Skip to content

radyslav-datascience/amazon_discount_research

BranchesTags

Repository files navigation

📊 Amazon Double Pack Discount Optimization

Data-driven optimization system for maximizing profit through intelligent discount strategies on Amazon US marketplace

Python License Status

🎯 Business Challenge

A dietary supplement brand selling on Amazon US faced a critical pricing decision: What discount should be applied to Double Pack products to maximize net profit?

The Problem

The company offers products in two variations:

  • Single Pack — base variant (e.g., 120 capsules)
  • Double Pack — bundle with discount (e.g., 240 capsules)

Key challenges:

  • ❌ Too large discount → cannibalization of Single Pack sales
  • ❌ Too small discount → customers don't purchase Double Pack
  • ❌ No data-driven approach → guessing optimal discount rate
  • ❌ Risk of losing margin or conversion

💡 Solution

A machine learning-powered optimization system that:

✅ Analyzes historical Amazon Business Reports data ✅ Calculates 7 custom KPI metrics for e-commerce ✅ Builds polynomial regression models (3rd order) ✅ Tests 7 different optimization methods (A-G) ✅ Recommends optimal discount for each product ✅ Validates results using MAPE, RMSE, R² metrics

📈 Results

Business Impact (Real Data)

Metric Value
💰 Net Profit Increase +24.85%
💵 Additional Monthly Profit $25,000 - $30,000
📦 Products Optimized 20+ SKUs
🎯 Average Model Accuracy (MAPE) <15%

Example: D-Mannose Capsules

  • Historical Discount: 12%
  • Recommended Discount: 16.5% (Method B - Min MAPE)
  • Profit Increase: +28% vs current level

🔬 Methodology

Data Pipeline

┌─────────────────┐
│  Amazon Reports │  Sessions, Orders, Sales (CSV)
│   (6 months)    │
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│   Aggregation   │  Combine Total + B2B metrics
│                 │  Calculate costs, profit, prices
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│ KPI Calculation │  7 Custom Metrics (DP_DR, DP_CR, etc.)
│                 │
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│  ML Modeling    │  Polynomial Regression (3rd order)
│   (7 Methods)   │  scipy.optimize.minimize_scalar
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│ Business Report │  5 Excel Sheets with Recommendations
│                 │
└─────────────────┘

Machine Learning Approach

1. Polynomial Regression (3rd Order)

Models relationships between discount rate and KPIs:

y = a₀ + a₁·x + a₂·x² + a₃·x³

where:

  • x = DP_DR (discount rate)
  • y = KPI (conversion, profit, traffic, etc.)

2. Seven Optimization Methods

Each method builds a different profit function:

Method Optimization Target Formula
A Conversion Rate Net_Profit = DP_CR(DR) × Sessions × Margin
B Traffic Attraction Net_Profit = DP_TAR(DR) × Sessions_SP × DP_CR × Margin
C Cross-Sell Conversion Net_Profit = DP_CSC(DR) × Sessions_SP × Margin
D Net Profit Share Net_Profit = DP_NPS(DR) × Total_Profit_Avg
E Profit Per Session DP Net_Profit = DP_NPPS(DR) × Sessions_DP_Avg
F Cross-Sell Profit Net_Profit = DP_CSPPS(DR) × Sessions_SP_Avg
G Direct Regression Net_Profit = poly_profit(DR)

3. Optimization Algorithm

Uses scipy.optimize.minimize_scalar with bounded search:

optimal_discount = minimize_scalar(
    lambda x: -net_profit_function(x),
    bounds=[lower_bound, upper_bound],
    method='bounded'
)

4. Model Validation

  • MAPE (Mean Absolute Percentage Error) — forecast accuracy
  • RMSE (Root Mean Square Error) — prediction error
  • R² (Coefficient of Determination) — model quality

Key Metrics (7 KPIs)

Metric Description Type
DP_DR Double Pack Discount Rate Marketing
DP_CR Conversion Rate Marketing
DP_TAR Traffic Attraction Rate Marketing
DP_CSC Cross-Single Conversion Marketing
DP_NPS Net Profit Share Financial
DP_NPPS Net Profit Per Session DP Financial
DP_CSPPS Cross-Single Profit Per Session Financial

