作者

Image

文森特-奥里奥

机器学习博士候选人，Artefact

阅读我们的文章

商品分类优化是零售业的一个关键流程，它包括 策划理想的产品组合 以满足消费者的需求，同时考虑到物流方面的诸多限制。零售商需要确保在正确的时间提供正确数量的正确产品。通过利用 data 和消费者洞察力，零售商可以根据客户偏好、季节性趋势和销售模式，就哪些商品需要备货、如何管理库存以及哪些商品需要优先供应做出明智的决策。.

对于零售企业来说，优化商品种类对于在以下两方面取得平衡至关重要 品种 和 效率. .提供的选择太少可能会赶走顾客，而提供的选择太多又会导致混乱、库存过剩和利润率降低。优化产品种类有助于企业提高客户满意度，既能确保畅销产品的供应，又能淘汰占用宝贵货架空间的性能不佳产品。.

选择建模 选择建模是一种有效的分类优化方法，因为它提供了一个 data-driven 框架来了解客户偏好并预测他们将如何在不同产品之间做出选择。通过分析价格敏感度、产品特点和品牌忠诚度等各种因素，选择建模可以帮助零售商确定哪些产品最有可能满足顾客需求。.

最终，选择建模使零售商能够提供正确的产品组合，为特定客户群量身定制商品种类，还能优化货架空间，提高盈利能力，甚至为商品定价。.

如果您从未听说过选择建模，您可以阅读 我们的文章 通过实例介绍了关键概念。在本文中，我们将主要关注如何利用离散选择模型来优化各种产品。我们将提供基于 选择-学习 库，旨在帮助 data 科学家解决此类使用案例。.

提供的代码使用了 choice-learn Python 软件包，可在笔记本中找到 这里.

设置：安装 Python 和 Choice-Learn

在本文中，我们将提供代码片段来配合解释。代码使用 选择-学习 库，它为选择建模和多种应用（如分类优化或价格）提供了高效工具。Choice-Learn 可通过 PyPI 获取，只需使用



pip install choice-learn




dataset : 销售收据
我们将使用 TaFeng 杂货 dataset。您可以从 Kaggle 并在 Python 环境中用 choice-learn 打开它：


从 choice_learn.datasets 导入 load_tafeng


tafeng_df = load_tafeng(as_frame=True)

print(tafeng_df.head())


dataset 包含 800,000 多笔在一家中国杂货店的个人消费。每次购买都提供了各种详细信息，包括购买的商品（PRODUCT_ID）、销售价格（SALES_PRICE）和顾客的年龄组（AGE_GROUP）。.


我们可以看到，零售商提供的商品种类繁多，其中一些很少出售。为了简化物流，零售商可能会选择减少所提供产品的数量。在这种情况下，我们的目标是找出最佳的销售商品子集。.


为此，我们将重点放在最畅销的商品上，因为它们更有可能被再次购买，并将在打造更高效、更有利可图的商品种类方面发挥至关重要的作用。. 请注意，我们这样做主要是为了简化示例，所有项目都可以保留。.


# 仅保留销量前 20 位的产品

tafeng_df = tafeng_df.loc[

tafeng_df.PRODUCT_ID.isin(tafeng_df.PRODUCT_ID.value_counts().index[：20])

].reset_index(drop=正确)


# 删除 NaN 值

tafeng_df = tafeng_df.loc[

tafeng_df.AGE_GROUP.isin（[“25-29”, “40-44”, “45-49”, “>65”, “30-34”, “35-39”, “50-54”, “55-59”, “60-64”]
)

].reset_index(drop=正确)


打印(tafeng_df.head())


我们还可以用每十年一个热点值对年龄类别进行编码：


# 年龄组编码

tafeng_df[“二十年代”] = tafeng_df.apply(羔羊 行： 1 如果 行[“年龄组”] == “25-29” 不然 0, ，轴=1)

tafeng_df[“三十岁”] = tafeng_df.apply(

羔羊 行： 1 如果 行[“年龄组”] 于 ([“30-34”, “35-39”]) 不然 0, ，轴=1

)

tafeng_df[“四十岁”] = tafeng_df.apply(

羔羊 行： 1 如果 行[“年龄组”] 于 ([“40-44”, “45-49”]) 不然 0, ，轴=1

)

tafeng_df[“五十年代”] = tafeng_df.apply(

羔羊 行： 1 如果 行[“年龄组”] 于 ([“50-54”, “55-59”]) 不然 0, ，轴=1

)

tafeng_df[“六十年代及以上”] = tafeng_df.apply(

羔羊 行： 1 如果 行[“年龄组”] 于 ([“60-64”, “>65”]) 不然 0, ，轴=1

)


现在我们的 data 已经准备就绪，我们需要创建一个 ChoiceDataset, 中的 data 处理程序对象。 选择-学习. .这就需要指定描述购买背景的特征：


    

  • 客户特征 (共同特征）：年龄类别
    • 

  • 产品特点 (物品特征）：物品价格
    • 



选择建模的一个重要方面是，我们需要了解 购买时的所有可用物品, 而不仅仅是所选的一种。这样我们就可以分析不同产品的价格如何影响顾客的决定。由于 dataset 中没有直接提供这些信息，因此我们假设每次购买时，其他商品的价格与上次销售时相同。.


