مدل قیمت گذاری بهینه سازی خطی (Linear Programming for Pricing)، در ریاضیات (Mathematics)
انواع مدل های قیمت گذاری (Pricing Models) را در آموزش زیر شرح دادیم :
مدل قیمت گذاری بهینه سازی خطی (Linear Programming for Pricing) :
مدل قیمت گذاری بهینه سازی خطی (Linear Programming for Pricing) روشی ریاضی برای تعیین قیمت های بهینه با هدف حداکثر کردن سود یا درآمد، با در نظر گرفتن محدودیت های مختلف مانند ظرفیت تولید، بودجه، تقاضا و منابع است. برنامه ریزی خطی یکی از پرکاربردترین روش های بهینه سازی در تحقیق در عملیات (Operations Research) است و در مسائل قیمت گذاری کاربردهای متنوعی دارد.
فرمول کلی یک مسئله برنامه ریزی خطی:
\[ \text{Maximize (or Minimize)} \quad Z = c_1 x_1 + c_2 x_2 + ... + c_n x_n \]محدود به:
\[ a_{11} x_1 + a_{12} x_2 + ... + a_{1n} x_n \leq b_1 \] \[ a_{21} x_1 + a_{22} x_2 + ... + a_{2n} x_n \leq b_2 \] \[ ... \] \[ a_{m1} x_1 + a_{m2} x_2 + ... + a_{mn} x_n \leq b_m \] \[ x_1, x_2, ..., x_n \geq 0 \]که در آن:
\[ Z \]
: تابع هدف (مثلا سود کل، درآمد کل)
\[ x_j \]
: متغیرهای تصمیم (مثلا قیمت محصولات، مقدار فروش)
\[ c_j \]
: ضرایب تابع هدف (مثلا سود هر واحد)
\[ a_{ij} \]
: ضرایب محدودیت ها (مثلا مصرف منابع)
\[ b_i \]
: مقادیر سمت راست محدودیت ها (مثلا ظرفیت منابع)
🔑 کاربردهای برنامه ریزی خطی در قیمت گذاری:
قیمت گذاری چند محصول: تعیین قیمت بهینه برای چند محصول با منابع محدود
تخصیص منابع: نحوه تخصیص ظرفیت تولید به محصولات مختلف با توجه به سودآوری
تخفیف های حجمی: تعیین قیمت های بهینه برای سطوح مختلف خرید
قیمت گذاری در زنجیره تأمین: بهینه سازی قیمت انتقالی بین بخش ها
مراحل فرموله کردن یک مسئله قیمت گذاری با برنامه ریزی خطی:
گام ۱: تعریف متغیرهای تصمیم (مثلا
\[ P_1, P_2, ..., P_n \]قیمت محصولات، یا
\[ Q_1, ..., Q_n \]مقدار فروش)
گام ۲: تعیین تابع هدف (مثلا حداکثر کردن سود کل:
\[ \sum (P_i - C_i) Q_i \])
گام ۳: شناسایی محدودیت ها (ظرفیت تولید، بودجه تبلیغات، حداقل و حداکثر قیمت، رابطه تقاضا و قیمت)
گام ۴: نوشتن محدودیت ها به صورت خطی (مثلا
\[ \sum Q_i \leq Capacity \])
گام ۵: حل مسئله با روش های برنامه ریزی خطی (روش سیمپلکس، روش های نقطه داخلی)
گام ۶: تحلیل حساسیت (تأثیر تغییر در پارامترها بر جواب بهینه)
مثال ۱: قیمت گذاری دو محصول با محدودیت منابع:
📘 مثال:
شرکتی دو محصول A و B تولید می کند. سود هر واحد محصول A: ۲۰ هزار تومان، محصول B: ۳۰ هزار تومان. برای تولید هر واحد A به ۲ واحد مواد اولیه و ۱ ساعت کار نیاز است. برای هر واحد B به ۳ واحد مواد اولیه و ۲ ساعت کار نیاز است. موجودی مواد اولیه ۱۰۰ واحد و ساعت کار موجود ۸۰ ساعت است. حداکثر تقاضای روزانه A: ۳۰ واحد، B: ۲۰ واحد. قیمت های فعلی ۴۰ و ۶۰ هزار تومان است. شرکت می خواهد مقدار تولید بهینه را تعیین کند.
