Stokastik Talep Altında Kalıcı İndirim Eniyilemesi

Abstract

Bu çalışmada, Türkiye’de 250’den fazla mağazaya sahip bir giyim perakende zincirinde karşılaşılan kalıcı indirim eniyileme probemi ele alınmıştır. Her ürün rassal talebe sahip olduğundan ve ürünler arasındaki ikame etkisinden dolayı bir ürünün indirim politikası diğer ürünlerin satışlarını etkilemektedir. Bu yüzden çapraz fiyat esnekliğine sahip ürünlerin optimal indirim politikalarına karar verirken herbirinin kararı birlikte düşünülmelidir. Öncelikle satış verileri kullanılarak ürün satışlarının etkileri ikame ve zaman etkisi olmak üzere ayrıştırılmıştır. Her ürünün talebi MNL modeli ile tahmin edilmiş, daha sonra bu indirim eniyileme problemi bir Markov Karar Süreci problemi olarak ele alınmıştır. Problemimizde durum uzayı çok büyük olduğundan ve bu tarz problemleri politika yineleme ve değer yineleme gibi geleneksel yöntemlerle çözmek imkansız olduğundan Ödüllü Öğrenme algoritmaları kullanılmıştır. Durum uzayı çok boyutlu olduğundan ve tüm durumların öğrenilmesi çok fazla iterasyon gerektireceğinden değer fonksiyonlarını tahmin etmek için kümeleme ve fonksiyon uydurma yaklaşımları kullanılmıştır. Sonuçta ürünlerin yaklaşık indirim politikaları bulunmuş, fiyattan kaynaklanan ikame ve zamanın ürünlerin indirim politikaları üzerinde ne gibi etkileri olduğu hakkında görüşler elde edilmiştir.We consider the markdown optimization problem faced by the leading apperal retail chain in Turkey, with over 250 stores. The retailer faces a random demand for each product, and because of substitution among products the markdown policy of one product affects the sales of other products. Therefore, markdown policies for product groups having a significant crossprice elasticity among each other should be jointly determined. In this study, we first use point of sales data to decompose observed product sales into two components: substitution effect, and time effect by using MNL model. Then, we formulate the markdown optimization problem as an MDP. Since the state space of the problem makes it impossible to solve it by classical methods such as value and policy iteration, we use Reinforcement Learning algorithms as viable ways to solve MDPs for stochastic inventory management. Since the state space is multidimensional and most states encountered will never have been experienced exactly before, we construct aggregation and function fitting approximations for value function approximation to get a markdown policy for the products and provide insights on the behavior of how pricebased substitution and time affects markdown of each product and resulting markdown policy.