🛠 Tech Stack

Core Technologies

  • Python 3.11+ — programming language
  • pandas — data processing, aggregation, pivot tables
  • numpy — mathematical operations, polynomial fitting
  • scipy — optimization algorithms (minimize_scalar)
  • statsmodels — statistical analysis

Data & Reporting

  • openpyxl — Excel files with formatting
  • matplotlib — data visualization
  • seaborn — statistical plots
  • jupyter — interactive notebooks

📁 Project Structure

amazon_discount_research/
│
├── business_reports/              # Final business reports and recommendations
│   ├── documents/
│   │   ├── All_Products_Discount_Recommendations.xlsx
│   │   ├── All_Products_KPI.xlsx
│   │   └── research_report_*.html
│   └── figures/                   # Charts and visualizations
│
├── data/
│   ├── raw/                       # Amazon Business Reports (CSV)
│   │   └── D-Mannose Capsules (example product)/
│   │       ├── D-Mannose 120 Capsules (Single Pack)/
│   │       └── D-Mannose 240 Capsules (Double Pack)/
│   └── processed/                 # Processed data with calculated KPIs
│
├── docs/                          # Technical documentation
│
├── notebooks/
│   └── exploratory/               # Jupyter notebooks with research
│       ├── 01_01_primary_research_by_b_complex.ipynb
│       ├── 01_02_statistical_analysis_by_mannose.ipynb
│       ├── 02_01_product_conversion_benchmarking.ipynb
│       └── 02_02_production_model.ipynb
│
├── src/
│   ├── data_scripts/
│   │   ├── mass_product_aggregation.py    # Data aggregation SP vs DP
│   │   └── mass_product_kpi.py            # Calculate 7 KPI metrics
│   │
│   └── models_training/
│       └── amazon_dp_dr_model_production.py   # ML optimization model (7 methods)
│
├── CLAUDE.md                      # Instructions for Claude Code
├── CONTEXT.md                     # Full project context
├── README.md                      # This file
├── LICENSE.txt                    # Proprietary license
├── requirements.txt               # Python dependencies
├── environment.yml                # Conda environment
└── references.txt                 # Methodology references

🚀 Quick Start

Prerequisites

  • Python 3.11 or higher
  • pip or conda package manager

Installation

Option 1: pip

# Clone repository
git clone https://github.com/radyslav-datascience/amazon_discount_research.git
cd amazon_discount_research

# Install dependencies
pip install -r requirements.txt

Option 2: conda

# Clone repository
git clone https://github.com/radyslav-datascience/amazon_discount_research.git
cd amazon_discount_research

# Create conda environment
conda env create -f environment.yml
conda activate research

Usage

1. Aggregate Data

python src/data_scripts/mass_product_aggregation.py

Outputs: All_Products_Aggregation.xlsx

2. Calculate KPIs

python src/data_scripts/mass_product_kpi.py

Outputs: All_Products_KPI.xlsx

3. Run Optimization Model

python src/models_training/amazon_dp_dr_model_production.py

Outputs: optimization_results.xlsx with 5 sheets:

  • Full Results — all methods for all products
  • Min Discount — conservative strategy (smallest discount)
  • Min MAPE — best forecast accuracy
  • Min RMSE — smallest prediction error
  • Average Metrics — ensemble approach (average across methods)

📊 Sample Output

The system generates Excel reports with:

Discount Recommendations Table

Product ASIN Optimal Discount Method Predicted Profit MAPE RMSE
D-Mannose 120/240 B08X1Y2Z3B 16.5% Method-B $8,542 12.3% $421
B-Complex 60/120 B07K9M3N4P 14.2% Method-A $6,234 10.8% $312
... ... ... ... ... ... ...

