Введение.

Для маркетологов, директоров и владельцев бизнеса, ценообразование – одна из самых сложных и ответственных стратегий компании. Любая компания сталкивается с трудностью установления правильной цены на свой продукт. Понятно, что правильно установленная цена играет важную роль: слишком низкая — вы теряете потенциальную прибыль; слишком высокая — страдают продажи и средний чек. Выбор ценовой стратегии является одним из ключевых решений, который фирма должна сделать для того, чтобы выжить в условиях конкуренции на рынке. Если ценовая стратегия выбрана верно, то это может быть ценным инструментом для достижения ряда различных бизнес-целей, таких как максимизация прибыли, управление спросом и т.д.

Развитие информационных технологий и появление большого количества ПО для осуществления продаж, сбора, хранения и анализа большого массива данных о покупателях и истории их покупок приводят ко все большему применению методов и алгоритмов так называемого динамического ценообразования во многих сферах ведения бизнеса [1].

Объекты и методы исследования.

Динамическое ценообразование [2, 3] является ценовой стратегией, где компания корректирует цену на свои продукты и услуги в зависимости от предполагаемого спроса в разное время. Другими словами, динамическое ценообразование – это продать продукт или услугу нужным клиентам, в нужное время, с правильной ценой, для того, чтобы максимизировать прибыль. Традиционно, она применяется в сфере услуг, таких как авиакомпании и гостиницы. Например, в авиакомпании, цена на билет меняется в зависимости от времени, оставшегося до полета и в соответствии с количеством доступных мест. Говоря о динамическом ценообразовании, нужно иметь ввиду, что изменение цены осуществляется автоматически, без участия человека, на базе специальных алгоритмов. Оно контролируется специальными компьютерными программами, которые собирают и анализируют данные, а затем, согласно бизнес-правилам, устанавливают цены с учетом таких факторов, как расположение заказчика, время заказа, день недели, уровень спроса, цены конкурентов, остаток товаров на складе и др. Основная цель динамического ценообразования – оптимизация прибыли компании за счет мгновенного реагирования на изменение рыночной ситуации [4].

Динамическое ценообразование можно организовать с помощью искусственных нейронных сетей. Данные для обучения 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. Скорее всего, они узнают эти отношения из самих данных. Они способны вывести значение из сложных или неточных данных и могут быть использованы для моделирования отношений, которые слишком сложны, чтобы быть замеченными людьми или компьютерной техникой. Эта способность нейронных сетей делает их хорошим кандидатом для моделирования спроса при динамическом ценообразовании.

Нейронные сети [5] позволяют решать задачи, с которыми не могут справиться традиционные методы, они способны успешно решать задачи, опираясь на неполную, зашумленную, искаженную информацию. Нейронная сеть – это система, состоящая из многих простых вычислительных элементов (нейронов), определенным образом связанных между собой. Наиболее распространенными являются многослойные сети, в которых нейроны объединены в слои. Слой, в свою очередь, – это совокупность нейронов, на которые в каждый такт времени параллельно поступает информация от других нейронов сети, т.е. выходы нейронов соединяются с входами других нейронов. Так сигнал от одного элемента передается другим. После того как определено число слоев и число элементов в каждом из них, нужно обучить сеть, т.е. найти значения для весов и порогов сети, которые минимизировали бы ошибку прогноза, выдаваемого сетью. Для этого существуют алгоритмы обучения. Ошибка для конкретной конфигурации сети определяется путем прогона через сеть всех имеющихся наблюдений и сравнения реально выдаваемых выходных значений с желаемыми (целевыми) значениями. По сути, процесс обучения представляет собой подгонку модели, которая реализуется сетью, к имеющимся обучающим данным.

Концептуально искусственные нейронные сети опираются на биологические нейронные сети головного мозга человека. Головной мозг человека – это самоорганизующаяся децентрализованная структура по обработке информации, состоящая из дискретных функциональных единиц – нейронов (каждый из которых обладает относительно простым устройством). Число нейронов в головном мозге человека учёные оценивают примерно как 10¹², а общее число связей между всеми нейронами мозга колеблется от 10¹⁴ до 10¹⁵ [5].

В качестве метода для оптимизации динамической задачи ценообразования на основе искусственной нейронной сети предполагается использовать эволюционные алгоритмы (ЭА) [6, 7]. Они используют концепцию естественного отбора и случайных изменений при эволюции, что позволяет найти лучшее решение проблемы.

Экспериментальная часть.

Для того чтобы построить любую сеть, необходимо задать ряд важных параметров, которые будут непосредственным образом влиять на её функционирование. Во-первых, следует определить архитектуру искусственной нейронной сети. Под архитектурой в данном случае понимается конструкция узлов, через которые проходит поступающий в сеть сигнал, а также схема связей между этими узлами. В узлах сети расположены нейроны, которые отвечают за обработку и дальнейшую передачу информации, а взаимосвязь между ними обеспечивается весами. Веса искусственной нейронной сети также выполняют функцию связующих звеньев между различными ансамблями нейронов – слоями. Предполагается, что информационные потоки (x1, x2,…xd) проходят по ним последовательно, один за другим, и преобразуются в значения выходного слоя (y1, y2, …,ym). Такая сеть называется сетью прямого прохода (feed-forward network).

