Ce diaporama a bien été signalé.
Le téléchargement de votre SlideShare est en cours. ×

Optimizing e-commerce conversion rate with dynamic pricing techniques

Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité
Publicité

Consultez-les par la suite

1 sur 22 Publicité

Optimizing e-commerce conversion rate with dynamic pricing techniques

Télécharger pour lire hors ligne

E-commerce is growing rapidly and is constantly gaining momentum towards being the dominant source of commercial transactions. The pricing policies and pricing strategies of businesses are of paramount importance for surviving in this highly competitive market, achieving sell-out goals and maximizing profits. Towards this end, various dynamic pricing algorithms have been proposed and adapted to the continuously changing conditions of online markets. These algorithms are based on the abundance of data available to the online stores about market conditions as well as customer’s preferences and consumption habits. Effectively analyzing this data and being able to integrate them into dynamic pricing strategies can give a significant competitive advantage to businesses. The purpose of this thesis is the development of a system for dynamic pricing of products of e commerce stores. We proposed an improved hybrid model that is used to solve the univariate timeseries predictions problem, in order to predict future sales. The proposed model uses a deep neural network (LSTM), which has shown promising results in the lasts years compared to classic feedforward neural networks. Moreover, we proposed an optimization algorithm for product pricing that optimizes the conversion rate and the profit margins of e-commerce stores. Finally, we evaluated our system be creating a simulated marketplace using real, anonymous data.

E-commerce is growing rapidly and is constantly gaining momentum towards being the dominant source of commercial transactions. The pricing policies and pricing strategies of businesses are of paramount importance for surviving in this highly competitive market, achieving sell-out goals and maximizing profits. Towards this end, various dynamic pricing algorithms have been proposed and adapted to the continuously changing conditions of online markets. These algorithms are based on the abundance of data available to the online stores about market conditions as well as customer’s preferences and consumption habits. Effectively analyzing this data and being able to integrate them into dynamic pricing strategies can give a significant competitive advantage to businesses. The purpose of this thesis is the development of a system for dynamic pricing of products of e commerce stores. We proposed an improved hybrid model that is used to solve the univariate timeseries predictions problem, in order to predict future sales. The proposed model uses a deep neural network (LSTM), which has shown promising results in the lasts years compared to classic feedforward neural networks. Moreover, we proposed an optimization algorithm for product pricing that optimizes the conversion rate and the profit margins of e-commerce stores. Finally, we evaluated our system be creating a simulated marketplace using real, anonymous data.

Publicité
Publicité

Plus De Contenu Connexe

Diaporamas pour vous (11)

Similaire à Optimizing e-commerce conversion rate with dynamic pricing techniques (20)

Publicité

Plus par ISSEL (20)

Plus récents (17)

