Machine learning methods to support category management decisions in the retail industry

Abstract

La introducción de herramientas de Machine Learning para resolver problemas de Big Data, han creado diversas oportunidades, en particular en la industrial del retail. Esta tesis está dividida en dos ensayos donde se usan herramientas de Maching Learning para resolver problemas de Gestión de Retail de manera novedosa.

En el primer ensayo se analizan datos transaccionales para mejorar la formulación de restricciones para el problema de optimización de precios en categorías. Usando un método de Reglas de Asociación se identifica qué reglas han sido consistentemente aplicadas, y se evalúan cuales están asociadas a mejores desempeños en la categoría. Basado en estas reglas de precios, se construye un conjunto de precios factibles basados en datos, y se combinan con rutinas de optimización para entender como esta información puede complementar el análisis econométrico tradicional. Cuando combinamos nuestra metodología con distintos métodos para estimar respuesta de clientes a cambios de precio, encontramos que modelos de demanda simples como doble log, son muy sensibles a esta definición de factibilidad de precios. Modelos más sofisticados como Lasso o Modelo Jerárquico Bayesiano son menos sensibles a los cambios de restricciones, pero de igual forma son afectados por la definición de precios factibles. Nuestros resultados numéricos muestran que la metodología propuesta no solo lleva a soluciones de precio más realistas, sino que también son más robustas a variabilidad en los datos, llevando mejores resultados para este problema de negocio.

El segundo ensayo presenta un enfoque de Machine Learning para estudiar interrelaciones entre categorías de productos y detectar motivaciones latentes de compra. Este se basa en un modelo llamado Latent Dirichlet Allocation (LDA), el cual ha sido ampliamente usado en análisis de texto, para extraer tópicos de documentos, midiendo la probabilidad de coocurrencia entre palabras. En nuestro contexto de retail, se extraen motivaciones de compra en vez de tópicos latentes de textos, analizando relaciones entre categorías de productos en vez de palabras, usando una base de datos de transacciones en vez de documentos. La contribución de esta investigación es la aplicación de LDA en datos de supermercados, modificando el modelo básico para lograr tres objetivos diferentes. Primero, se usa un modelo LDA estándar para extraer y describir las motivaciones de compra. Segundo, el modelo de LDA se amplía con un enfoque supervisado, para estimar conjuntamente las motivaciones de compra y la relación de estas con el tamaño monetario de la canasta. Por último, el modelo LDA se generaliza para permitir que cada motivación dependa de características demográficas y de compra de los clientes. Estas motivaciones de compra identificadas son fundamentales para mejorar decisiones de promociones y recomendación de productos.

En resumen, los resultados propuestos en esta tesis, entregan soluciones para entender el comportamiento de compra de clientes y así apoyar decisiones de precio y promociones, y mejorar la competitividad en la industria del retail.