर्क को सरल भाषा में समझा सकती है, तो वह उन लोगों का विश्वास जीत लेती है जो व्यवसाय चलाते हैं, जिससे ठंडे डेटा और गर्म, मानवीय निर्णय के बीच का अंतर समाप्त हो जाता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।