На рис. 1 изображена двухслойная (входные данные, скрытый, выходной слои) сеть прямого прохода. Заметим, что наличие входных данных и выходного слоя – это обязательное условие построения любой искусственной нейронной сети, а количество скрытых слоёв можно регулировать в зависимости от сложности обрабатываемого массива данных.

Рисунок 1. Схема двухслойной сети прямого прохода

Для лучшего понимания принципа построения искусственной нейронной сети необходимо указать, что входное значение для каждого нейрона скрытого слоя представляет собой взвешенную по весам сумму нейронов предыдущего слоя (на рис. 2 изображён этот механизм для двухслойной сети с одним скрытым нейроном).

Формально это положение запишем так:

                                                       (1)

где S – активация нейрона в скрытом слое, X – входное значение нейрона в предыдущем слое, w_i – вес нейрона, d – число нейронов в предыдущем слое, k – номер нейрона скрытого слоя.

Рисунок 2. Схема суммирования значений нейронов в скрытом слое

На первый взгляд может показаться, что мы имеем дело лишь со сложной регрессией с большим количеством коэффициентов, однако это не так, потому что архитектура искусственной нейронной сети содержит в себе нелинейное преобразование (важнейшая характеристика нейронных сетей, о которых было сказано выше). Для нашего примера на рис. 2 это означает, что взвешенная сумма S нейрона скрытого слоя является аргументом нелинейной функции f(S), которая создаёт выходное значение скрытого слоя Y :

                                                                             (2)

Под обучением искусственной нейронной сети подразумевается итеративный процесс оптимизации значений весов (вектор w на рис. 2), которые определяют связи между нейронами и общую эффективность работы сети (некоторые базовые принципы обучения раскрываются в работе [8]).

Принципиально искусственные нейронные сети можно разделить на два типа: обучающиеся с учителем (supervised learning) и самообучающиеся (unsupervised learning). Обучение сети с учителем означает, что нейронной сети сначала предъявляется некоторый набор обучающих примеров, на которых она тренируется, – таким образом программируются потенциальные выходные значения модели, которые должны быть максимально близки к эталонным. Если перед такой искусственной нейронной сетью ставится задача прогнозирования, то традиционно сеть сначала «натаскивают» на обучающем массиве (in-the-sample), а потом, на основе оптимизированных значений принимают решение уже на другом, реальном массиве данных (out-of-sample). К сетям, обучающимися с учителем, можно отнести сети прямого и обратного прохода, рекуррентные сети и др.

Самообучающиеся искусственные нейронные сети не имеют никаких эталонных примеров и обучаются, используя механизмы самоорганизации и конкуренции. Это означает, что мы изначально не можем задать общее пространство выходных значений сети. К самообучающимся сетям относятся, например, сети Кохонена (самоорганизующиеся карты), сети Хопфилда, «машины Больцмана» и др.

Для формирования контекстной библиотеки искусственной нейронной сети предлагается задействовать модель распознавания образов, предложенную известным немецким физиком и основателем синергетики Г.Хакеном [9]. Следует заметить, что Хакен в своей работе во многом опирался на результаты исследований головного мозга человека и сделал ядром своей искусственной нейронной сети принцип ассоциативной памяти, наличие которой является важнейшей характеристикой мыслительной деятельности людей.

Данная библиотека нужна для поиска информации по определенным товарам в сети Интернет и анализа цены на данный товар. Нейронная сеть после обучения будет отслеживать показатели стоимости конкурентов для анализа и принятия решения о понижении или повышении цены на товар. Так же учитывается уровень спроса в данный период времени (на анализе прошлых периодов).

Основные преимущества искусственных нейронный сетей перед традиционными вычислительными системами:

решение задач при неизвестных закономерностях;

устойчивость к шумам во входных данных;

потенциальное сверхвысокое быстродействие;

отказоустойчивость при аппаратной реализации нейронной сети.

Рассмотрим схему организации динамического ценообразования с использованием нейронной сети (Рис.3).

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.

Рисунок 3. Схема организации динамического ценообразования с применением нейронной сети

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

Результаты и выводы.

Таким образом, искусственную нейронную сеть можно использовать для динамического ценообразования и регулировать цену на товар в зависимости от ситуации на рынке и цены у конкурентов.

Результаты практического применения нейросетевых технологий в России пока немногочисленны. Отчасти это объясняется следующими причинами:

— использование аппарата ИНС имеет свои особенности, которые не свойственны традиционным методам;

— путь от теории нейронных сетей к их практическому использованию требует адаптации методологий, отработанных первоначально на модельных задачах; — вычислительная техника с традиционной архитектурой недостаточно приспособлена для реализации нейросетевых методов.

Динамическое ценообразование может быть ценным инструментом для компании, чтобы максимизировать свой доход путем изменения цен в зависимости от предполагаемого спроса. Кроме того, оно также может быть использовано для управления потоком спроса.