Successfully reported this slideshow.
Your SlideShare is downloading. ×

Kelesakis Dimitrios thesis: Enhancing the conversion rate of e-shops with dynamic pricing techniques

Kelesakis Dimitrios thesis: Enhancing the conversion rate of e-shops with dynamic pricing techniques

Download to read offline

In recent years, e-commerce has been established as one of the dominant ways of making
commercial transactions. Efficient pricing policy strategies employed by businesses are critical for
their survival in highly competitive markets, in order to achieve their goals and maximise their
profits.
Various dynamic pricing algorithms have been implemented and adapted to the continuously
changing conditions of the online markets. These algorithms benefit from the abundance of data
available to the online stores, data related to market conditions as well as customers' preferences
and consumption habits. Utilizing the above data and integrating them into dynamic pricing
strategies can give a significant competitive advantage to businesses. However, so far these
techniques have been applied to limited business domains, e.g. airline and hotel bookings.
This diploma thesis focuses on the development of dynamic pricing methods for online stores that
take into account demand, competition, available stock, as well as user profiles. The system created
combines the mentioned data and uses neural networks in conjunction with optimization and
personalization methods and algorithms in order to set dynamically the price for each product per
customer in order to optimise the conversion rate.

In recent years, e-commerce has been established as one of the dominant ways of making
commercial transactions. Efficient pricing policy strategies employed by businesses are critical for
their survival in highly competitive markets, in order to achieve their goals and maximise their
profits.
Various dynamic pricing algorithms have been implemented and adapted to the continuously
changing conditions of the online markets. These algorithms benefit from the abundance of data
available to the online stores, data related to market conditions as well as customers' preferences
and consumption habits. Utilizing the above data and integrating them into dynamic pricing
strategies can give a significant competitive advantage to businesses. However, so far these
techniques have been applied to limited business domains, e.g. airline and hotel bookings.
This diploma thesis focuses on the development of dynamic pricing methods for online stores that
take into account demand, competition, available stock, as well as user profiles. The system created
combines the mentioned data and uses neural networks in conjunction with optimization and
personalization methods and algorithms in order to set dynamically the price for each product per
customer in order to optimise the conversion rate.

More Related Content

Related Books

Free with a 30 day trial from Scribd

See all

Kelesakis Dimitrios thesis: Enhancing the conversion rate of e-shops with dynamic pricing techniques

