Keskustelimme Data Designin Senior Advisor Pekka Auteren kanssa hänen kokemuksistaan projektista, jossa koneoppimisen ja optimoinnin avulla kehitettiin alennustuotteiden hinnoittelua.

Kuka olet ja mitä teet?

‍Olen Pekka Autere ja toimin Data Designilla Senior Advisorina ja osakkaana. Käytännössä olen mukana monenlaisissa data- ja tekoälyprojekteissa.

‍

Sinulla on pitkä kokemus koneoppimisesta ja tekoälyn hyödyntämisestä. Onko jokin projekti jäänyt erityisesti mieleen?

‍Vuosien varrella projekteja on ollut paljon, mutta yksi mieleenpainuvimmista liittyi alennustuotteiden hinnoitteluun. Projektia oli yritetty jo aiemmin, mutta se oli silloin jäänyt kesken. Tällä kertaa päästiin maaliin, ja vieläpä onnistuneesti.

‍

‍Mikä teki toisesta yrityksestä erilaisen?

‍Tällä kertaa onnistumisen edellytykset olivat paremmat. Organisaatiossa oli enemmän rohkeutta kokeilla ja odotukset olivat realistisempia. Aiemmalla kerralla jäimme analysoimaan tuloksia liian pitkään, ilman että niitä vietiin osaksi arjen prosessia. Nyt ratkaisu vietiin suoraan käytäntöön, siitä opittiin ja sitä parannettiin, ja näin saatiin hyviä tuloksia.

‍

‍Mistä projektissa tarkalleen ottaen oli kyse?

‍Ajatus oli yksinkertainen: voisiko koneoppiminen tehdä alennusmyynneistä fiksumpia? Tavoitteena oli automatisoida ja yhtenäistää hinnoittelua sekä parantaa tulosta pysyen annetussa alennusbudjetissa. Samalla pystyttiin arvioimaan, miten kampanjat vaikuttivat varaston arvoon ja rakenteeseen.

‍

Millainen ratkaisu lopulta rakennettiin?

‍Projektissa tehtiin ennustemalli ja optimointialgoritmi, jotka ehdottivat optimaalisia alennushintoja eri vaiheissa. Ratkaisulle luotiin myös käyttöliittymä, jonka kautta käyttäjät pystyivät muokkaamaan suosituksia tarpeen mukaan.

‍

Miten ratkaisu otettiin vastaan?

‍Koneoppimisen ennusteet eivät tietenkään ole koskaan täydellisiä. Tärkeintä on, miten hyvin ratkaisu keskimäärin toimii verrattuna aikaisempaan tapaan. Käyttäjät antoivat ymmärrettävästi palautetta yksittäisten tuotteiden osalta, mutta kokonaisuutena palaute oli hyvää – erityisesti onnistumisen mittareiden kehittämisessä ennen varsinaista testausta.

‍

Millaisia haasteita projektissa ilmeni?

‍Keskeinen haaste liittyi siihen, miten ongelma muotoillaan sopivaksi ennustemallille ja miten varmistetaan ratkaisun riittävä vakaus, kun tuotteita on paljon. Lisäksi datan määrä vaihteli alueittain, mikä toi omat vaikeutensa.

‍

‍Tuliko projektissa esiin yllättäviä havaintoja?

‍Kyllä. Yksi tärkeimmistä opeista liittyi optimoinnin laajuuteen. Tuotteet hinnoitellaan yleensä osastoittain, mutta kun optimointi tehtiin koko kokonaisuuden tasolla, tulokset olivat parempia kuin erikseen optimoituna.

‍

Voisiko samaa ratkaisukonseptia soveltaa muualla?

‍Ehdottomasti. Ennustemallin ja optimoinnin yhdistelmä sopii moneen. Vähittäiskaupassa esimerkiksi ostojen, valikoiman tai täydennysten optimointi on samantyyppinen ongelma. Samoin hotellihuoneiden tai lentolippujen hinnoittelu perustuu samanlaiseen logiikkaan.

‍

Mikä projektissa oli parasta?

‍Käytännön hyödyt, jotka saatiin osoitettua, sekä se, että ratkaisu muutti oikeasti toimintatapoja.

‍