Destek Vektör Makinesi Çoklu Regresyon ve Doğrusal Olmayan Programlama İle Perakendecilik Sektöründe Gelir Yönetimi İçin Dinamik Fiyatlandırma

Abstract

Fiyat esaslı gelir yönetiminin temeli olan dinamik fiyatlandırmada talep fonksiyonlarının tahminleri ve fiyatlandırma kararlarının optimizasyonunu ele alan çalışmaların sayısında, tahmine dayalı modelleme yazılımlarındaki gelişmelere paralel olarak son yıllarda belirgin bir artış görülmektedir. Bu çalışmada önceki çalışmalardan farklı olarak özellikle perakende sektöründe kullanılmak üzere yeni bir metodoloji önerilmiş ve önerilen bu metodoloji kapsamında, talep tahmininde istatistiksel öğrenmeye dayanan destek vektör makinesi yöntemi çoklu regresyon yöntemi ile karşılaştırılmış ve talebi daha iyi tahmin eden yönteme ait talep fonksiyonları kullanılarak fiyata bağlı getiri fonksiyonları elde edilmiştir. Kapasite kısıtı olmaması durumunda, fiyata bağlı bu getiri fonksiyonlarının fiyata göre türevi alınarak getiri fonksiyonlarını en büyükleyen optimal satış fiyatları bulunmuştur. Kapasite kısıtı olması durumunda ise, fiyata bağlı olarak bulunmuş getiri fonksiyonları, talebe göre yeniden düzenlenmiştir. Bu dönüştürme işlemi, talep ile fiyat arasındaki ilişki kullanılarak yapılmıştır. Bu getiri fonksiyonları da doğrusal olmayan programlamada amaç fonksiyonu olarak kullanılmış ve kapasite kısıtları da eklenerek doğrusal olmayan programlama ile getiriyi en büyükleyen optimal dinamik satış fiyatları bulunmuştur. Sonuç olarak, hem kapasite kısıtı olmaması, hem de kısıtlı kapasite koşulu altında optimal dinamik satış fiyatları bulunmuş ve bu optimal fiyatlarla elde edilecek getirilerin daha gerçekçi olarak hesaplanması sağlanmıştır.

In recent years, dynamic pricing which is the basis of price based revenue management has developed significantly due to the increase in the number of demand function forecasts, optimization of pricing decisions and paralel developments in forecast basis modelling softwares. In this study, different than the previous studies, a new methodology which can be used especially in retailing sector has been proposed and in the extent of this proposed methodology, support vector machine based on statistical learning and multiple regression method were compared. In the result of comparisons, using the demand functions which belonged to the better forecasting model, price based revenue functions were gotten. In the case of non-capacity constraint, taking the derivative of these price based revenue functions, optimal sales prices were obtained which maximized the revenue functions. In the case of capacity constraint, price based revenue functions were rearranged by demand. This arrangement was made using the relation between price and demand. Then, these revenue functions were used as the objective function of nonlinear programming model and capacity constraints were added. So, optimal dynamic sales prices which maximized revenue were found out. As a result, in cases of both noncapacitated and capacitated conditions, optimal dynamic sales prices were found out and revenues corresponding to these optimal prices were obtained more realistically.