Data Science: Revenue Management, situación y problema

Nota previa: Para facilitar las explicaciones basaremos los ejemplos en la venta de la deliciosa bebida Slurm.

Que el precio de un bien afecta a la demanda del mismo, es algo que más o menos a todo el mundo le suena. Esta relación que de primeras pueda parecer sencilla se complica a medida que añadimos los factores a tener en cuenta en la realidad:

• Venta: cuánto Slurm vendemos. Cada venta tiene información como fecha de venta y precio.
• Antelación: nuestros verdaderos fan compran Slurm con semanas o incluso meses de antelación, por lo que la oferta no es solo de un día para otro.
• Oferta: cuánto Slurm podemos vender
• Competencia: a qué precio venden nuestros competidores su inferior producto
• Posible Demanda: nuestros futuros clientes no pueden evitar visitar nuestras tiendas, por lo que tenemos una idea de cuánta gente puede estar interesada.
• Costes: fijos y costes variables, nuestras fábricas y cada botella de Slurm.
• Beneficio final: dado que la satisfacción de nuestros clientes está asegurada, nuestro objetivo final será siempre la maximización de beneficio a largo plazo.

Si te parece un lío, no te preocupes vamos a intentar poner un poco de orden antes de continuar

Combinación de factores internos y externos

Vamos a clasificar los factores que podemos observar, controlar y qué queremos maximizar:

1. Objetivo a maximizar: Beneficio final
2. Factor que podemos modificar: Precio de Slurm
3. Factores internos no modificables: Costes y Oferta total
4. Factores externos: Precio de venta de la competencia
5. Hechos: ventas reales y posible demanda. Cada hecho tiene las dimensiones

Bien, ahora que lo hemos dejado un poco más claro, es evidente que no es un problema trivial. Así que lo suyo es meter todos los datos en una red neuronal y que nos diga la solución.

¡NO!

Recordemos que no debemos esperar que las máquinas nos solucionen un problema que nosotros aún no entendemos, de lo contrario nunca podríamos verificar si la solución es correcta, lo cual es vital (especialmente si hablamos del beneficio final de la empresa). Así pues el siguiente paso es usar algoritmia para encontrar un algoritmo que nos recomiende un precio a cada día según todos los factores

Algoritmia y Machine Learning para el problema

Ahora que hemos acordado que la fuerza bruta a base de ML no es la solución analicemos la situación. Vamos a dar recomendaciones de precio o mejor dicho, vamos a recomendar ajustar el precio en un sentido u otro, es decir:

• Ayer el precio base era 50€, la situación ha cambiado debido a varios factores, recomendamos hoy un precio de 55€

A nivel gráfico podríamos verlo de la siguiente forma

Simplificando el funcionamiento iría así:

Cada factor afecta al precio base (por ejemplo el precio que teníamos ayer), puede afectar con efecto “pull” (estiramos el precio arriba) o “push” (empujamos para que baje el precio). Una vez aplicado cada efecto calculamos el área resultante y obtenemos el nuevo precio.

Pero, ¿y el Machine Learning?

La descripción anterior es una simplificación del algoritmo con dos objetivos:

• Facilitar el entendimiento
• Que el algoritmo sea revisable para la gente de negocio

Como hemos dicho en ocasiones anteriores, un algoritmo no entendible y verificable es un algoritmo no válido. 

Todo eso no significa que no haya más elementos

Efectos push/pull

Cada factor tiene un efecto sobre el precio, el grado de este efecto viene determinado por unos pesos que se definen en inicio y que se irán ajustando con el tiempo en base al feedback de los usuarios y las situaciones de mercado con algoritmos de Machine Learning.

Factores extra

A parte se pueden montar mecanismo de detección de excepciones y otros factores para cuando el precio recomendado resulte alejado del precio final (por ejemplo si el algoritmo no tenía en cuenta que nuestros clientes les encanta tomar Slurm viendo la SuperBowl, momento ideal para pedir un poco de dinero extra a cambio de este delicioso brebaje)

Optimizar beneficio, no precio

Entre los factores a tener en cuenta están los costes fijos y variables que nos permiten definir estrategias de precio, por ejemplo si queremos hacer el break even lo antes posible y luego arriesgar con precios altos o si queremos un precio estable con un break even a 30 días.

Otros

A medida que avance el tiempo se espera tengamos un mayor control de la información y podamos ir no solo ajustando los precios, sino añadiendo factores nuevos.

Otros algoritmos similares: Nutri Score y Credit Score

Aunque no sean relacionados con el delicioso Slurm otras entidades manejan algoritmos de decisión similares, de éstas las más notorias son el

• Nutri Score de Francia, que se usa para definir la puntuación de como de saludable es la comida y que se está evaluando implantar en España (link)
• Credit Score se usa en múltiples países (más notoriamente EEUU). Los bancos lo usan para evaluar la capacidad de asumir créditos de las personas.

¿Por qué funciona?

Se trata de un algoritmo que busca automatizar las evaluaciones que nuestro departamento de competencia lleva años haciendo. 

Nuestros expertos en ventas en Slurm Inc. tienen muy interiorizado cada uno de estos factores por lo que el objetivo siempre debe ser traducir ese conocimiento a la máquina y posteriormente buscar posibles optimizaciones de la implementación.

Fuentes de las fotos Slurm1, Slurm2, Grunc Lunka, NutriScore, Slurm3

Si estás interesado en nuestra solución de Revenue Management o tienes un problema en el que nuestro departamento de Data Science pueda ayudar no dudes en enviarnos un correo a data@apsl.net