  1. 1. ΒΕΛΤΙΩΣΗ ΤΟΥ ΡΥΘΜΟΥ ΜΕΤΑΤΡΟΠΩΝ ΗΛΕΚΤΡΟΝΙΚΩΝ ΚΑΤΑΣΤΗΜΑΤΩΝ ΜΕ ΤΕΧΝΙΚΕΣ ΔΥΝΑΜΙΚΗΣ ΤΙΜΟΛΟΓΗΣΗΣ ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ & ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΗΛΕΚΤΡΟΝΙΚΗΣ & ΥΠΟΛΟΓΙΣΤΩΝ ΕΡΓΑΣΤΗΡΙΟ ΕΠΕΞΕΡΓΑΣΙΑΣ ΠΛΗΡΟΦΟΡΙΩΝ ΚΑΙ ΥΠΟΛΟΓΙΣΜΩΝ Κελεσάκης Δημήτριος AEM: 7898 Επιβλέποντες: Αναπληρωτής Καθηγητής κ. Συμεωνίδης Ανδρέας Μεταδιδακτορικός ερευνητής κ. Βαβλιάκης Κωνσταντίνος
  2. 2. 2Οκτώβριος 2019 Κελεσάκης Δημήτριος Εισαγωγή Πληθώρα διαθέσιμων δεδομένων σχετικά με την αγορά και τους πελάτες Μεγιστοποίηση των κερδών Ανάγκη σχεδιασμού νέων στρατηγικών τιμολόγησης Έντονος ανταγωνισμός μεταξύ των ηλεκτρονικών καταστημάτων Ψηφιοποίηση των αγορών και η ραγδαία ανάπτυξη του ηλεκτρονικού εμπορίου
  3. 3. 3Οκτώβριος 2019 Κελεσάκης Δημήτριος Σκοπός της διπλωματικής εργασίας 1. Η εφαρμογή τεχνικών δυναμικής τιμολόγησης συναντάται συχνά σε ορισμένους τομείς, όπως οι ταξιδιωτικές κρατήσεις, αλλά έχει περιορισμένη εφαρμογή στα ηλεκτρονικά καταστήματα λιανικής πώλησης 2. Εστίαση πέρα από τα δεδομένα της αγοράς και στο προφίλ των πελατών, τις προηγούμενες αλληλεπιδράσεις τους και τις παραγγελίες τους 3. Χρήση μεθόδων μηχανικής μάθησης σε συνδυασμό με τεχνικές ανάλυσης του προφίλ των πελατών  Ο καθορισμός των τιμών σε συνθήκες σχεδόν πραγματικού χρόνου με τη μορφή εξατομικευμένων προσφορών  Η βελτιστοποίηση του ποσοστού μετατροπών (conversion rate) και η μεγιστοποίηση των κερδών
  4. 4. 4Οκτώβριος 2019 Κελεσάκης Δημήτριος Γνώσεις που αποκτήθηκαν I. Αλγόριθμοι τιμολόγησης και τεχνικές ανάλυσης δεδομένων II. Σχεδιασμός στρατηγικών δυναμικής τιμολόγησης και έλεγχος της αποτελεσματικότητας τους III. Υλοποίηση προσομοιώσεων αγοράς με διαφορετικές παραμέτρους IV. Γνώσεις προγραμματισμού σε Java με χρήση του περιβάλλοντος ανάπτυξης IntelliJ IDEA και της βιβλιοθήκης βαθιάς μάθησης Deeplearning4j
  5. 5. 5Οκτώβριος 2019 Κελεσάκης Δημήτριος WTP (willingness to purchase)  Μια μεταβολή των τιμών κατά 1% οδηγεί σε μέση αύξηση των κερδών κατά 7.4% (Anthes, 1998)  oι πελάτες έχουν συγκεκριμένες προσδοκίες σχετικά με την τιμή των προϊόντων  συγκρίνουν διαισθητικά την τιμή των προϊόντων με την τιμή που έχουν στα μυαλό τους γι’ αυτά  wtp (willingness to purchase): το μέγιστο χρηματικό ποσό που είναι διατεθειμένος να πληρώσει ο καταναλωτής  τιμή ≤ wtp προχωράει σε αγορά  τιμή > wtp δεν προχωράει σε αγορά  η τιμή μπορεί να εξατομικευτεί με βάση τη wtp του κάθε πελάτη