# 产品 ID 至索引

id_to_index = 

对于 i, product_id 于 罗列(np.sort(tafeng_df.PRODUCT_ID.unique())：

id_too_index[product_id] = i

# 初始化项目价格

价格 = [[0] 对于 _ 于 范围(宽id_to_index))] (id_to_index))
对于 k, v 于 id_to_index.items()：

价格[v][0] = tafeng_df.loc[tafeng_df.PRODUCT_ID == k].SALES_PRICE.to_numpy()[0]
# 创建构成 Choice 的数组Dataset

shared_features = []
items_features = []
选择 = []
# 每购买一件商品，我们就能节省开支：

# - 客户的年龄代表（单声道

# - 所有已售物品的价格

对于 i，行 于 tafeng_df.iterrows()：

item_index = id_to_index[row.PRODUCT_ID]。
prices[item_index][0] = row.SALES_PRICE

shared_features.append(

行[["二十年代", "三十岁", "四十岁", "五十年代", "六十年代及以上"]].to_numpy()

)

items_features.append(prices)

choices.append(item_index)


现在我们已经掌握了所有信息，我们可以 创建 ChoiceDataset:


从 选择_学习.data 舶来品 ChoiceDataset

dataset = ChoiceDataset(

shared_features_by_choice=shared_features、,

shared_features_by_choice_names=[‘二十年代’, ‘三十年代’, ‘四十岁’, ‘五十年代’, ‘六十年代及以上’],

items_features_by_choice=items_features、,

items_features_by_choice_names=[“销售价格”],

选择=选择

)


定义和估计选择模型
我们将建立并估算一个选择模型，预测顾客从所有同类产品中选择特定商品的概率。根据现有的 dataset，我们为一件商品定义了以下效用函数 i 客户考虑 j:








该函数表示顾客从选择特定商品中获得的效用（或满意度），受顾客年龄和商品价格的影响。.


有关我们如何制定效用函数的更多细节，请参阅我们的第一版 邮寄. .需要注意的是，另一种合乎逻辑的模式--但为了简单起见没有提出--可以是对每个 年龄组别的价格敏感性进行估算。.


下面是使用选择学习估算模型的代码：


从 选择学习模型 舶来品 条件逻辑


model = ConditionalLogit(optimizer=“亚当”, batch_size=1024, epochs=300, lr=0.002)


对于 年龄类别 于 [“二十年代”, “三十岁”, “四十岁”, “五十年代”, “六十年代及以上”]:

model.add_coefficients(

coefficient_name=age_category, feature_name=age_category, items_indexes=清单(范围(20))

)


model.add_shared_coefficient(

系数名称=“价格”, feature_name=“销售价格”, items_indexes=清单(范围(20))

)


hist = model.fit(dataset)


您可以检查模型是否与 dataset 完全吻合：


舶来品 matplotlib.pyplot 作为 plt

plt.plot(hist[“train_loss”])

plt.xlabel(“纪元”)

plt.ylabel(“负对数似然法”)

plt.show(


寻找最佳品种
有了购买概率，我们现在就可以估算出一个品种的每位顾客的平均收入了 A 使用公式


为了找到收益最大的品种，我们可以评估所有可能的组合，然后选择平均收益最高的一种。然而，更有效的方法是使用 线性规划（LP）. .在这里，我们将重点介绍如何使用 选择-学习 实施分类优化器。.


重要的是要区分收入最大化和利润率最大化。收入固然重要，但利润率要考虑到每件产品的相关成本。根据您的目标，您可能希望优化利润而不是纯收入。.


要优化产品种类，我们需要提供几个关键输入：


    

  • 我们希望赋予每个年龄组的权重，让我们来看看他们的客户份额吧
    • 

  • 每个年龄组的每个项目的效用（由我们的选择模型计算得出
    • 

  • 每个项目的优化值（在本例中为收入）
    • 

  • 品种的数量（例如 12 件）
    • 



下面介绍如何使用 选择-学习:






从 选择_学习.工具箱.分类优化器 舶来品 潜在分类优化器
# 每个项目的价格
future_prices = np.stack([items_features[-1]]*5, ，轴=0)
age_category = np.eye(5).astype("float32")
# 根据价格和每个年龄段计算每个物品的效用
predicted_utilities = model.compute_batch_utility(shared_features_by_choice=age_category、
                                                  items_features_by_choice=future_prices、
                                                  available_items_by_choice=np.ones((5, 20)),
                                                  选择=无
                                                  )
age_category_weights = np.数额(共享特征，轴=0) / 宽(shared_features)
opt = LatentClassAssortmentOptimizer(
求解器="或工具", # 要使用的求解器，可以是 "or-tools "或 "gurobi"（如果您有许可证）。
class_weights=age_category_weights、, # 各级重量
class_utilities=np.exp(predicted_utilities)、, # 型实用程序（n_类，n_项）
itemwise_values=future_prices[0][:, 0], # 每个项目的优化值，这里是用于计算营业额的价格
分类尺寸=12) # 我们想要的品种规格
assortment, opt_obj = opt.solve()






运行代码后，您应该会得到类似的结果：




用向量中 1 值的索引表示收入最大化的最佳组合。从理论上讲，这种组合可以为每位顾客带来 134 元的平均收入。您可以探索其他组合，但它们都会降低平均收入。.


另一个目标可能是销售数量最大化。在这种情况下，所有项目的优化项目值都设为 1，从而产生不同的最佳分类。.


当引入额外的限制条件时，这种方法的效率就显而易见了。例如，您可能需要考虑商店货架空间的限制。在这种情况下，你可以优化商品种类，使其总尺寸不超过可用的货架空间。这种额外的约束条件，以及定价策略等其他约束条件，都可以通过以下方法得到验证 这里.




结论
如果您正在进行分类优化或定价工作，选择建模是一个很好的工具，一定要好好研究一下。Choice-Learn 提供了许多很酷的示例。 GitHub. .去看看吧，如果觉得有用，就给它打颗星吧！