Maschinelles Lernen

Im dynamic Pricing setzt das Preismanagement bzw. die Preispolitik auf verschiedene Algorithmen, mit denen die Preise ihrer Produkte angepasst werden. Die Algorithmen können von einfachen Handlungsanweisungen, z.B. biete immer den Preis des Konkurrenten X plus 0,5 GE an oder hebe den Preis, wenn der Lagerbestand unter Q Mengeneinheiten sinkt, bis hin zu komplexen Funktionen reichen.

Diese Anweisungen und die dadurch erfolgte Preissetzung müssen ständig im Rahmen der Kontrolle des Preismanagements auf ihre Tauglichkeit überprüft werden. Das gilt besonders dann, wenn sich Rahmenbedingungen ändern. Mit selbstlernenden Algorithmen, die Teil des maschinellen Lernens sind, soll die ständige manuelle Überwachung und Anpassung erleichtert oder vermieden werden. Zudem erhofft man sich bessere Ergebnisse.

Definition Maschinelles Lernen

Maschinelles Lernen bedeutet Generierung von Wissen aus Erfahrung durch Maschinen. Ein System lernt aus Trainingsdaten (Beispielen) die zugrunde liegenden Gesetzmäßigkeiten. Dies entspricht einer Verallgemeinerung, der aufgrund der Trainingsdaten gewonnenen Erfahrungen. Somit können diese auch auf unbekannte Daten angewendet werden.

Das Preismanagement eines Unternehmens kann sich das maschinelle Lernen zunutze machen, indem es selbstlernende Algorithmen einsetzt, die die Preissetzung automatisch vornehmen und aus den Erfahrungen dabei lernen, um sich selbständig anzupassen.

Ansätze zum Maschinellen Lernen

Unüberwachtes Maschinelles Lernen (unsupervised machine learning)

Dabei wird durch den Algorithmus ein Modell erzeugt, welches die zur Verfügung stehenden Daten beschreibt.

Überwachtes Maschinelles Lernen (supervised machine learning)

Hier wird eine Funktion aus den gegebenen Trainingsdaten erzeugt. Der korrekte Funktionswert wird durch außen vorgegeben und dem Algorithmus mitgeteilt, so dass dieser seine Parameter anpassen kann.

Selbstverstärkendes Lernen (reinforcement learning)

Grundgedanke ist Belohnung und Bestrafung, wodurch der Algorithmus lernen soll. Ein Beispiel ist der Q-learning Algorithmus: Dabei wird eine Strategie als optimal angesehen, wenn Sie die Gesamtbelohnung maximiert. Der Agent hat dabei kein Modell von seiner Umgebung. Er muss also „probieren“, was gut ist und was nicht.

Dabei wird unterschieden, ob die Belohnung nur vom aktuellen Zustand (Markov-Entscheidungsprozess) abhängt oder von früheren Zuständen und Belohnungen.

Links zum Maschinellen Lernen

Gute Übersicht über Algorithmen zum Maschinellen Lernen der HS Weingarten

Der Wikipediaartikel zum Maschinellen Lernen

Schreibe einen Kommentar