  6. 6. 6Οκτώβριος 2019 Κελεσάκης Δημήτριος Μοντέλο RFM Πρόκειται για ένα εργαλείο:  ανίχνευσης της αγοραστικής συμπεριφοράς του πελάτη  εκτίμησης της αξίας του συγκεκριμένου πελάτη για την επιχείρηση  διατήρησης του πελάτη • recency: το χρονικό διάστημα από την τελευταία αγορά του • frequency: η συχνότητα αγορών του • monetary: η συνολική αξία αγορών  Υπάρχουν διάφορες παραλλαγές του, με προσθήκη/τροποποίηση μεταβλητών αναλόγως με το πεδίο όπου εφαρμόζεται Συγκροτείται από τις μεταβλητές Recency, Frequency και Monetary:
  7. 7. 7Οκτώβριος 2019 Κελεσάκης Δημήτριος Στρατηγικές δυναμικής τιμολόγησης • κόστος • διαθέσιμο στοκ • προσφορά και ζήτηση • ανταγωνισμός  Βασίζονται στην αυτόματη και συνεχή προσαρμογή και έλεγχο των τιμών Ορισμός Οι στρατηγικές προσαρμογής της τιμής του προϊόντος ή υπηρεσίας ώστε να παρέχει στη κατάλληλη τιμή το κατάλληλο προϊόν ή υπηρεσία στο κατάλληλο πελάτη τη κατάλληλη χρονική στιγμή.  Κίνδυνος αντιδράσεων καταναλωτών  Πιο αποτελεσματικός τρόπος εφαρμογής: με τη μορφή εξατομικευμένων προσφορών (προσωπικών κουπονιών)  Κάνουν μια πολυπαραγοντική ανάλυση της αγοράς που λαμβάνει υπόψη: • wtp πελατών • προτιμήσεις πελατών • αγοραστική συμπεριφορά • διάφοροι εξωτερικοί παράγοντες
  8. 8. 8Οκτώβριος 2019 Κελεσάκης Δημήτριος Μοντελοποίηση προϊόντων και καταστημάτων Χαρακτηριστικά προϊόντων product-00000001 • τιμή κόστους 13.480 • φήμη / μάρκα προϊόντος 108.7246 • διαθεσιμότητα 1 • τιμή πώλησης 16.85 Χαρακτηριστικά καταστημάτων shop-00000001 • κόστος μεταφορικών 5 • τρόποι πληρωμής 1 • τρόποι αποστολής 0 • χρόνος παράδοσης 2.5 • μέσος όρος κριτικών 5 • αξιοπιστία / φήμη πωλητή 4
  9. 9. 9Οκτώβριος 2019 Κελεσάκης Δημήτριος Υλοποίηση πελάτη • Γενικό προφίλ: o αρχική wtp για κάθε προϊόν  ακολουθεί κανονική κατανομή μεταξύ των πελατών με: o οι προσωπικές του απαιτήσεις για τα χαρακτηριστικά/υπηρεσίες των καταστημάτων o τελική wtp με βάση πόσες απαιτήσεις του ικανοποιούνται:  κάθε πελάτης έχει ευαισθησία σε 4 τυχαία χαρακτηριστικά του καταστήματος για καθένα από τα οποία έχει ένα συγκεκριμένο όριο  για καθεμιά από αυτές τις απαιτήσεις που ικανοποιείται η wtp του αυξάνεται κατά [0%, 2.5%] μ = 0.95 * τιμή αναφοράς, σ = 0.10 * τιμή αναφοράς • Ειδικό προφίλ: o μεταβλητές RFM (recency, frequency, monetary) o μεταβλητή 𝒑𝒂𝒈𝒆 𝒗𝒊𝒆𝒘𝒔 𝒑𝒆𝒓 𝒑𝒓𝒐𝒅𝒖𝒄𝒕 𝒔𝒐𝒍𝒅 = 𝜎𝜐𝜈𝜊𝜆𝜄𝜅ό𝜍 𝛼𝜌𝜄𝜃𝜇ό𝜍 𝜋𝜌𝜊𝛽𝜊𝜆ώ𝜈 𝜎𝜀𝜆𝛿𝜔𝜈 𝜎𝜐𝜈𝜊𝜆𝜄𝜅ό𝜍 𝛼𝜌𝜄𝜃𝜇ό𝜍 𝜋𝜌𝜊𝜄ό𝜈𝜏𝜔𝜈 𝜋𝜊𝜐 𝛼𝛾𝜊𝜌𝜎𝜏𝜂𝜅𝛼𝜈 o μεταβλητή 𝒕𝒊𝒎𝒆 𝒔𝒑𝒆𝒏𝒕 𝒑𝒆𝒓 𝒐𝒓𝒅𝒆𝒓 = 𝜎𝜐𝜈𝜊𝜆𝜄𝜅ό𝜍 𝜒𝜌ό𝜈𝜊𝜍 𝜋𝛼𝜌𝛼𝜇𝜊𝜈𝛹𝜍 𝜎𝜏𝜊𝜈 𝜄𝜎𝜏ό𝜏𝜊𝜋𝜊 𝜎𝜐𝜈𝜊𝜆𝜄𝜅ό𝜍 𝛼𝜌𝜄𝜃𝜇ό𝜍 𝛼𝛾𝜊𝜌ώ𝜈