Publicité

Optimizing e-commerce conversion rate with dynamic pricing techniques

  1. 1. “Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμικής τιμολόγησης” ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ & ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΕΠΕΞΕΡΓΑΣΙΑΣ ΚΑΙ ΥΠΟΛΟΓΙΣΜΩΝ Λάγγαρης Σωτήριος ΑΕΜ: 9160 Επιβλέποντες: Αναπληρωτής Καθηγητής κ. Συμεωνίδης Ανδρέας Μεταδιδακτορικός ερευνητής κ. Βαβλιάκης Κωνσταντίνος
  2. 2. Εισαγωγή 2 Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμικής τιμολόγησης Μάρτιος 2022  Ψηφιοποίηση των αγορών και ραγδαία ανάπτυξη του ηλεκτρονικού εμπορίου  Πληθώρα διαθέσιμων δεδομένων σχετικά με την αγορά και τους πελάτες  Ανάγκη σχεδιασμού νέων στρατηγικών τιμολόγησης  Στόχος η μεγιστοποίηση των κερδών
  3. 3. Σκοπός διπλωματικής εργασίας 3 Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμικής τιμολόγησης Μάρτιος 2022  Ανάπτυξη συστήματος δυναμικής τιμολόγησης προϊόντων.  Εξέταση της απόδοσης με πραγματικά και ανώνυμα δεδομένα.  Διενέργεια πειραμάτων σύγκρισης με άλλους αλγορίθμους και διαφορετικές μεθοδολογίες τιμολόγησης.
  4. 4. Γνώσεις που αποκτήθηκαν 4 Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμικής τιμολόγησης Μάρτιος 2022 1. Αλγόριθμοι τιμολόγησης και μοντέλα πρόβλεψης. 2. Τεχνικές ανάλυσης και επεξεργασίας δεδομένων. 3. Υλοποίηση προσομοιώσεων αγοράς με διαφορετικές παραμέτρους. 4. Γνώσεις προγραμματισμού σε Python και εξοικείωση με πολλές βιβλιοθήκες της
  5. 5. Προτεινόμενο σύστημα 5 Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμικής τιμολόγησης Μάρτιος 2022 1. Δημιουργία ενός υβριδικού μοντέλου πρόβλεψης μονοδιάστατων χρονοσειρών 2. Χρήση ενός αλγορίθμου βελτιστοποίησης για την τιμολόγηση των προϊόντων 3. Αξιολόγηση του συστήματος σε ένα προσομοιωμένο περιβάλλον υπό ρεαλιστικές συνθήκες
  6. 6. Πρόβλεψη Πωλήσεων 6 Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμικής τιμολόγησης Μάρτιος 2022 Χρονοσειρά ETS Αφαιρέτης Κατάλοιπα LSTM Συνδυασμός Αποτελεσμάτων Τελική Πρόβλεψη • Υβριδικό μοντέλο πρόβλεψης μονοδιάστατων χρονοσειρών • Σύνολο δεδομένων εισόδου οι μηνιαίες πωλήσεις • Εκπαίδευση με το ιστορικό 8 τελευταίων ετών
  7. 7. Μοντέλο ETS 7 Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμικής τιμολόγησης Μάρτιος 2022 Περιέχει τόσο γραμμικά όσο και μη γραμμικά μοντέλα Παράμετροι ETS: a) Προσθήκη Εποχικότητας (Seasonality) b) Προσθήκη Τάσης (Trend) Δημιουργία προβλέψεων C^𝑡 1
  8. 8. Μοντέλο LSTM 8 Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμικής τιμολόγησης Μάρτιος 2022 Παράμετροι LSTM nEpochs 300 batchSize 32 Συνάρτηση Σφάλματος MSE Συνάρτηση Ενεργοποίησης ReLU Συνάρτηση Βελτιστοποίησης ADAM Κατάλοιπα ETS: 𝑒𝑡 = 𝑦𝑡 − 𝐶^𝑡 1 Κανονικοποίηση στο [0,1]: x΄ = 𝑥 − 𝑥𝑚𝑖𝑛 𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛
  9. 9. Συνδυασμός προβλέψεων 9 Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμικής τιμολόγησης Μάρτιος 2022 Μοντέλα MSE RMSE MAPE ETS 292.823 8.7634 6.8826 ETS + 263.075 8.5224 6.7307 Βελτίωση 10.15% 2.83% 2,20% • Αποκανονικοποίηση πρόβλεψης καταλοίπων • Τελική πρόβλεψη = Πρόβλεψη ETS + Πρόβλεψη LSTM • Μεγαλύτερη ακρίβεια υβριδικού μοντέλου
  10. 10. Αλγόριθμος Newton-Raphson 10 Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμικής τιμολόγησης Μάρτιος 2022 Στοχεύει να βρει τα ολικά μέγιστα/ελάχιστα της f, μέσα από την επανάληψη της μεθόδου Πολυπλοκότητα O(Ν2) Παράγει την Increment_Opt_Price για τον βέλτιστο συντελεστή κέρδους Products Average Price Cost Average Profit Average units sold Incremental Acquisition Product 1 95 92 2.8 0.6 0.0032300 Product 2 37 27 10.0 0.8 0.0010600 Product 3 34 26 8.5 0.6 0.0032800 Product 4 32 30 2.8 0.7 0.0000000 Product 5 62 45 16.0 1.0 0.0007900
  11. 11. Προσομοίωση Αγοράς 11 Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμικής τιμολόγησης Μάρτιος 2022 • Προσπάθεια προσομοίωσης των συνθηκών μιας πραγματικής αγοράς σε ένα εικονικό περιβάλλον • Η προσομοιωμένη αγορά αποτελείται από 7 καταστήματα, 2.000 προϊόντα και 1.000 πελάτες • 𝑆ℎ𝑜𝑝: 𝑝𝑟𝑖𝑐𝑒 = 𝑟𝑒𝑓𝑒𝑟𝑒𝑛𝑐𝑒𝑃𝑟𝑖𝑐𝑒 + 𝑟𝑒𝑓𝑒𝑟𝑒𝑛𝑐𝑒𝑃𝑟𝑖𝑐𝑒 ∗ (𝑃𝑟𝑜𝑓𝑖𝑡 𝐶𝑜𝑒𝑓𝑓)
