如果我在-2020-年有-AI-Rent-The-Runway-动态定价模型

如果我在 2020 年有 AI：Rent The Runway 动态定价模型

原文：towardsdatascience.com/what-if-i-had-ai-in-2020-rent-the-runway-dynamic-pricing-model/

Shopify 的 CEO 托比·卢特克最近在一份内部备忘录中告诉他的员工：“在请求更多人头和资源之前，团队必须证明他们无法使用 AI 完成他们想要完成的工作”。

在过去 6 年为初创公司工作期间，通常情况下增加人头或资源并不是一个选择。约束条件很紧，你通常必须严格投资于你确信将会产生重大影响的项目。因此，在这些情况下，Tobi 可能会这样重新措辞：“咬紧牙关，如果可能的话就使用 AI”。

作为一名数据科学家，我想了解我们的工作是如何随着 AI 的发展而演变的。技术高管显然期望每个团队都更加高效和更具创造力。但一个拥有数十亿参数的模型，尽管它已经阅读了整个互联网，是否能够系统地帮助你解决问题？为了解决这个问题，我提出了以下框架：让我回顾一下我自职业生涯开始以来所参与的所有项目，并评估 AI 能有多大帮助。

今天，我们回到 2020 年。我是一家受疫情打击相当严重的公司——Rent the Runway 的初级数据科学家。

项目的主要内容

Rent the Runway 于 2009 年启动。该公司在 2016 年至 2020 年期间经历了快速增长，之后推出了他们最受欢迎的产品：每月的“无限”时尚订阅服务，也就是“云端衣橱”，允许你以难以置信的价格租借大量高端服装。这个产品对于每个想要在工作、夜晚外出、派对、特殊活动等场合定期穿新衣服的女性来说都是一个热门产品。所以很明显，当 Covid 在 2020 年 3 月开始，大家停止外出几周……好吧，这多少有点扼杀了气氛。

“时尚界的 Netflix”（是的，有些人确实用了这个昵称）最终积累了大量未使用的库存，一整季的商品将不得不“闲置”在仓库中，当然还有巨大的收入下降。迫切需要找到新的收入来源以维持财务生存。在三分之一的员工休假的情况下，现在不是请求更多资源或人头的合适时机。

突然来了一个绝妙的主意：如果我们试图回归零售业务呢？也就是说，出售二手商品而不是出租它们。但这里有一个大问题：封锁总有一天会结束，人们将重新开始出租，那么现在我们应该保留哪些商品，哪些商品应该打折出售？而这个折扣应该是多少？

2020 年的解决方案

项目目标是为每个产品找到最佳价格，这将是在租赁和销售之间的正确平衡。你可以得到最佳价格 p，即最大化以下公式的价格：

这很容易找到……假设你知道未来的租赁收入（这个方程中的“RentalRev”）和价格弹性（这个方程中的概率）。

在 2020 年初，我已经在做 RTR 单位经济和收入预测的工作。我正在构建一个模型，基于商品的租赁历史，预测它可以被租赁多少次以及它将产生多少额外的收入。

缺失的部分是有一个关于价格弹性的想法，即回答以下问题：给定一个商品的价格，销售它的概率是多少？要了解更多关于这个模型的信息，我会将你引导到我的队友 Meghan Solari 写的这篇非常详细且文笔优美的博客文章。

重要的是要注意，我们必须应用一些商业限制，以确保我们不会卖掉整个款式，而保留一些单位用于租赁。

人工智能可能如何帮助

这个项目接近一个经典的需求与供给问题，但有一个转折，即租赁与零售收入的对比，这使得问题更有趣。但找到给出最佳价格的方程并不是主要挑战。主要挑战是如何在数据不足的情况下估计每个参数。

事实上，预测未来的需求是困难的：你只有几个月的历史（最多）对于每个款式，你需要预测一个很大的时间跨度（基本上到寿命结束）。时尚趋势的快速变化需要深入了解行业才能预测，如果可以预测的话。早期新冠时期产生的不确定性使得任何时间序列模型都很难建立。

估计价格弹性并不容易。由于 Rent the Runway 不是一个零售业务，销售数据在设计上被限制。

这正是任何基于人工智能的解决方案面临的挑战所在。人工智能只能像提供的数据一样好。

解决稀疏的款式级别数据

尽管每种风格的历史有限，但类似物品中却蕴藏着丰富的信息。这是迁移学习和共享嵌入的理想用例，而访问预训练的 LLMs 可以使其变得更加容易。共享的风格级别嵌入可以让我们基于元数据（如颜色、品牌、价格、面料、轮廓等）对新的风格做出强有力的假设。我们可以更有效地构建模型，从少量数据点中学习如何预测需求曲线，借鉴历史类似物品中的模式。像Stitch Fix这样的公司通过使用项目元数据来创建跨新库存的深度嵌入，已经在这一领域进行了开创性工作。

跟上快时尚周期

大型语言模型（LLMs）可以使跟踪和理解不断变化的时尚趋势以及处理外部信号来预测整个行业潜在转变变得更加容易。这在 2020 年并不容易，因为这需要抓取大量数据，找出相关内容并解释微弱信号。今天，这正是 LLMs 擅长的。像Trendalytics这样的公司正是这样做的，扫描 TikTok、Google 趋势和社交媒体，以揭示轮廓、颜色或影响者帖子中的新兴模式。这些数据对于做出准确的需求预测将极其有价值。

构建动态定价代理

最后一件可能会很有趣的事情，考虑到今天的技术，是建立一个能够实时调整价格并通过与环境交互学习最优定价策略的代理。这可以确保价格不仅取决于该风格的过去和未来需求，还取决于客户特征，即个人租赁和购买历史、参与度、品味等。这可以使我们更接近 Airbnb 或 Uber 等顶级强化学习团队的做法，他们不断根据实时需求和预订概率调整价格。

这些都是我自私地非常乐意去工作的想法，但请注意两个重要的事情：

1. 从产品角度来看，确实很难估计（尤其是现在我已经无法再访问数据了）对整体收入的影响会有多大。

2. 这些想法也本可以在 2020 年内部构建，因为我们当时在 Rent the Runway 拥有一个优秀的机器学习工程师团队。但这将代表数月——如果不是数年——的研究和开发，风险很高，而我们当时负担不起。

这可能是我对大型语言模型（LLMs）至今为止的主要收获：它们并没有使我们在五年前（或尚未）头痛的问题变得简单化，但它们使得测试那些在过去需要不切实际长时间才能发展的想法变得更加容易。这改变了数据团队通常运作的范式，并为与产品团队合作开辟了新的机会。

100%人工撰写的文章