A carregar...
Publicação
Dynamic pricing and inventory optimization in e-commerce using machine learning
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 7.4 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
The current landscape of price and inventory planning has become highly complex andcompetitive, especially in e-commerce. While simple, linear demand and price forecastingmodels exist, they fail to capture the subtleties of statistical significance and business policies. Finding simple, stable and interpretable controllers that can operate in a real businesscontext is difficult and costly.This thesis studies machine-learning driven optimizing of inventory orders and pricing fore-commerce where fluctuating demand as well as capacity constrains and lead times createtightly coupled decisions. This study develops an operational framework that first learns weekly demand from historical data and then uses that forecast to optimize ordering and pricing under realistic businesspolicies. To do so, several baseline models are trained and benchmarked from which anXGBoost model is selected. The forecast is then exported and used as the basis for two controllers: a sequential two-stepheuristic (first order then price) and an integrated joint controller, selecting price and ordersimultaneously. The goal of both controller is to optimize and ultimately maximize profits for the forecasted finite horizon while respecting the guardrails (price corridor, servicelevel). The results prove the joint model to be feasible and stable all while delivering superior economic outcomes. This study contributes a deployable, reproducible, interpretablepipeline for joint pricing and inventory control.
O panorama atual do planeamento de preços e stocks tem vindo a tornar-se altamente complexo e competitivo, especialmente no e-commerce. Embora existam modelos simples e lineares de previsão de procura e preços, estes não o conseguem captar as subtilezas da significância estatística e das políticas comerciais. Encontrar mecanismos simples, estáveis e interpretáveis que operem num contexto empresarial real e difícil e dispendioso. Esta tese estuda a otimização, baseada em machine learning, de encomendas e preços para e-commerce, onde a procura flutuante, bem como as restrições de capacidade e os prazos de entrega, criam decisões fortemente interligadas. Este estudo desenvolve uma estrutura operacional que aprende a procura semanal a partir de dados históricos e utiliza essa previsão para otimizar os pedidos e preços no âmbito de políticas comerciais realistas. Para isso, vários modelos de referência ao treinados e comparados, a partir dos quais se seleciona um modelo XGBoost.<br/>A previsão e depois exportada e usada como base para dois controladores: uma heurística sequencial, em duas etapas (primeiro o pedido, depois o preço) e um controlador conjuntointegrado (selecionando o preço e o pedido simultaneamente). O objetivo de ambos e otimizar e, em última análise, maximizar os lucros para o horizonte finito previsto, respeitando as diretrizes, como o intervalo admissível de preços e nível deserviço. Os resultados comprovam que o modelo conjunto e viável e estável, proporciona também resultados económicos mais favoráveis. Este estudo contribui com uma pipeline implantável, reproduzível e interpretável para o controlo conjunto de preços e stocks.<br/>
O panorama atual do planeamento de preços e stocks tem vindo a tornar-se altamente complexo e competitivo, especialmente no e-commerce. Embora existam modelos simples e lineares de previsão de procura e preços, estes não o conseguem captar as subtilezas da significância estatística e das políticas comerciais. Encontrar mecanismos simples, estáveis e interpretáveis que operem num contexto empresarial real e difícil e dispendioso. Esta tese estuda a otimização, baseada em machine learning, de encomendas e preços para e-commerce, onde a procura flutuante, bem como as restrições de capacidade e os prazos de entrega, criam decisões fortemente interligadas. Este estudo desenvolve uma estrutura operacional que aprende a procura semanal a partir de dados históricos e utiliza essa previsão para otimizar os pedidos e preços no âmbito de políticas comerciais realistas. Para isso, vários modelos de referência ao treinados e comparados, a partir dos quais se seleciona um modelo XGBoost.<br/>A previsão e depois exportada e usada como base para dois controladores: uma heurística sequencial, em duas etapas (primeiro o pedido, depois o preço) e um controlador conjuntointegrado (selecionando o preço e o pedido simultaneamente). O objetivo de ambos e otimizar e, em última análise, maximizar os lucros para o horizonte finito previsto, respeitando as diretrizes, como o intervalo admissível de preços e nível deserviço. Os resultados comprovam que o modelo conjunto e viável e estável, proporciona também resultados económicos mais favoráveis. Este estudo contribui com uma pipeline implantável, reproduzível e interpretável para o controlo conjunto de preços e stocks.<br/>
Descrição
Palavras-chave
Time series Dynamic pricing Inventory optimization Synthetic data Sequential controller Joint/integrated controller Machine learning Roll-forward cross-validation Combining/ensemble forecasts Pricing/inventory policies Inventory planning/ordering Newsvendor model E-commerce Series cronológicas Fixação dinâmica de preços Gestão de stocks Dados sintéticos Controladores sequenciais Controladores integrados Aprendizagem automática Validação cruzada com series cronológicas Combinação de previsões Modelo do vendedor de jornais Comércio eletrónico
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC