Uso de Machine Learning para optimización de precios en multinacional de retail
Date
2022-03
Type:
Thesis
item.page.extent
56 p.
item.page.accessRights
Authors
item.contributor.advisor
ORCID:
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad del Desarrollo. Facultad de Ingeniería
item.page.isbn
item.page.issn
item.page.issne
item.page.doiurl
item.page.other
item.page.references
Abstract
El acelerado ritmo de cambios en el comportamiento, gustos y preferencias del
consumidor, el creciente aumento en la competencia, la comodidad que internet ha
brindado a los compradores y la oportunidad sin precedente para comprender a los clientes gracias a la cantidad de datos que generan, posiciona a las empresas en un ambiente altamente dinámico. Debido a esta situación, ahora más que nunca, la correcta asignación de precios de productos y servicios es una clave fundamental para el éxito del comercio. En un escenario ideal, se considerarían todos los factores relacionados al momento de tomar la decisión de precio, lo cual no es realista. Sin embargo, una buena aproximación a esto, es la aplicación de algoritmos de machine learning. Mediante este enfoque se pretende evaluar la viabilidad de optimizar los precios para determinada familia de productos perteneciente a una empresa de retail, considerada como la más grande y valiosa de América Latina. Con el objetivo de lograr sugerencias de precio que permitan maximizar el margen de contribución, utilizando algoritmos de aprendizaje por refuerzo profundo. Para la investigación se usaron datos transaccionales de la compañía e información externa para entrenar los algoritmos y brindarle información del entorno en el que se desenvuelve la empresa, permitiendo capturar patrones de la demanda y su comportamiento bajo la influencia de determinados factores como precios relacionados, la competencia y marcadorestemporales.
Empleando métricas de rendimiento de pronóstico y la evidencia empírica, se concluyo que la nueva propuesta no puede ser adoptada por la compañía, en su situación actual. Sin embargo, la investigación reveló que existe una alternativa menos compleja y con
resultados aceptables para el sistema de recomendación de precios.
Description
Proyecto de grado presentado a la Facultad de Ingeniería de la Universidad del Desarrollo para optar al grado académico de Magíster en Data Science
item.page.coverage.spatial
item.page.sponsorship
Citation
Keywords
Optimización de precios, Pricing, Retail, Deep Reinforcement learning, XGBoost, 070037S