| Abstract |
Mašīnmācīšanās tehnoloģiju ieviešana sniedz jaunus veidus, kā uzlabot mazumtirdzniecības cenu noteikšanu tirgos, kas mainās un konkurē. Statiskās cenu veidošanas stratēģijas bieži vien nespēj reaģēt uz mainīgo klientu pieprasījumu, tirgus svārstībām, kā arī cenu elastību, tādējādi radot neizmantotas ieņēmumu iespējas. Šajā darbā tiek risināts e-komercijas ieņēmumu optimizācijas uzdevums, izmantojot pastiprinātas mācīšanās (RL) lietojumu, lai uzlabotu automatizētus cenu veidošanas lēmumus.
Šis lietišķais pētījums ir vērsts uz šīs dinamiskās cenu veidošanas sistēmas prototipa izstrādi, ieviešanu, kā arī novērtēšanu. Dinamiskās cenu noteikšanas sistēmas prototipa pamatā ir dziļais Q tīkls (Deep Q-Network, DQN). Sistēma tika izstrādāta, izmantojot Python, apmācīta, izmantojot vēsturiskos e-komercijas pārdošanas datus, un izpildīta Google Colaboratory. Vide simulē konkrētus reālās pasaules cenu veidošanas scenārijus, modelējot specifisku pieprasījuma reakciju, izmantojot cenu elastību ar tirgus trokšņiem. RL aģents mācās, kā pakāpeniski koriģēt cenas, lai maksimizētu ieņēmumus vairākos laika posmos.
RL modelis pēc 10 miljoniem soļu sasniedza 20 020 882,75 eiro kopējos ieņēmumus, kas ir nedaudz labāk nekā 20 016 275,75 eiro statiskās cenu noteikšanas bāzes scenārijs. Arī kopējais pieprasījums bija lielāks - pārdotas 5 201 157 vienības salīdzinājumā ar 5 184 864 vienībām, izmantojot statisko cenu noteikšanu. Modelis uzrādīja stabilu cenu noteikšanas uzvedību; tas bieži izvēlējās mērenas cenu korekcijas, piemēram, ±1% vai nemainīja cenas, kas liecināja, ka tas iemācījās efektīvi līdzsvarot rentabilitāti un pieprasījumu.
Neraugoties uz šiem daudzsološajiem rezultātiem, tika novēroti daži ierobežojumi, tostarp daži nelieli nepilnīgi rezultāti agrīnajos apmācības posmos, jutīgums attiecībā uz atlīdzības funkcijas dizainu un nejauša izpēte, kas sākotnēji radīja lielākus ieņēmumus. Šīs problēmas norāda uz nepieciešamību uzlabot atalgojuma noregulējumu un padziļināt produktu segmentāciju. Tās norāda arī uz integrāciju ar reāllaika tirgus datiem.
Kopumā rezultāti apstiprina pastiprinātas mācīšanās potenciālu, lai uzlabotu cenu veidošanas stratēģijas mazumtirdzniecības vidē. Turpmākajā darbā jāizpēta vairāku produktu apmācība, uz peļņu orientēti mērķi un izmēģinājuma izvēršana reālās sistēmās. |