  10. 10. 10Οκτώβριος 2019 Κελεσάκης Δημήτριος Παραδοχές Προϊόντα  Η τιμή κόστους είναι σταθερή στο χρόνο  Εφόσον ένα προϊόν είναι διαθέσιμο ικανοποιείται παραγγελία οποιασδήποτε ποσότητας Πελάτες  Η wtp τους μεταβάλλεται χρονικά με τυχαίο τρόπο  Δεν επηρεάζεται από τις τιμές παρεμφερών προϊόντων  Επισκέπτονται με τυχαία σειρά τα καταστήματα, χωρίς κάποια προτίμηση Καταστήματα  Έχουν πρόσβαση στα χαρακτηριστικά και τις τιμές των ανταγωνιστών μέχρι και τη χρονική στιγμή t-1  Δεν έχουν πρόσβαση σε στρατηγικές τιμολόγησης και προφίλ πελατών
  11. 11. 11Οκτώβριος 2019 Κελεσάκης Δημήτριος Σύνολα δεδομένων  Σύνολο δεδομένων προϊόντων: περιλαμβάνει τα χαρακτηριστικά και τις τιμές αναφοράς των προϊόντων  Σύνολο δεδομένων παραγγελιών: περιλαμβάνει τα δεδομένα των παραγγελιών  Σύνολο δεδομένων προβολών σελίδων: περιλαμβάνει τα timestamp των προβολών 12.883 προϊόντα 116.132 παραγγελίες 440.707 πωλήσεις προϊόντων 40.369 πελάτες 37.600.000 προβολές σελίδων Συνολικά έχουν ληφθεί υπόψη: productId baseCost brandPower referencePrice product-00000001 13.480 108.7246 16.85 orderId datePurchased customerId productTotal productId order-00000001 2017-12-31 00:06:22 customer-00000001 90.51 product-00000001 customerId timeStamp customer-00000001 2017-12-30 14:12:38
  12. 12. 12Οκτώβριος 2019 Κελεσάκης Δημήτριος Σχεδιασμός προτεινόμενου μοντέλου NN1 NN2 τελική τιμή = = προσωπική τιμή τελική τιμή = = ανταγωνιστική τιμή 1η παραγγελία; ΟΧΙ ΝΑΙ  Χρησιμοποιούνται δύο feed-forward νευρωνικά δίκτυα back-propagation  NN1: καθορισμός μιας ανταγωνιστικής τιμής για κάθε προϊόν με βάση τα χαρακτηριστικά του προϊόντος και του καταστήματος καθώς και τον ανταγωνισμό  NN2: προσαρμογή της ανταγωνιστική τιμής σε μια προσωπική τιμή, με βάση το προφίλ του κάθε πελάτη χαρακτηριστικά προϊόντος προφίλ καταστήματος
  13. 13. 13Οκτώβριος 2019 Κελεσάκης Δημήτριος Διάταξη νευρωνικών δικτύων κόστος μεταφορικών τρόποι πληρωμής τρόποι αποστολής χρόνος παράδοσης μέσος όρος κριτικών φήμη πωλητή ανταγωνιστική τιμή τιμή κόστους φήμη μάρκας διαθεσιμότητα προσωπική τιμή recency frequency monetary page views per product sold time spent per orderNN1 NN2
