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
Dit artikel introduceert het Hybrid Explainable Pricing Strategy Intelligence (HEPSI) framework, een fuzzy inferentie systeem toegepast op de M5 retail dataset dat prijsstrategieën classificeert in de categorieën Penetration, Premium en Dynamic op basis van economische drijfveren, en daarmee een schaalbaar en interpreteerbaar alternatief biedt voor rigide optimalisatie of black-box modellen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In het uitgestrekte, zoemende ecosysteem van de moderne detailhandel is het prijskaartje in een schap nooit zomaar een getal; het is een beslissing. Het is het resultaat van een constante, complexe onderhandeling tussen wat een klant bereid is te betalen, hoeveel een concurrent vraagt, en hoeveel de winkel een product moet verkopen om de lichten aan te houden. Decennialang hebben bedrijven geprobeerd dit puzzelstukje op te lossen met twee zeer verschillende instrumenten. Aan de ene kant zijn er rigide wiskundige modellen die prijsstelling behandelen als een vaste vergelijking, waarbij één perfecte prijs wordt berekend die zelden verandert. Aan de andere kant zijn er geavanceerde computerprogramma's die leren van data, maar opereren als 'black boxes', die een aanbeveling bieden zonder uit te leggen waarom. Het probleem is dat de echte wereld rommelig is. De vraag fluctueert, concurrenten reageren, en onzekerheid is de enige constante. Een systeem dat zijn redenering niet kan uitleggen, wordt vaak genegeerd door de menselijke managers die er naar moeten handelen, terwijl een systeem dat te rigide is, niet kan aanpassen aan de plotselinge verschuivingen van een drukke markt.
Dit is de uitdaging die een team onderzoekers probeerde op te lossen door te kijken naar een enorme collectie verkoopgegevens van een grote Amerikaanse retailer. Ze probeerden geen slimmere rekenmachine of een complexere leerende machine te bouwen. In plaats daarvan wenden ze zich tot een methode die nabootst hoe menselijke experts denken: fuzzy logic (vage logica). In tegenstelling tot traditionele computerlogica, die vereist dat een conditie strikt waar of onwaar is, staat fuzzy logic nuances toe. Het kan begrijpen dat de vraag niet alleen "hoog" of "laag" is, maar ook "enigszins hoog" of "zeer laag" kan zijn. Door harde cijfers te vertalen naar deze taalkundige beschrijvingen, creëerden de onderzoekers een systeem dat prijsstrategieën kan classificeren op een manier die zowel wiskundig solide als gemakkelijk begrijpelijk is voor een mens. Ze pasten deze aanpak toe op een dataset met meer dan één miljoen dagelijkse observaties van duizenden producten, met als doel ze in drie duidelijke strategische categorieën te sorteren: een strategie om marktaandeel te winnen, een strategie om winstmarges te maximaliseren, en een strategie om snel op veranderingen te reageren.
De onderzoekers begonnen door hun systeem vier kernstukken informatie over elk product op elke dag te voeren. Ze keken naar hoe sterk de vraag was vergeleken met het verleden, hoe gevoelig klanten waren voor prijsveranderingen, hoe wild de verkoopcijfers schommelden en hoe competitief de omgeving was voor dat specifieke artikel. In plaats van deze cijfers in een rigide formule te dwingen, zetten ze ze om in eenvoudige, beschrijvende termen. Een product kon worden beschreven als het hebben van "hoge volatiliteit" of "lage concurrentie". Deze beschrijvingen werden vervolgens ingevoerd in een reeks transparante regels, vergelijkbaar met een stroomdiagram dat een manager op een whiteboard zou kunnen tekenen. Bijvoorbeeld, als een product een hoge verkoopvolatiliteit en hoge concurrentie had, dicteerden de regels dat het een kandidaat was voor dynamische prijsstelling, waarbij prijzen frequent veranderen om aan te sluiten bij de chaos van de markt. Als de vraag sterk was maar de concurrentie laag, zou het systeem een penetratiestrategie suggereren om meer klanten te winnen. Als het product stabiel was en een sterke positie innam, zou het worden gemarkeerd voor een premiumstrategie om de winstmarge te beschermen.
Het resultaat was een classificatie van meer dan één miljoen dagelijkende observaties die verrassend intuïtief aanvoelde. Het systeem besloot dat bijna de helft van alle producten een penetratiestrategie moest volgen, en bijna evenveel een premiumstrategie moest volgen. Deze twee benaderingen, die stabiele, langetermijnprijsstelling vertegenwoordigen, besloegen het grootste deel van het retaillandschap. Slechts een klein deel, ongeveer negen procent, werd toegewezen aan de dynamische strategie. Deze verdeling weerspiegelde de realiteit van de winkel: de meeste artikelen worden verkocht onder voorspelbare omstandigheden, terwijl slechts enkelen de turbulente, risicovolle omgeving ervaren die constante prijsaanpassingen vereist. De onderzoekers ontdekten dat het systeem niet simpelweg gokte; het identificeerde correct verschillende economische regimes. De producten die gelabeld waren voor dynamische prijsstelling waren inderdaad de producten met de meest grillige verkopen en de felste concurrentie, terwijl de producten die voor penetratie waren gelabeld, de producten waren met de sterkste vraag en de minste concurrentie.
Om te testen of deze aanpak daadwerkelijk beter werkte dan de oude methoden, vergeleken de onderzoekers hun fuzzy-systeem met een rigide, standaard prijsmodel dat dezelfde kortingsregels op alles toepaste. Het flexibele, uitlegbare systeem bleek efficiënter. Het wist precies waar het diepere kortingen moest toepassen om volume te verplaatsen en waar het de lijn moest vasthouden om marges te beschermen. Omdat het onderscheid kon maken tussen een chaotisch product en een stabiel product, vermeed het de fout om prijzen te verlagen op artikelen waar dat niet nodig was, of kansen te missen om voorraad te verplaatsen op artikelen waar dat wel nodig was. De meest significante bevinding was echter niet alleen de besparingen, maar de helderheid. Elke aanbeveling die het systeem deed, kon worden teruggevoerd naar de specifieke omstandigheden die het hadden getriggerd. Een manager kon naar een product kijken en zien dat het werd aanbevolen voor een dynamische prijs omdat de verkopen onstabiel waren en de concurrentie hoog was. Deze transparantie veranderde de computer van een mysterieuze orakel in een vertrouwde adviseur.
De studie laat zien dat in de risicovolle wereld van retailprijsstelling het beste instrument niet noodzakelijkerwijs het meest complexe is. Door de strengheid van data-analyse te combineren met de flexibiliteit van menselijke redenering, lieten de onderzoekers zien dat het mogelijk is om een systeem te bouwen dat zowel krachtig als begrijpelijk is. Ze bewezen dat je geen nauwkeurigheid hoeft op te offeren voor helderheid. Het systeem navigeerde succesvol door de onzekerheid van een enorme retailomgeving en sorteerde miljoenen datapunten in drie duidelijke, actiegerichte strategieën. Het bevestigde dat terwijl de meeste producten gedijen onder een stabiele, voorspelbare prijsstelling, een specifieke subset een behendige, responsieve aanpak vereist. Het belangrijkste was dat het aantoonde dat wanneer een machine zijn logica in gewone taal kan uitleggen, het het vertrouwen verdient van de mensen die de zaken runnen, waardoor de kloof tussen koude data en warme, menselijke oordeelsvorming wordt overbrugd.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.