Разработка модели интеллектуальной системы формирования цен в интернет-магазине

Задача формирования цен на товары актуальна в торговой области деятельности.

При ценообразовании решаются такие задачи как учет спроса на товар в определенный период, учет факторов, влияющих на формирование цены, а также учет цен конкурентов.

Наиболее важной задачей является формирование оптимальной цены на товары, при которой будет получена максимальная прибыль от продаж.

Формирование цены представляет собой сложный многогранный процесс. Процесс ценообразования представлен на рисунке 1.1. Необходимую для установления цены информацию следует изучить, проанализировать. Недостаток информации, так же как и ее чрезмерность, затрудняют решение проблемы.

Рисунок 1 – Процесс ценообразования

Основной целью любого магазина является получение максимальной прибыли, а этого можно достичь за счет увеличения количества продаж. Для достижения поставленной цели, прежде всего, необходимо изучить предпочтения, потребности покупателей и основные факторы, влияющие на формирование цены, на основании чего разработать модель информационной системы, формирующей оптимальные цены на товары интернет-магазина.

Для того чтобы разработать подобную систему, необходимо сформулировать критерии, по которым формируется цена на товар, и исследовать методы, которые могут быть использованы в подобной системе, разработать модель формирования цен.

Рассмотрим интернет-магазин, в котором представлена некоторая номенклатура товаров T1...Tn. Каждому товару необходимо определить цену Ц1…Цn такую, чтобы прибыль от продаж была максимальной и было продано максимально возможное количество товаров

где

n – количество видов товаров,

m – количество проданных видов товаров,

П_i – продажи i-го вида товара,

Р_i – закупочная цена i-го вида товара.

Продажи можно рассчитать по формуле:

где

К_i – продажи i-го вида товара,

Ц_i – закупочная цена i-го вида товара.

Обзор исследований по теме

Цена на товар на определённом рынке не является постоянной величиной даже в пределах небольшого срока. Цены подвержены изменениям и колебаниям в зависимости от целого ряда факторов, начиная от политических и макроэкономических событий и заканчивая модой и погодой. Некоторые из этих факторов могут быть спрогнозированы, другие же носят вероятностный характер или вовсе непредсказуемы. В связи с этим при ценообразовании важно понимать, какие факторы оказывают влияние на определение цены, в какой мере производитель может использовать позитивные и нивелировать влияние негативных факторов.

На начальной стадии формируем цену по методу «Издержки плюс». Данный метод предполагает расчет цены продажи посредством прибавления к цене производства, цене закупки, хранения материалов и сырья фиксированной дополнительной величины прибыли [4]. Дополнительную величину прибыли устанавливает продавец. Уровень добавления суммы к себестоимости товара, устраивающий продавца, может быть не принят покупателем.

Для того чтобы установить оптимальную цену на товары, нужно спрогнозировать цену в зависимости от сезонности и других влияющих факторов. На основании начальной стоимости и прогнозирования можно сделать вывод, верно ли установлена цена или она нуждается в корректировке.

Существуют такие методы прогнозирования:

1. Метод простой средней;
2. Метод скользящего среднего;
3. Метод средневзвешенной;
4. Метод экспоненциального сглаживания;
5. Метод Хольта-Уинтерса;
6. Метод Авторегрессии;
7. Нейронные сети, генетические алгоритмы.

Далее рассмотрим каждый метод прогнозирования в отдельности.

Метод простой средней

Является простейшим из подобных методов, использование вычислений по формуле простого среднего. Прогноз цены на товар на следующий период при этом способе высчитывается как среднее арифметическое показателей цены за все предыдущие периоды.

Недостатком этого метода является его высокая консервативность – устаревшая информация о прежних продажах помешает проявиться последним тенденциям спроса по такой цене.

Метод скользящего среднего

Более оперативно на изменение цены реагирует метод скользящее среднее. Расчет при этом производится не на основании данных за весь срок наблюдения, а за несколько последних периодов.

Интересной вариацией метода является расчет скользящей средней по определенным сезонам. Такой метод может подойти товарам, обладающих ярко выраженной сезонностью [4].

Метод экспоненциального сглаживания

К сожалению, вышеперечисленные методы расчетов по среднему позволяют получить лишь очень приближенные результаты. Для более точного прогноза можно добиться при использовании моделей экспоненциального сглаживания и экспоненциального сглаживания с трендом.

В первом методе последний прогноз объема продаж, корректируется на основе ошибки прогноза, допущенной в последнем периоде. При втором методе расчетов (называемом еще методом двойного экспоненциального сглаживания) учитываются данные с трендами – благодаря этому данный метод может использоваться даже для среднесрочного прогнозирования [5]..

Метод Хольта-Уинтерса

Многие продукты имеют тенденцию роста или падения продаж, особенно когда они производятся впервые или когда появляются конкурирующие товары. Для некоторых продуктов существенны сезонные изменения уровня продаж, поэтому для прогноза цен на товар целесообразно учитывать конкретный характер тенденции и сезонных колебаний. На основе модели Хольта Уинтерс (Винтерс, Winters) создал свою прогностическую модель, которая учитывает экспоненциальный тренд и аддитивную сезонность [5]..