  14. 14. 14Οκτώβριος 2019 Κελεσάκης Δημήτριος Επιλογή παραμέτρων εκπαίδευσης Εύρος παραμέτρων που δοκιμάστηκαν NN1 Κρυφοί κόμβοι: [3, 64] Epochs: [50, 5000] Learning rate: [0.0001, 0.1] Number of samples: [25, 1000] Batch size: [10, 1000] NN2 Κρυφοί κόμβοι: [3, 32] Epochs: [50, 5000] Learning rate: [0.0001, 0.1] Number of samples: [25, 1000] Batch size: [10, 1000] Βέλτιστες παράμετροι NN1 Κρυφοί κόμβοι: 24 Epochs: 100 Learning rate: 0.001 Number of samples: 100 Batch size: 15 NN2 Κρυφοί κόμβοι: 13 Epochs: 50 Learning rate: 0.01 Number of samples: 100 Batch size: 15 RMSE = 6.23 RMSE = 5.85
  15. 15. 15Οκτώβριος 2019 Κελεσάκης Δημήτριος Πείραμα προσομοίωσης αγοράς 10 καταστημάτων Προδιαγραφές πειράματος: Για κάθε κατάστημα υπολογίζονται:  1 κατάστημα που εφαρμόζει δυναμική τιμολόγηση  9 καταστήματα που εφαρμόζουν πολιτική σταθερών τιμών  1.000 προϊόντα  1.000 πελάτες (80% νέοι, 20% παλιοί)  επισκέπτονται με τυχαία σειρά τα καταστήματα μέχρι:  να βρουν το συγκεκριμένο προϊόν σε αποδεκτή τιμή γι’ αυτούς  ταυτόχρονα να ικανοποιηθούν οι προσωπικές τους προτιμήσεις  οι αριθμοί επισκέψεων, πωλήσεων και το ποσοστό μετατροπών  η αξία πωλήσεων, τα μικτά και καθαρά κέρδη  τα λειτουργικά κόστη υπολογίζονται ως ένα ποσοστό Χ επί της τιμής κόστους των προϊόντων
  16. 16. 16Οκτώβριος 2019 Κελεσάκης Δημήτριος Χαρακτηριστικά καταστημάτων Κατάστημα 1 2 3 4 5 6 7 8 9 10 Κόστος μεταφορικών 5 5.5 6 4.5 5 5 5.5 4 5 5 Τρόποι πληρωμής 1 1 1 1 1 1 1 1 1 0 Τρόποι αποστολής 0 0 1 0 0 1 0 1 0 0 Χρόνος παράδοσης 2.5 3 2 3.5 4 3 3 5 3 4 Μέσος όρων κριτικών 5 4 4 2 5 5 4 3 5 5 Αξιοπιστία/φήμη πωλητή 4 4 5 3 4 4 5 3 5 5 Στρατηγική τιμολόγησης* Δυναμική Τιμολόγηση +3 +3 +0.5 +0.5 -5 +5 -5 -5 -3 *μέση ποσοστιαία απόκλιση τιμής συγκριτικά με την τιμή αναφοράς
  17. 17. 17Οκτώβριος 2019 Κελεσάκης Δημήτριος Αποτελέσματα πειράματος (1/2)  Μεταβολή του συντελεστή λειτουργικών εξόδων Χ -5,000 0 5,000 10,000 15,000 20,000 25,000 X = 15% X = 18% X = 20% Καθαρά κέρδη(€) Σύγκριση καθαρών κερδών καταστημάτων Κατάστημα 1 Κατάστημα 2 Κατάστημα 3 Κατάστημα 4 Κατάστημα 5 Κατάστημα 6 Κατάστημα 7 Κατάστημα 8 Κατάστημα 9 Κατάστημα 10  Tα καθαρά κέρδη του καταστήματος #1 είναι αυξημένα κατά μέσο όρο κατά 54% συγκριτικά με το εκάστοτε 2ο σε κέρδη κατάστημα.
  18. 18. 18Οκτώβριος 2019 Κελεσάκης Δημήτριος Αποτελέσματα πειράματος (2/2)  Μετατόπιση της κανονικής κατανομής της wtp των καταναλωτών -5,000 0 5,000 10,000 15,000 20,000 25,000 30,000 μ = 0.80*referencePrice μ = 0.95*referencePrice μ = 1.10*referencePrice Καθαρά κέρδη(€) Σύγκριση καθαρών κερδών καταστημάτων Κατάστημα 1 Κατάστημα 2 Κατάστημα 3 Κατάστημα 4 Κατάστημα 5 Κατάστημα 6 Κατάστημα 7 Κατάστημα 8 Κατάστημα 9 Κατάστημα 10  Tα καθαρά κέρδη του καταστήματος #1 είναι αυξημένα κατά μέσο όρο 48% συγκριτικά με το εκάστοτε 2ο σε κέρδη κατάστημα.
