Đối với nhiều nhà bán lẻ, việc đặt giá phù hợp cho sản phẩm của họ là một nhiệm vụ quan trọng để quản lý doanh thu. Tuy nhiên, các nhà bán lẻ thường phải đối mặt với câu hỏi đầy thách thức về mức giá nào là tối ưu. Mặc dù nhu cầu sản phẩm thường đáp ứng với những thay đổi về giá, nhưng nó cũng bị ảnh hưởng bởi nhiều yếu tố khác như tính thời vụ và giá cả của đối thủ cạnh tranh. Có thể ước tính tác động thực sự của sự thay đổi giá đối với nhu cầu là chìa khóa để xác định giá tối ưu của sản phẩm. Trong blog này, chúng tôi minh họa cách người ta có thể ước tính độ co giãn giá của nhu cầu của một thương hiệu kem hư cấu bằng cách sử dụng mô-đun suy luận nhân quả của AI có thể hành động. Tất cả các kết quả phân tích có thể được tìm thấy ở đây.
Để minh họa, chúng ta hãy xem xét doanh số bán hàng lịch sử của một thương hiệu kem hư cấu được cung cấp bởi một nhà bán lẻ trực tuyến. Bộ dữ liệu của chúng tôi bao gồm một năm bán hàng lịch sử bao gồm cả giá và số lượng bán ra. Trong tập dữ liệu này, chúng tôi giả định rằng nhu cầu bị ảnh hưởng bởi ngày trong tuần, tháng và giá cả. Cụ thể, nhu cầu ăn kem vào cuối tuần thường cao hơn ngày thường. Hơn nữa, do sự phổ biến ngày càng tăng của thương hiệu, có một xu hướng tăng nhỏ hàng tháng trong nhu cầu, do đó, trung bình, nhu cầu tháng Hai cao hơn một chút so với nhu cầu tháng Giêng, nhu cầu tháng Ba cao hơn một chút so với nhu cầu tháng Hai, v.v. Cuối cùng, cũng hợp lý khi giả định rằng khách hàng phản ứng với những thay đổi về giá, do đó việc tăng giá sẽ dẫn đến giảm nhu cầu, tất cả những thứ khác đều bằng nhau. Khi tạo tập dữ liệu này, chúng tôi giả định rằng khách hàng nói chung ít nhạy cảm hơn với sự thay đổi giá vào cuối tuần (Thứ Sáu, Thứ Bảy và Chủ Nhật) so với các ngày trong tuần.
Đối với giá lịch sử, chúng tôi giả định rằng nó cũng có xu hướng tăng hàng tháng tương tự như nhu cầu. Trong mỗi tuần, có một đánh dấu vào cuối tuần, do đó thứ sáu, thứ bảy và chủ nhật trung bình có giá cao hơn phần còn lại. Điều này có thể hợp lý khi nhà bán lẻ tính đến chi phí gia tăng trong việc sản xuất và giao kem vào cuối tuần.
Kết quả Phân tích tương quan phản ánh các giả định nói trên mà chúng tôi đã sử dụng để tổng hợp tập dữ liệu. Thật thú vị, mặc dù nhu cầu không bị hạn chế nói chung cao hơn vào cuối tuần, doanh số bán hàng quan sát thực tế thấp hơn vì giá thường cao hơn vào cuối tuần.
Sử dụng công cụ Dự báo chuỗi thời gian của Actable, chúng ta có thể hình dung sự biến động theo mùa của nhu cầu kem. Chúng ta cũng có thể thấy rằng mô-đun Dự báo chuỗi thời gian có thể chọn các mô hình nhu cầu và đưa ra dự báo nhu cầu tương đối hợp lý trong hai tháng tới.