Чтобы получить прогноз спроса в этом методе необходимо правильно подобрать три параметра. Для этого можно использовать как специальные алгоритмы, так и ограничиться простым перебором [4]..

Метод Авторегрессии

При желании получить еще более совершенные прогнозы можно использовать модели авторегрессии. Эта методика позволяет провести очень подробный анализ имеющихся данных, выявить любые тенденции и отсеять случайные влияния. Однако, в отличие от предыдущих методов, подбор множества параметров потребует от пользователя очень много усилий и времени.

Прогнозирование с использованием модели авторегрессии опирается на предыдущие значения продаж. Слово авторегрессия означает зависимость последующего значения продажи от предыдущих продаж. Зависимость в случае авторегрессии предполагается линейная, то есть прогноз представляет собой сумму продаж за предыдущие дни с некоторыми коэффициентами, которые являются постоянными и определяют параметры модели авторегрессии. Сколько дней (периодов в общем случае) таких продаж из прошлого мы будем брать, чтобы пытаться спрогнозировать будущие продажи по назначенной цене называется порядком модели авторегрессии [4].

Нейронные сети, генетические алгоритмы

Следует отметить, что чем более сложные методы прогнозирования используются, тем труднее их практическое применение и тем выше вероятность возникновения ошибок. Анализ огромных объемов информации, подбор оптимальных параметров, оперативный учет колебаний рынка – все это порой находится на пределе человеческих возможностей. Наиболее перспективным в решении этой проблемы является использование алгоритмов нейронных сетей .

В этой методике специальная программа после предварительного обучения способна самостоятельно найти лучшее решение – при этом пользователю не нужно вникать во все премудрости используемых теорий. Кроме того, нейронные сети способны учесть скрытые тенденции и создать достоверный прогноз в такой нестабильной ситуации, где ранее прогнозирование считалось вообще невозможным [5].

Динамическое ценообразование можно организовать с помощью искусственных нейронных сетей. Для обучения такой сети данные по уровню спроса, в зависимости от дня недели и от времени суток, берутся за прошлый период. Основное преимущество нейронной сети – это возможность обучаться и получать данные самостоятельно. В отличие от традиционных моделей спроса, модели, построенные на нейронных сетях, не делают каких-либо предварительных предположений о взаимосвязи между различными факторами, эти отношения извлекаются из самих данных. Они способны вывести значение из сложных или неточных данных и могут быть использованы для моделирования отношений, которые слишком сложны. Эта способность нейронных сетей делает их хорошим кандидатом для моделирования спроса при динамическом ценообразовании [1].

Нейронные сети позволяют решать задачи, с которыми не могут справиться традиционные методы, они способны успешно решать задачи, опираясь на неполную, зашумленную, искаженную информацию.

Рассмотрим схему организации динамического ценообразования с использованием нейронной сети (рис1.2).

Рисунок 2 – Схема организации динамического ценообразования с применением нейронной сети

Компания в процессе своей деятельности осуществляет закупку товаров у поставщиков по оптовым ценам и реализует их населению по розничным. При этом формируется валовой доход предприятия, определяемый выручкой от реализации товаров и услуг за вычетом затрат на оплату стоимости полученных от поставщиков товаров. Компания стремится максимизировать свою чистую прибыль, которая при прочих фиксированных условиях, в том числе налоговых ставках, зависит от величин торговых наценок на товары. Существуют и другие факторы, например, покупательский спрос, конкурентоспособность товаров и скорость товарооборота, которые также влияют на величину прибыли.

Нейронная сеть получает данные от различных источников (цены у конкурентов, уровень спроса, цену оптовой закупки товара) анализирует их устанавливает оптимальную цену на товар.

По итогам проведенного обзора было принято решение использовать метод прогнозирования цен с использованием нейронных сетей.

Выводы

Были исследованы различные методы формирования и прогнозирования цены на товары. Принято решение создать систему, используя метод «Издержки плюс» и метод прогнозирования «Нейронные сети». С помощью этой системы будет формироваться оптимальная цена на товары с учетом цен конкурентов, предпочтений и потребностей покупателей, а также с учетом сезона, жизненного цикла товара.

Список использованной литературы

1. Использование нейронных сетей для динамического ценообразования. [Электронный ресурс] – Режим доступа: URL: http://edrj.ru/article/19-04-16
2. Нейронные сети: на пороге будущего. [Электронный ресурс] – Режим доступа: URL: http://www.neuroproject.ru/articles_dak_nn.php
3. Ценообразование. [Электронный ресурс] – Режим доступа: URL: https://ru.wikipedia.org/wiki/ Ценообразование
4. Методы прогнозирования цен. [Электронный ресурс] – Режим доступа: URL: https://works.doklad.ru/view/LqjyMIaIGtA/all.html
5. Прогнозирование. [Электронный ресурс] – Режим доступа: URL: https://fnow.ru/articles/prognozirovanie-sprosa