فرمول بندی:
متغیرها:
\[ x_1 \]= مقدار تولید A،
\[ x_2 \]= مقدار تولید B
تابع هدف: Max Z = 20x₁ + 30x₂
محدودیت ها:
مواد اولیه:
\[ 2x₁ + 3x₂ \leq 100 \]ساعت کار:
\[ 1x₁ + 2x₂ \leq 80 \]حداکثر تقاضا:
\[ x₁ \leq 30 \]،
\[ x₂ \leq 20 \]غیرمنفی:
\[ x₁, x₂ \geq 0 \]حل مسئله (با روش گرافیکی یا سیمپلکس): جواب بهینه
\[ x₁ = 20 \]،
\[ x₂ = 20 \]، Z = 20×20 + 30×20 = 400 + 600 = ۱۰۰۰ هزار تومان
مثال ۲: قیمت گذاری با تابع تقاضای خطی:
فرض کنید تقاضای محصول تابعی خطی از قیمت است:
\[ Q = 100 - 2P \]و هزینه هر واحد ۱۰ هزار تومان. سود کل = (P - 10) × (100 - 2P). این تابع سود یک تابع درجه دو است، اما با تبدیل به مسئله برنامه ریزی خطی، می توان آن را به صورت piecewise linear تقریب زد.
مثال ۳: بهینه سازی سبد تخفیف:
یک فروشگاه می خواهد برای سه محصول تخفیف تعیین کند. هر واحد تخفیف روی محصول i باعث افزایش فروش می شود اما سود هر واحد کاهش می یابد. محدودیت بودجه تخفیف و حداقل سود وجود دارد. برنامه ریزی خطی می تواند ترکیب بهینه تخفیف ها را تعیین کند.
روش های حل برنامه ریزی خطی:
روش گرافیکی: برای مسائل با ۲ یا ۳ متغیر
روش سیمپلکس (Simplex): روش عددی کارآمد برای مسائل با ابعاد بالا
روش نقطه داخلی (Interior Point): برای مسائل بسیار بزرگ
نرم افزارها: لینگو (LINGO)، GAMS، MATLAB، Python (کتابخانه PuLP، SciPy)، Excel Solver
تحلیل حساسیت (Sensitivity Analysis):
بررسی تأثیر تغییر در ضرایب تابع هدف (c_j) بر جواب بهینه
بررسی تأثیر تغییر در مقادیر سمت راست محدودیت ها (b_i) بر جواب بهینه
محاسبه قیمت های سایه ای (Shadow Prices) برای هر محدودیت
مزایای برنامه ریزی خطی:
قابلیت حل مسائل با ابعاد بزرگ
وجود نرم افزارهای قدرتمند برای حل
تحلیل حساسیت و ارائه بینش های مدیریتی
مدل سازی سیستماتیک محدودیت ها
معایب و محدودیت ها:
فرض خطی بودن روابط (که در واقعیت همیشه برقرار نیست)
عدم قطعیت در پارامترها (برنامه ریزی خطی قطعی است)
ممکن است جواب بهینه اعداد کسری باشند (برای مقادیر گسسته باید از برنامه ریزی عدد صحیح استفاده کرد)
کاربردها در قیمت گذاری:
تعیین ترکیب بهینه محصولات با توجه به محدودیت منابع
قیمت گذاری در صنایع با ظرفیت ثابت (هواپیمایی، هتل)
مدیریت تخفیف ها و ترفیعات فروش
بهینه سازی سبد محصولات و قیمت گذاری خط تولید
تخصیص بودجه تبلیغاتی به محصولات مختلف