KPI Predictions

For each product and optimal discount:

  • Predicted Conversion Rate (DP_CR)
  • Predicted Traffic Attraction (DP_TAR)
  • Predicted Cross-Sell Rate (DP_CSC)
  • Predicted Net Profit (DP)

📚 Documentation

🎓 Skills Demonstrated

This project showcases:

  • ✅ Business Analytics — translating business problems into data science solutions
  • ✅ E-commerce Domain Expertise — Amazon marketplace, unit economics, pricing
  • ✅ Data Engineering — ETL pipelines, data aggregation, cleaning
  • ✅ Feature Engineering — creating custom KPI metrics from raw data
  • ✅ Machine Learning — polynomial regression, optimization algorithms
  • ✅ Statistical Validation — MAPE, RMSE, R² analysis
  • ✅ Python Development — pandas, numpy, scipy, openpyxl
  • ✅ Automation — scalable scripts for 20+ products
  • ✅ Business Reporting — Excel dashboards with actionable insights

👤 Author

Radyslav Lomanov

Data Scientist | Business Analyst | E-commerce Analytics Specialist

Contact

Links

📜 License

This project is proprietary and confidential. All rights reserved.

Copyright © 2025 Radyslav Lomanov

Unauthorized reproduction, distribution, or commercial use is strictly prohibited without prior written permission from the author.

For collaboration inquiries or licensing arrangements, please contact:

See LICENSE.txt for full terms.

🙏 Acknowledgments

This project was developed as part of a real client engagement for an Amazon US marketplace seller. All sensitive client data has been anonymized. The methodologies and results presented are authentic and reflect production-level work.



🇺🇦 Українська версія

Система оптимізації знижок на основі даних для максимізації прибутку на маркетплейсі Amazon US

🎯 Бізнес-виклик

Бренд дієтичних добавок на Amazon US зіткнувся з критичним питанням ціноутворення: Яку знижку встановити на Double Pack продукти, щоб максимізувати чистий прибуток?

Проблема

Компанія пропонує продукти в двох варіантах:

  • Single Pack — базовий варіант (наприклад, 120 капсул)
  • Double Pack — подвійний пакет зі знижкою (наприклад, 240 капсул)

Ключові виклики:

  • ❌ Занадто велика знижка → канібалізація продажів Single Pack
  • ❌ Занадто мала знижка → клієнти не купують Double Pack
  • ❌ Відсутність data-driven підходу → вгадування оптимальної знижки
  • ❌ Ризик втрати маржі або конверсії

💡 Рішення

Система оптимізації на основі машинного навчання, яка:

✅ Аналізує історичні дані Amazon Business Reports ✅ Розраховує 7 власних KPI метрик для e-commerce ✅ Будує моделі поліноміальної регресії (3-го порядку) ✅ Тестує 7 різних методів оптимізації (A-G) ✅ Рекомендує оптимальну знижку для кожного продукту ✅ Валідує результати через метрики MAPE, RMSE, R²

📈 Результати

Бізнес-вплив (Реальні дані)

Метрика Значення
💰 Збільшення чистого прибутку +24.85%
💵 Додатковий місячний прибуток $25,000 - $30,000
📦 Оптимізовано продуктів 20+ SKU
🎯 Середня точність моделі (MAPE) <15%

Приклад: D-Mannose Capsules

  • Історична знижка: 12%
  • Рекомендована знижка: 16.5% (Method B - Min MAPE)
  • Збільшення прибутку: +28% відносно поточного рівня

🔬 Методологія

Data Pipeline

┌─────────────────┐
│  Amazon Reports │  Sessions, Orders, Sales (CSV)
│   (6 місяців)   │
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│    Агрегація    │  Об'єднання Total + B2B метрик
│                 │  Розрахунок витрат, прибутку, цін
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│ Розрахунок KPI  │  7 власних метрик (DP_DR, DP_CR тощо)
│                 │
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│  ML Моделювання │  Поліноміальна регресія (3-й порядок)
│   (7 методів)   │  scipy.optimize.minimize_scalar
└────────┬────────┘
         │
         ▼
┌─────────────────┐
│ Бізнес-звіт     │  5 Excel листів з рекомендаціями
│                 │
└─────────────────┘

Підхід машинного навчання

1. Поліноміальна регресія (3-го порядку)

Моделює залежності між рівнем знижки та KPI:

y = a₀ + a₁·x + a₂·x² + a₃·x³

де:

  • x = DP_DR (рівень знижки)
  • y = KPI (конверсія, прибуток, трафік тощо)

2. Сім методів оптимізації

Кожен метод будує різну функцію прибутку:

Метод Ціль оптимізації Формула
A Коефіцієнт конверсії Net_Profit = DP_CR(DR) × Sessions × Margin
B Залучення трафіку Net_Profit = DP_TAR(DR) × Sessions_SP × DP_CR × Margin
C Крос-продаж Net_Profit = DP_CSC(DR) × Sessions_SP × Margin
D Частка чистого прибутку Net_Profit = DP_NPS(DR) × Total_Profit_Avg
E Прибуток на сесію DP Net_Profit = DP_NPPS(DR) × Sessions_DP_Avg
F Прибуток крос-продажу Net_Profit = DP_CSPPS(DR) × Sessions_SP_Avg
G Пряма регресія Net_Profit = poly_profit(DR)

3. Алгоритм оптимізації

Використовується scipy.optimize.minimize_scalar з обмеженим пошуком:

optimal_discount = minimize_scalar(
    lambda x: -net_profit_function(x),
    bounds=[lower_bound, upper_bound],
    method='bounded'
)

4. Валідація моделі

  • MAPE (Mean Absolute Percentage Error) — точність прогнозу
  • RMSE (Root Mean Square Error) — похибка передбачення
  • R² (Coefficient of Determination) — якість моделі

Ключові метрики (7 KPI)

Метрика Опис Тип
DP_DR Рівень знижки Double Pack Маркетинг
DP_CR Коефіцієнт конверсії Маркетинг
DP_TAR Коефіцієнт залучення трафіку Маркетинг
DP_CSC Крос-конверсія з Single Pack Маркетинг
DP_NPS Частка чистого прибутку Фінанси
DP_NPPS Чистий прибуток на сесію DP Фінанси
DP_CSPPS Прибуток крос-продажу на сесію Фінанси

🛠 Технологічний стек

Основні технології

  • Python 3.11+ — мова програмування
  • pandas — обробка даних, агрегація, pivot таблиці
  • numpy — математичні операції, polynomial fitting
  • scipy — алгоритми оптимізації (minimize_scalar)
  • statsmodels — статистичний аналіз

Дані та звітність

  • openpyxl — Excel файли з форматуванням
  • matplotlib — візуалізація даних
  • seaborn — статистичні графіки
  • jupyter — інтерактивні notebooks

📁 Структура проекту

amazon_discount_research/
│
├── business_reports/              # Фінальні бізнес-звіти та рекомендації
│   ├── documents/
│   │   ├── All_Products_Discount_Recommendations.xlsx
│   │   ├── All_Products_KPI.xlsx
│   │   └── research_report_*.html
│   └── figures/                   # Графіки та візуалізації
│
├── data/
│   ├── raw/                       # Amazon Business Reports (CSV)
│   │   └── D-Mannose Capsules (example product)/
│   │       ├── D-Mannose 120 Capsules (Single Pack)/
│   │       └── D-Mannose 240 Capsules (Double Pack)/
│   └── processed/                 # Оброблені дані з розрахованими KPI
│
├── docs/                          # Технічна документація
│
├── notebooks/
│   └── exploratory/               # Jupyter notebooks з дослідженнями
│       ├── 01_01_primary_research_by_b_complex.ipynb
│       ├── 01_02_statistical_analysis_by_mannose.ipynb
│       ├── 02_01_product_conversion_benchmarking.ipynb
│       └── 02_02_production_model.ipynb
│
├── src/
│   ├── data_scripts/
│   │   ├── mass_product_aggregation.py    # Агрегація даних SP vs DP
│   │   └── mass_product_kpi.py            # Розрахунок 7 KPI метрик
│   │
│   └── models_training/
│       └── amazon_dp_dr_model_production.py   # ML модель оптимізації (7 методів)
│
├── CLAUDE.md                      # Інструкції для Claude Code
├── CONTEXT.md                     # Повний контекст проекту
├── README.md                      # Цей файл
├── LICENSE.txt                    # Proprietary ліцензія
├── requirements.txt               # Python залежності
├── environment.yml                # Conda environment
└── references.txt                 # Посилання на методологію