  19. 19. 19Οκτώβριος 2019 Κελεσάκης Δημήτριος Αλγόριθμος derivative-following (DF)  πειραματίζεται με διαδοχικές αυξήσεις (ή μειώσεις) της τιμής μέχρι το παρατηρούμενο επίπεδο κερδών να αρχίσει να πέφτει  τότε η μεταβολή της τιμής συνεχίζεται στην αντίθετη κατεύθυνση Περιγράφεται από τη σχέση: 𝑝𝑡+1 = 𝑝𝑡 + 𝛿𝑡 𝑠𝑖𝑔𝑛 𝜋 𝑡 − 𝜋 𝑡−1 𝑠𝑖𝑔𝑛 𝑝𝑡 − 𝑝𝑡−1 o 𝒑 𝒕 ∶ η τιμή του προϊόντος τη χρονική στιγμή t o 𝝅 𝒕 ∶ το κέρδος του πωλητή τη χρονική στιγμή t o 𝜹 𝒕 ∶ το μέγεθος του βήματος μεταβολής της τιμής τη χρονική στιγμή t, το οποίο είναι ομοιόμορφα κατανεμημένο στο διάστημα [a, b], (π.χ. [0.01, 0.02])  στην πώληση σε κάθε βήμα του προϊόντος στην υψηλότερη δυνατή τιμή που συνεχίζει να αποφέρει κέρδη όπου:
  20. 20. 20Οκτώβριος 2019 Κελεσάκης Δημήτριος Πείραμα σύγκρισης στρατηγικών τιμολόγησης Προδιαγραφές πειράματος: Για κάθε κατάστημα υπολογίζονται: Κατάστημα 1: Προτεινόμενη στρατηγική δυναμικής τιμολόγησης Κατάστημα 2: Δυναμική τιμολόγηση derivative-following Κατάστημα 3: Σταθερή τιμολόγηση ~+3% της τιμής αναφοράς  3 καταστήματα  100 προϊόντα  10.000 πελάτες (80% νέοι, 20% παλιοί)  επισκέπτονται τα καταστήματα με τυχαία σειρά  οι αριθμοί επισκέψεων, πωλήσεων και το ποσοστό μετατροπών  η αξία πωλήσεων, τα μικτά και καθαρά κέρδη  τα λειτουργικά κόστη αντιστοιχούν σ’ ένα ποσοστό Χ επί της τιμής κόστους των προϊόντων
  21. 21. 21Οκτώβριος 2019 Κελεσάκης Δημήτριος Αποτελέσματα πειράματος 0 100000 200000 300000 400000 500000 600000 700000 0.8 0.95 1.1 Μέση τιμή κανονικής κατανομής wtp συναρτήσει της τιμής αναφοράς Σύγκριση καθαρών κερδών καταστημάτων Κατάστημα 1 Κατάστημα 2 Κατάστημα 3  Ο αλγόριθμος DF δίνει καλύτερα αποτελέσματα για βήμα στο διάστημα τιμών [0.03, 0.06]  Το προτεινόμενο μοντέλο συνεχίζει να οδηγεί σε υψηλότερα καθαρά κέρδη ανεξαρτήτως διαστήματος τιμών του βήματος του αλγορίθμου DF και κατανομής της wtp  Tα καθαρά κέρδη του καταστήματος #1 είναι αυξημένα κατά:  16% συγκριτικά με το κατάστημα #2  146% συγκριτικά με το κατάστημα #3
  22. 22. 