Chúng ta đã thấy trong phần trước rằng mô-đun Dự báo chuỗi thời gian cung cấp dự đoán về nhu cầu trong tương lai, dựa trên nhu cầu lịch sử và mô hình giá. Tuy nhiên, dự đoán như vậy chỉ được đưa ra dựa trên mối tương quan thống kê giữa nhu cầu và giá cả và các yếu tố mùa vụ. Nó không cung cấp câu trả lời cho "nhu cầu giảm bao nhiêu phần trăm nếu chúng ta tăng giá thêm một phần trăm, tất cả những thứ khác đều bằng nhau". Câu trả lời cho câu hỏi như vậy có liên quan đến khái niệm kinh tế về độ co giãn giá của cầu và là một đầu vào quan trọng để tối ưu hóa giá. Ước tính độ co giãn giá của cầu cũng giống như ước tính tác động nhân quả của giá đối với nhu cầu.
Chúng tôi sẽ sử dụng mô-đun Suy luận nhân quả của Actable AI để ước tính độ co giãn giá của nhu cầu. Để phân tích, chúng tôi chọn "nhu cầu" là Kết quả, "giá" là Điều trị. Để ước tính độ đàn hồi theo ngày trong tuần, chúng tôi cũng chọn "day_of_week" làm Công cụ sửa đổi hiệu ứng. Cuối cùng, chúng tôi chọn "tháng" là Nguyên nhân phổ biến. Cuối cùng nhưng không kém phần quan trọng, chúng tôi đánh dấu vào ô Điều trị logarit và Kết quả logarit. Số lượng thử nghiệm được ấn định tại 8 phiên tòa. Tham số này được sử dụng để quyết định sự cân bằng giữa độ chính xác và tốc độ ước tính. Nói chung, tăng số lượng thử nghiệm dẫn đến ước tính chính xác hơn về các tác động nhân quả, nhưng cũng làm tăng thời gian phân tích.
Do sự biến đổi logarit của giá cả và nhu cầu, tác động nhân quả ước tính của giá đối với nhu cầu có thể được hiểu là tỷ lệ phần trăm thay đổi nhu cầu do tỷ lệ phần trăm thay đổi giá, là định nghĩa chính xác về độ co giãn giá của cầu. Dưới đây là ảnh chụp màn hình của các cài đặt và biểu đồ nhân quả tương ứng. Các nút trên biểu đồ này đại diện cho các biến khác nhau trong tập dữ liệu của chúng tôi. Hiệu ứng nhân quả của lợi ích được thể hiện bằng cạnh được định hướng từ "giá" sang "cầu". Cả "day_of_week" và "tháng" đều là nguyên nhân phổ biến, do đó, có các cạnh được định hướng kết nối chúng với các nút "giá" và "cầu". Nút điều chỉnh hiệu ứng "day_of_week" có màu xanh lam để làm nổi bật thực tế là chúng tôi đang ước tính tác động nhân quả của giá đối với nhu cầu theo ngày trong tuần.
Sau khi chạy phân tích, chúng tôi nhận được kết quả dưới đây từ mô-đun Suy luận nhân quả. Cụ thể, biểu đồ trên cùng cho thấy hiệu quả xử lý, hoặc độ co giãn giá của cầu, theo ngày trong tuần, trong đó thứ Hai được mã hóa là 0, thứ Ba được mã hóa là 1, v.v. Các dấu hiệu tiêu cực cho thấy việc tăng giá dẫn đến giảm nhu cầu. Ví dụ, một phần trăm tăng giá vào thứ Hai sẽ dẫn đến nhu cầu giảm trung bình 1,8%. Hơn nữa, chúng ta có thể thấy rằng khách hàng ít nhạy cảm về giá vào cuối tuần hơn so với các ngày trong tuần, một quan sát đồng ý với các giả định của chúng tôi trong việc tạo ra tập dữ liệu.
Cuối cùng, sơ đồ cây cung cấp một cách khác để diễn giải kết quả bằng cách nhóm công cụ sửa đổi hiệu ứng thành các nhóm khác nhau và hiển thị hiệu quả xử lý trung bình trong mỗi nhóm. Điều này rất hữu ích khi phạm vi giá trị cho công cụ sửa đổi hiệu ứng lớn.
