
Оптимизация цен на товары: прогноз спроса ч.1
Фундаментальная задача везде, но вокруг неё так много мифов! Давайте начнём разбираться с базы
Q = Q(P) - спрос в штуках, зависит от цены
P - цена
C - издержки на 1 штуку товара
Базово задача - максимизировать прибыль:
Q(P) * (P - C) --> max
И самое сложное - смоделировать зависимость Q(P)
Экономисты предполагают, что спрос складывается из многих таких выборов между продавцами, товарами и тд. Поэтому
Важна не абсолютная цена (79 руб), а относительная (Р/ P_competitor = +2% к цене конкурента, P / P_analogue = -5% к цене товара-аналога, P/ P_yesterday = +3% к вчерашней цене этого же товара)
Поэтому функция спроса на товары
Q = f(P/ P_competitor, P / P_analogue, ...)
Вообще, теоретически, на этом можно остановиться и применять наш любимый ML для прогноза Q с фичами на относительные цены. Но в реальности все сложнее 😅
Об этом - в следующих постах
#pricing #timeseries
Фундаментальная задача везде, но вокруг неё так много мифов! Давайте начнём разбираться с базы
Q = Q(P) - спрос в штуках, зависит от цены
P - цена
C - издержки на 1 штуку товара
Базово задача - максимизировать прибыль:
Q(P) * (P - C) --> max
И самое сложное - смоделировать зависимость Q(P)
Экономисты предполагают, что спрос складывается из многих таких выборов между продавцами, товарами и тд. Поэтому
Важна не абсолютная цена (79 руб), а относительная (Р/ P_competitor = +2% к цене конкурента, P / P_analogue = -5% к цене товара-аналога, P/ P_yesterday = +3% к вчерашней цене этого же товара)
Поэтому функция спроса на товары
Q = f(P/ P_competitor, P / P_analogue, ...)
Вообще, теоретически, на этом можно остановиться и применять наш любимый ML для прогноза Q с фичами на относительные цены. Но в реальности все сложнее 😅
Об этом - в следующих постах
#pricing #timeseries