Inteligencia Artificial para Pricing Óptimo

La Inteligencia Artificial y el Machine Learning son el cerebro detrás de las recomendaciones inteligentes de Kompara. Nuestros modelos analizan millones de puntos de datos para predecir comportamientos del mercado y sugerir precios óptimos.

¿Qué Problemas Resuelve la IA en Pricing?

Modelos de Machine Learning Utilizados

1. Predicción de Series Temporales

Para predecir precios futuros, usamos modelos especializados en datos temporales:

# Ejemplo simplificado: Predicción con XGBoost
import xgboost as xgb
from sklearn.preprocessing import StandardScaler

# Features de entrada
features = [
    'precio_actual',
    'precio_promedio_30d',
    'volatilidad',
    'posicion_ranking',
    'dia_semana',
    'mes',
    'distancia_precio_min',
    'distancia_precio_max',
    'tendencia_7d',
    'competidores_activos'
]

# Entrenamiento
model = xgb.XGBRegressor(
    n_estimators=100,
    learning_rate=0.1,
    max_depth=6,
    objective='reg:squarederror'
)

model.fit(X_train, y_train)

# Predicción
predicted_price = model.predict(X_new)[0]
confidence = model.predict_proba(X_new)

2. Clustering y Segmentación

Agrupamos productos y competidores con comportamientos similares:

# K-Means para segmentar competidores
from sklearn.cluster import KMeans

# Features de comportamiento
features = [
    'frecuencia_cambios_precio',
    'amplitud_promedio_cambios',
    'tiempo_respuesta_competencia',
    'agresividad_descuentos',
    'consistencia_liderazgo'
]

# Segmentación en 4 perfiles
kmeans = KMeans(n_clusters=4, random_state=42)
competitor_profiles = kmeans.fit_predict(competitor_data)

# Perfiles típicos:
# 0: "Price Leader" - Siempre más barato
# 1: "Follower" - Sigue al mercado
# 2: "Premium" - Precios altos, poca variación
# 3: "Aggressive" - Cambios frecuentes y drásticos

3. Optimización de Precios

Encontramos el precio óptimo que maximiza objetivos de negocio:

# Optimización con restricciones
from scipy.optimize import minimize

def objective_function(price, cost, competition_prices):
    # Modelo de demanda (elasticidad)
    base_demand = 1000
    elasticity = -2.5
    
    # Efecto de competencia
    price_position = np.percentile(competition_prices, 50)
    competition_factor = 1 - ((price - price_position) / price_position) * 0.5
    
    # Demanda estimada
    demand = base_demand * (price / base_price) ** elasticity * competition_factor
    
    # Profit
    profit = (price - cost) * demand
    
    return -profit  # Negativo porque minimize busca mínimos

# Restricciones
constraints = [
    {'type': 'ineq', 'fun': lambda x: x - cost * 1.1},  # Mín 10% margen
    {'type': 'ineq', 'fun': lambda x: max(competition_prices) * 1.05 - x}  # Max 5% sobre competencia
]

# Optimizar
result = minimize(
    objective_function,
    x0=current_price,
    args=(cost, competition_prices),
    constraints=constraints,
    method='SLSQP'
)

optimal_price = result.x[0]

Features Engineering: La Clave del Éxito

La calidad de las predicciones depende heavily de las features que creamos:

Features Temporales

• Rolling statistics: Media móvil 7/30/90 días
• Volatilidad: Desviación estándar de precios
• Tendencia: Regresión lineal sobre ventana temporal
• Cambios relativos: % cambio vs día/semana/mes anterior
• Estacionalidad: Día de semana, mes, quincena, holidays

Features de Competencia

• Posición de ranking: 1ro, 2do, 3ro más barato
• Gap con competencia: Distancia al precio más bajo/alto
• Tiempo como líder: Días consecutivos siendo el más barato
• Agresividad del mercado: Frecuencia de cambios en el sector

Features de Producto

• Elasticidad histórica: Sensibilidad de demanda a precio
• Margen actual: (Precio - Costo) / Precio
• Inventario: Stock disponible / Velocidad de rotación
• Popularidad: Visitas, conversiones, búsquedas

Pipeline de Machine Learning

1. Ingesta de Datos
   └─> Scraping de precios cada hora
   └─> Datos de ventas internos
   └─> Eventos externos (holidays, campañas)

2. Feature Engineering
   └─> Cálculo de features temporales
   └─> Features de competencia
   └─> Normalización y escalado

3. Entrenamiento
   └─> Train/validation/test split temporal
   └─> Hyperparameter tuning (GridSearch/Bayesian)
   └─> Cross-validation con ventana deslizante
   └─> Ensemble de múltiples modelos

4. Evaluación
   └─> MAE, RMSE, MAPE
   └─> Backtesting en datos históricos
   └─> A/B testing en producción

5. Deployment
   └─> Modelo a producción (API)
   └─> Monitoreo de drift
   └─> Re-entrenamiento automático semanal
            

Detección de Anomalías con Isolation Forest

Identificamos precios sospechosos o errores automáticamente:

# Detección de anomalías
from sklearn.ensemble import IsolationForest

# Features para detectar anomalías
features = [
    'precio_normalizado',
    'cambio_porcentual',
    'distancia_media',
    'frecuencia_cambios'
]

# Modelo
iso_forest = IsolationForest(
    contamination=0.01,  # 1% de datos son outliers esperados
    random_state=42
)

# Detectar
anomalies = iso_forest.fit_predict(price_data)

# -1 = anomalía, 1 = normal
suspicious_prices = price_data[anomalies == -1]

# Alertar para revisión manual
for price in suspicious_prices:
    alert_system.send(
        message=f"Precio anómalo detectado: {price.store} - {price.product}",
        severity="medium",
        requires_review=True
    )

Reinforcement Learning para Dynamic Pricing

Experimentamos con RL para aprender políticas óptimas de pricing:

Interpretabilidad y Explicaciones

Es crucial explicar POR QUÉ el modelo sugiere cierto precio:

# SHAP para explicabilidad
import shap

# Valores SHAP
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_new)

# Top 5 features más influyentes
feature_importance = pd.DataFrame({
    'feature': features,
    'importance': np.abs(shap_values[0])
}).sort_values('importance', ascending=False).head(5)

# Explicación para el usuario:
explanation = f"""
Recomendamos precio de ${predicted_price:.2f} porque:
1. Tu competidor principal bajó precios ayer (-8%)
2. Estás en 3ra posición actual (perdiendo ventas)
3. Tu margen permite bajar hasta ${min_price:.2f}
4. Modelo predice que competidor subirá en 2-3 días
5. Temporada de alta demanda (Q4)
"""

Resultados Reales

Herramientas y Stack

Desafíos y Lecciones Aprendidas

1. Data Drift

El comportamiento del mercado cambia constantemente. Solución: Re-entrenamiento semanal y monitoreo de performance.

2. Cold Start Problem

Productos nuevos sin historial. Solución: Transfer learning desde productos similares.

3. Causalidad vs Correlación

No todo patrón es causal. Solución: A/B testing riguroso antes de confiar en predicciones.

4. Explicabilidad

Black boxes no generan confianza. Solución: SHAP values y explicaciones humanas.