Retail dynamic pricing — één lakehouse, twee prijsstrategieën

Dit is toegepaste prijswetenschap voor retail: een dynamic-pricing-platform dat verkoophistorie omzet in vraagelasticiteiten, schapprijzen optimaliseert onder echte bedrijfsbeperkingen, en elke prijswijziging uitlegt. Eén engine, twee verticals die verschillen in wat ze optimaliseren, niet in hoe het is opgebouwd — alles draaibaar op een laptop en gebouwd om ongewijzigd op te schalen naar een Databricks-lakehouse.

De twee verticals

Het interessante aan retail-pricing is dat de wetenschap echt verschilt per categorie — dus bouwde ik één kern en richtte die op twee sets beperkingen:

• Grocery — elasticiteit & afprijzing. Veel SKU's, dunne marges, bederfelijkheid. De hefbomen zijn vraag-elasticiteit, KVI-prijsimago (de known-value items waarop klanten je afrekenen), de categorie-prijsladder (private label < A-merk < premium), en houdbaarheidsgedreven afprijzing om waarde terug te winnen vóór afschrijving.
• Elektronica — competitieve & lifecycle-pricing. Minder SKU's, hoge ticketwaarde, meedogenloze online prijstransparantie. De hefbomen zijn prijsmatching met concurrenten, MAP-compliance (de Minimum Advertised Price van de fabrikant is een harde ondergrens), lifecycle-afprijzing (vasthouden bij lancering, uitverkopen aan het einde van de levensduur), en attach-economie (de marge op accessoires/garantie die de unit-marge misleidend maakt).

Wat ik bouwde

Een gedeelde, solver-agnostische engine — genereer → schat elasticiteit → optimaliseer → prijs af → leg uit — met twee end-to-end notebooks, één per vertical:

• Een vraagmodel dat eigen-prijselasticiteiten per SKU schat (log-log met store-cluster / kanaal fixed effects in de demo; LightGBM/GPBoost met monotoniciteitsbeperkingen in productie). De notebooks toetsen de geschatte elasticiteiten aan een bekende grondwaarheid die in de synthetische data is ingebouwd.
• Een omzetoptimalisator over een niet-lineaire doelfunctie (prijs × vraag) met de beperkingen die een categorymanager daadwerkelijk afdwingt — kostprijsondergrens, prijsplafond, margevloer, prijsladder, MAP-vloer, max-wijziging. Hij is solver-agnostisch: standaard SciPy/SLSQP zodat iedereen het kan draaien, met een Gurobi-MIQP-backend voor de volledige max-N-wijzigingen-cardinaliteitsbeperking, met een nette terugval.
• Een Databricks-lakehouse-mapping: Delta Live Tables voor bronze→silver→gold, MLflow voor het elasticiteitsmodel, een Workflow die ingest → train → optimaliseer → publiceer aan elkaar knoopt, en een Mosaic-AI-agentlaag die natuurlijke-taal-prijsbeleid omzet in beperkingen en per rol een onderbouwing rendert voor elke prijs.

Het eerlijke deel

Het draait allemaal in seconden op een laptop omdat het traint en optimaliseert op synthetische maar plausibele data — een geseed datageneratieproces met een bekende elasticiteit per SKU, zodat herstel toetsbaar is en het geheel reproduceerbaar. Dat is een bewuste keuze, en de repo is daar overal expliciet over. De economie klopt in richting en vorm: grocery levert +6,4% omzet bij gelijke marge met de melk-prijsladder intact; elektronica beweegt slechts ~+1% omdat MAP-vloeren en krappe plafonds echt weinig ruimte laten — meerdere SKU's willen omlaag maar zitten vast op de MAP-vloer, wat zelf het realistische compliance-signaal is. De Databricks-pipelines zijn referentie-implementaties; het laptop-pad zijn de notebooks. Elk bestand trekt de grens tussen demo en productie.

Waarom het ertoe doet

Het toont de volledige boog op één plek: de datawetenschap die prijshistorie omzet in een verdedigbare elasticiteit, de operations research die elasticiteiten en bedrijfsregels omzet in prijzen, en de lakehouse- + agentarchitectuur die het daadwerkelijk bij een retailer zou draaien — niet slechts één stukje.

→ Bekijk de repository — draaibare notebooks voor beide verticals.

→ Zie ook Data & lakehouse en AI & automatisering.