Skill: Monodense 单品价格弹性估计
Skill-Monodense-单品价格弹性估计 · 04-供应链
causalexperimentforecastingoptimizationrecommendationpricing广告与投放供应链与补货推荐与搜索定价与利润WF-A 智能补货WF-B 广告优化WF-D 选品扫描WF-F 动态定价WF-G Listing内容优化
业务视角
适用角色供应链负责人 · 采购负责人 · CEO / 运营 VP
适用平台Amazon FBA · 海外仓 · 多国仓位（美/欧/日）
什么情况下用库存周转率低，资金压在海外仓出不来；SKU 断货紧急空运，物流成本吃掉毛利；多仓库存分布不均
成功是什么样的库存周转天数从 90 天降到 60 天，断货率 <3%，海外仓综合成本降低 15-25%
业务痛点
1. 解决的问题
传统价格弹性估计依赖计量经济学方法（log-log OLS、AIDS 等），需要强函数形式假设，且难以处理高维商品特征、季节性、竞品价格等复杂交互。Walmart 团队提出的 Monodense Deep Learning Model (DLM) 通过深度学习实现无需对照实验（treatment-control free）的单品级弹性估计。
2. 核心算法逻辑
传统价格弹性估计依赖计量经济学方法（loglog OLS、AIDS 等），需要强函数形式假设，且难以处理高维商品特征、季节性、竞品价格等复杂交互。Walmart 团队提出的 Monodense Deep Learning Model (DLM) 通过深度学习实现无需对照实验（treatmentcontrol free）的单品级弹性估计。
3. 业务应用场景
Momcozy 在 Amazon、Wayfair 等渠道销售吸奶器、温奶器、背带等母婴用品，SKU 数量庞大且面临激烈价格竞争。
应用流程： 1. 数据整合：收集各平台历史销售数据（月销量、价格、促销标记、库存状态） 2. 特征工程：加入竞品价格、季节性（Prime Day、黑五）、产品属性（容量、材质、功能） 3. 模型训练：使用 Monodense-DLM 预测不同价格下的需求量 4. 弹性计算：识别高弹性商品（价格敏感）vs 低弹性商品（价格不敏感） 5. 策略输出： - 高弹性 SKU → 竞争性低价策略，以价换量 - 低弹性 SKU → 溢价策略，提升利润率
预期效果：精准区分"价格武器型"与"利润贡献型" SKU，避免一刀切降价。
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- 直接增收：精准的低弹性 SKU 提价策略可提升毛利率 3-8%
- 促销 ROI：避免对低弹性商品盲目降价，减少促销损耗 10-20%
- 决策效率：无需 expensive A/B 实验，从历史交易数据直接学习，降低实验成本
- 需要大规模、干净的单品级交易数据
- 需要理解深度神经网络与经济学约束的结合
- 需要与现有定价/促销系统打通
7. 代码模板
代码块数量：3 · 路径：未检测到
paper2skills-code/supply_chain/monodense_elasticity/
├── __init__.py
└── model.py8. 论文来源
- 2603.29261