22Οκτώβριος 2019 Κελεσάκης Δημήτριος Συμπεράσματα-Ανοιχτά θέματα  Το προτεινόμενο μοντέλο λειτούργησε αποτελεσματικά οδηγώντας σε αύξηση των καθαρών κερδών  κατά 51% συγκριτικά με τη τιμολόγηση σταθερών τιμών και κατά 16% συγκριτικά με τον αλγόριθμο DF Βελτιώσεις  Η wtp μπορεί να προσδιοριστεί πιο ρεαλιστικά μέσω μιας πιθανοτικής κατανομής  Προσθήκη/αντικατάσταση χαρακτηριστικών προϊόντων, καταστημάτων και πελατών  Χρήση άλλων μεθόδων βαθιάς μάθησης στη θέση των νευρωνικών δικτύων  Σύγκριση και με άλλους αλγορίθμους δυναμικής τιμολόγησης  Πλεονεκτήματα μοντέλου:  προσαρμόζεται εύκολα σ’ ένα μεγάλο εύρος δεδομένων και σεναρίων αγοράς  ενισχύει την ικανοποίηση των πελατών προσφέροντας τους το προϊόν σε μια προσωπική τιμή
  23. 23. 23Οκτώβριος 2019 Κελεσάκης Δημήτριος Ευχαριστίες Θα ήθελα να ευχαριστήσω τους επιβλέποντες της διπλωματικής μου εργασίας, τον Αναπληρωτή καθηγητή κ. Ανδρέα Συμεωνίδη και το μεταδιδακτορικό ερευνητή κ. Κωνσταντίνο Βαβλιάκη για τη βοήθεια και τη καθοδήγηση που μου προσέφεραν καθ’ όλη τη διάρκεια εκπόνησής της.
  24. 24. 24Οκτώβριος 2019 Κελεσάκης Δημήτριος Ερωτήσεις Ευχαριστώ για τη προσοχή σας!
  25. 25. 25Οκτώβριος 2019 Κελεσάκης Δημήτριος Προεπεξεργασία δεδομένων & εκπαίδευση όπου: o α1,j: η τιμή της j εισόδου του νευρωνικού δικτύου πριν την κανονικοποίηση o αn1,j: η τιμή της j εισόδου του 1ου νευρωνικού δικτύου μετά την κανονικοποίηση  Υπολογίζεται η έξοδος του νευρωνικού δικτύου από τον τύπο: o η αρχικοποίηση των βαρών γίνεται με τη μέθοδο relu o ως συνάρτηση ενεργοποίησης στο επίπεδο εισόδου χρησιμοποιείται η relu, ενώ στο κρυφό επίπεδο δε χρησιμοποιείται συνάρτηση ενεργοποίησης o ως συνάρτηση απωλειών χρησιμοποιείται η MSE  Αποκανονικοποιείται η έξοδος και ελέγχεται αν η τιμή ανήκει στο διάστημα [1.1*τιμή κόστους, 2*τιμή κόστους], ειδάλλως εξισώνεται με το πλησιέστερο άκρο του 𝑎 𝑛1,𝑗 = 𝑎1,𝑗 ma x( 𝑎1,𝑗 𝑜𝑢𝑡𝑝𝑢𝑡 𝑛,1 = 𝑓 𝑊𝑗,𝑖 𝛼 𝑛1,𝑗 𝑖−1 𝑗=0  Οι είσοδοι και η έξοδος κάθε νευρωνικού δικτύου κανονικοποιούνται στο διάστημα [0, 1] με χρήση του τύπου:

Editor's Notes

  • οι πελάτες έχουν συγκεκριμένες προσδοκίες σχετικά με την τιμή των προϊόντων που προτίθενται να αγοράσουν λαμβάνοντας υπόψη την ποιότητα και άλλους παράγοντες
  • οι πελάτες έχουν συγκεκριμένες προσδοκίες σχετικά με την τιμή των προϊόντων που προτίθενται να αγοράσουν λαμβάνοντας υπόψη την ποιότητα και άλλους παράγοντες
    Ποσο σημαντικός είναι ο συγκεκριμένος πελάτην για την επιχείρηση
    Π.χ. τουρισμό μεταβλητές
  • Ατομο χρονο κλπ
  • Παράδειγμα?
  • Search shop icon +colour
  • Search shop icon +colour
  • Αυτό συμβαίνει επειδή δεν κάνει υποθέσεις σχετικά με τον αριθμό των ανταγωνιστών και των πελατών, τον αριθμό των χαρακτηριστικών των προϊόντων και των καταστημάτων, καθώς και τη ζήτηση.
    Τικ 3: με βάση το προφίλ τους
    Τικ 4:για αγορές

×