  12. 12. Καταναλωτές 12 Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμικής τιμολόγησης Μάρτιος 2022 • Willingness to Pay (Wtp): το υψηλότερο χρηματικό ποσό που θα ήθελε να πληρώσει ο καταναλωτής για ένα προϊόν • Για κάθε πείραμα θα υπάρχουν 4 κανονικές κατανομές για τις Wtp των καταναλωτών γύρω από το 85, 95, 100 και 115% της τιμής αναφοράς αντίστοιχα • Αυτές είναι κανονικές κατανομές γύρω από ένα ποσοστό της μέσης τιμής της αγοράς: wtpAverage = (ποσοστό) * referencePrice
  13. 13. Μετρικές Αξιολόγησης 13 Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμικής τιμολόγησης Μάρτιος 2022 Για κάθε κατάστημα υπολογίζονται: 1. Συνολικός Τζίρος 2. Αριθμός Πωλήσεων 3. Ρυθμός Μετατροπών 4. Μικτό Κέρδος 5. Ποσοστό Μικτού Κέρδους Α) Μικτό Κέρδος = Συνολικά Έσοδα – Κόστος παραγωγής αγαθών Β) Ποσοστό Μικτού Κέρδους = Μικ𝜏ό Κέρδος Συνολικός Τζίρος × 100%
  14. 14. Αποτελέσματα 1/3 14 Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμικής τιμολόγησης Μάρτιος 2022 Αναγνωριστικό Πείραμα, ανταγωνιστές με σταθερή στρατηγική τιμολόγησης με κατασκευασμένα δεδομένα.  Μικτά Κέρδη αυξημένα κατά 4,06% σε σχέση με το δεύτερο κατάστημα  Καλύτερο Profit Margin από όλους τα υπόλοιπα καταστήματα Καταστήματα Στρατηγικές Τιμολόγησης Shop 0 Προτεινόμενη στρατηγική Shop 1 = (+0,20) * referencePrice Shop 2 = (+0,10) * referencePrice Shop 3 = (+0,05) * referencePrice Shop 4 = referencePrice Shop 5 = (-0,05) * referencePrice Shop 6 = (-0,1) * referencePrice
  15. 15. Σύγκριση Αλγορίθμων 15 Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμικής τιμολόγησης Μάρτιος 2022 Αλγόριθμος Particle Swarm Optimization (PSO): 1. Εμπνευσμένος από τη φύση 2. Οι λύσεις αναπαριστούν σωματίδια στο χώρο 3. Χρειάζεται μόνο την αντικειμενική συνάρτηση
  16. 16. Αποτελέσματα 2/3 16 Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμικής τιμολόγησης Μάρτιος 2022 Αλλαγή της στρατηγικής του ‘Καταστήματος 1’ στην προτεινόμενη στρατηγική με PSO αντί του Newton-Raphson με ανώνυμα δεδομένα από www.pharm24.gr  Καλύτερη απόδοση και στις δύο μετρικές από την προτεινόμενη στρατηγική  Το ‘Κατάστημα 1’ είναι με βάση τα συνολικά κέρδη το 2ο καλύτερο 1,607,825 1,540,980 1,515,071 1374004 1280936 1232620 1122432 Shop 0 Shop 1 Shop 6 Shop 3 Shop 5 Shop 4 Shop 2 Gross Profits
  17. 17. Σύγκριση Μεθοδολογιών 17 Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμικής τιμολόγησης Μάρτιος 2022 Προδιαγραφές πειράματος: Κατάστημα 1: Προτεινόμενη στρατηγική δυναμικής τιμολόγησης Κατάστημα 2: Δυναμική τιμολόγηση μέσω συστήματος με νευρωνικό δίκτυο back-propagation Κατάστημα 3: Σταθερή τιμολόγηση +0.1 σε σχέση με την τιμή αναφοράς  3 καταστήματα  2000 προϊόντα από την βάση δεδομένων του www.pharm24.gr  1000 πελάτες  επισκέπτονται τα καταστήματα με τυχαία σειρά
  18. 18. Αποτελέσματα 3/3 18 Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμικής τιμολόγησης Μάρτιος 2022 0 500,000 1,000,000 1,500,000 2,000,000 2,500,000 Μέση Wtp στο 0,85 Μέση Wtp στο 0,95 Μέση Wtp στο 1,05 Μέση Wtp στο 1,15 Σύγκριση Gross Profits των καταστημάτων Κατάστημα 1 Κατάστημα 2 Κατάστημα 3 Καταστήματα Μέσο Ποσοστό Μικτού Κέρδους 1 26,45 % 2 24,53 % 3 22,42 %
  19. 19. Συμπεράσματα 19 Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμικής τιμολόγησης Μάρτιος 2022  Υψηλότερα κέρδη με δυναμική στρατηγική τιμολόγησης  Ο Newton-Raphson παρουσίασε καλύτερα αποτελέσματα από τον PSO στη συγκεκριμένη μεθοδολογία  Η προτεινόμενη μεθοδολογία αν και απλή παρουσιάζει πολύ υποσχόμενα αποτελέσματα
  20. 20. Μελλοντική Εργασία 20 Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμικής τιμολόγησης Μάρτιος 2022  Χρήση κάποιων χαρακτηριστικών στην είσοδο του LSTM  Σύγκριση του Newton-Raphson και με άλλους αλγόριθμους βελτιστοποίησης  Σύγκριση της συνολικής μεθοδολογίας με εναλλακτικά συστήματα τιμολόγησης πέραν της στρατηγικής με το back- propagation νευρωνικό δίκτυο
  21. 21. Ευχαριστίες Ευχαριστώ θερμά: • Τον Αναπληρωτή Καθηγητή Ανδρέα Συμεωνίδη • Τον Μεταδιδακτορικό Ερευνητή Κωνσταντίνο Βαβλιάκη 21 Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμικής τιμολόγησης Μάρτιος 2022
  22. 22. Ευχαριστώ για την προσοχή σας! Ερωτήσεις; 22 Βελτίωση του ρυθμού μετατροπής ηλεκτρονικών καταστημάτων με τεχνικές δυναμικής τιμολόγησης Μάρτιος 2022

×