🚀 Швидкий старт

Передумови

  • Python 3.11 або вище
  • pip або conda менеджер пакетів

Встановлення

Варіант 1: pip

# Клонувати репозиторій
git clone https://github.com/radyslav-datascience/amazon_discount_research.git
cd amazon_discount_research

# Встановити залежності
pip install -r requirements.txt

Варіант 2: conda

# Клонувати репозиторій
git clone https://github.com/radyslav-datascience/amazon_discount_research.git
cd amazon_discount_research

# Створити conda environment
conda env create -f environment.yml
conda activate research

Використання

1. Агрегувати дані

python src/data_scripts/mass_product_aggregation.py

Виводить: All_Products_Aggregation.xlsx

2. Розрахувати KPI

python src/data_scripts/mass_product_kpi.py

Виводить: All_Products_KPI.xlsx

3. Запустити модель оптимізації

python src/models_training/amazon_dp_dr_model_production.py

Виводить: optimization_results.xlsx з 5 листами:

  • Full Results — всі методи для всіх продуктів
  • Min Discount — консервативна стратегія (найменша знижка)
  • Min MAPE — найкраща точність прогнозу
  • Min RMSE — найменша похибка передбачення
  • Average Metrics — ансамблевий підхід (середнє по методах)

📊 Приклад виводу

Система генерує Excel звіти з:

Таблиця рекомендацій щодо знижок

Продукт ASIN Оптимальна знижка Метод Прогноз прибутку MAPE RMSE
D-Mannose 120/240 B08X1Y2Z3B 16.5% Method-B $8,542 12.3% $421
B-Complex 60/120 B07K9M3N4P 14.2% Method-A $6,234 10.8% $312
... ... ... ... ... ... ...

Прогнози KPI

Для кожного продукту та оптимальної знижки:

  • Прогнозний коефіцієнт конверсії (DP_CR)
  • Прогнозне залучення трафіку (DP_TAR)
  • Прогнозний крос-продаж (DP_CSC)
  • Прогнозний чистий прибуток (DP)

📚 Документація

🎓 Продемонстровані навички

Цей проект демонструє:

  • ✅ Бізнес-аналітика — переклад бізнес-проблем у data science рішення
  • ✅ Експертиза в e-commerce — Amazon marketplace, unit economics, pricing
  • ✅ Data Engineering — ETL pipeline, агрегація даних, очищення
  • ✅ Feature Engineering — створення власних KPI метрик з сирих даних
  • ✅ Machine Learning — поліноміальна регресія, алгоритми оптимізації
  • ✅ Статистична валідація — аналіз MAPE, RMSE, R²
  • ✅ Python розробка — pandas, numpy, scipy, openpyxl
  • ✅ Автоматизація — масштабовані скрипти для 20+ продуктів
  • ✅ Бізнес-звітність — Excel дашборди з практичними інсайтами

👤 Автор

Радислав Ломанов

Data Scientist | Business Analyst | E-commerce Analytics Specialist

Контакти

Посилання

📜 Ліцензія

Цей проект є власністю автора та конфіденційним. Всі права захищені.

Copyright © 2025 Radyslav Lomanov

Несанкціоноване відтворення, поширення або комерційне використання суворо заборонено без попереднього письмового дозволу автора.

Для питань співпраці або ліцензування зверніться:

Дивіться LICENSE.txt для повних умов.

🙏 Подяки

Цей проект було розроблено в рамках реального замовлення клієнта — продавця на маркетплейсі Amazon US. Всі конфіденційні дані клієнта анонімізовано. Представлені методології та результати є автентичними та відображають роботу продакшн-рівня.

Останнє оновлення: 2025-11-24

About

Data-driven optimization system for maximizing profit through intelligent discount strategies on Amazon US marketplace. ML-powered solution using polynomial regression and 7 optimization methods. Real business impact: +24.85% profit increase, $25-30k additional monthly revenue.

Resources

Readme

License

View license
Activity

Stars

0 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages