• markdown

In questa tesi verrà affrontato un problema di Markdown price optimization. Un Markdown è un abbassamento del prezzo di un prodotto che è alla fine del suo ciclo di vita.
I Markdown sono usati per accrescere temporaneamente la domanda di prodotti poco venduti, idealmente per un periodo sufficiente a venderne tutte le scorte a disposizione.
Nel caso che andremo a trattare una casa di moda deve decidere il prezzo da assegnare ai propri capi d’abbigliamento nella successiva stagione di saldo in modo che tale prezzo massimizzi il profitto, calcolato come la somma, al variare del numero di capi, del numero di pezzi di un capo venduti in saldo moltiplicato per il suo prezzo di saldo.
Vedremo nel capitolo introduttivo una definizione più dettagliata delle specifiche del problema e di quali saranno le informazioni a disposizione per la sua risoluzione.
Divideremo il problema in due fasi:
1. la previsione delle domanda, cioè tentare di prevedere quanti pezzi di una dato capo verranno richiesti e conseguentementre venduti ad un dato prezzo di saldo;
2. la Markdown price optimization, cioè, per ogni capo, variare solo il prezzo di saldo, preservando invariate tutte le altre informazioni, in modo da trovare quello che massimizzi il profitto.
Nel secondo capitolo descriveremo la prima fase, dunque il problema della previsione della domanda, attribuendo due diverse accezioni al termine "domanda" e di con- seguenza individueremo due diversi approcci alla sua previsione. Seguirà una breve descrizione del funzionamento degli algoritmi che verranno utilizzati per la previsione della domanda.
Dopodiché nel terzo capitolo vedremo come, nell’analisi del problema, integrare alle caratteristiche descrittive dei singoli capi i dati storici delle vendite. In particolare vedremo come codificare opportunamente le serie storiche ed estrarre delle informazioni (features) da esse. Queste informazioni verranno utilizzate direttamente per la previsione del venduto (tramite algoritmi di apprendimento supervisionato) o per fare un clustering dei dati a disposizione, nel tentativo di raggruppare nello stesso cluster capi con simile storico di vendite e poi prevedere il venduto di un capo concentrandosi solo sulle informazioni fornite dal proprio cluster.
Nel quarto capitolo ci concentreremo sulla fase due e sull’interpretazione dei risultati forniti dalla Markdown Price Optimization, con l’obiettivo di rispondere ad alcune domande come: quali siano le features più significative nella predizione del venduto a livello globale e locale dei singoli capi e se in particolare il prezzo di saldo sia una feature rilevante per il modello utilizzato nello stabilire il venduto dei singoli capi e conseguentemente il profitto. A tale scopo approfondiremo gli strumenti di valutazione della feature importance forniti dai vari algoritmi, soffermandoci in particolare sull’analisi degli Shapley Values di ogni osservazione. Analizzeremo inoltre i metodi utilizzati per valutare l’errore o l’accuratezza dei modelli considerati. Infine nei capitoli cinque e sei verranno riportati i risultati sperimentali conseguenti all’implementazione degli strumenti descritti nei capitoli precedenti su uno specifico dataset, soffermandoci su aspetti computazionali ed eventuali problemi riscontrati nella fase implementativa e concludendo con una sintesi dei risultati ottenuti e con la presentazione di alcuni punti di possibile sviluppo futuro dell’analisi del problema.