Просто о динамическом ценообразовании: машинное обучение в управлении выручкой и оптимизации ценообразования

Представьте, что вы собираетесь открыть сеть междугородних автобусных перевозок. Какую стоимость билетов вы бы установили, чтобы не только покрыть расходы на каждый маршрут, но и получить средства на рост и развитие своего бизнеса? Вы бы установили фиксированную цену, цену конкурентов или использовали оба варианта?

В реальной жизни, чтобы попасть на современный высококонкурентный рынок, вам нужна более сложная стратегия ценообразования и готовность быть гибкими, чтобы реагировать на изменения. Две основные задачи, которые приходится решать компаниям в этом отношении — это управление выручкой и оптимизация ценообразования.

Мы поговорили с экспертами из Perfect Price и Prisync, а также со специалистом в области data science из Академии Тессеракта, чтобы понять, как бизнес может использовать машинное обучения в динамическом ценообразовании для достижения целей по выручке.

Cтратегия динамического ценообразования для начинающих и ключевые подходы

Динамическое ценообразование – это подход к установлению цены на продукт или услугу в зависимости от текущих рыночных условий. Он широко используется в различных отраслях, например, в индустрии туризма и гостеприимства, транспортной отрасли, электронной торговле, энергетике и сфере развлечений. Компании используют преимущества огромного объема данных среди быстро развивающейся цифровой экономики, изменяя цены в режиме реального времени с помощью динамического ценообразования. «Динамическое ценообразование использует данные для того, чтобы понимать, как действовать так, чтобы увеличивать выручку в зависимости от любых рыночных условий», — говорит Алекс Шартсис, основатель и генеральный директор Perfect Price.

Динамическое ценообразование может использоваться в различных методах установления цены. По мнению Игита Косака из Prysinc, три основные методы – это ценообразование на основе цены, на основе конкурентов и на основе спроса.
Ценообразование на основе цен «изменяет цены динамически согласно себестоимости товара и удерживает прибыль на определенном уровне». Ценообразование на основе конкурентов учитывает цены конкурентов. Ценообразование на основе спроса говорит само за себя: цены растут вместе с растущим спросом и сокращающимся предложением — и наоборот.
Каждая из этих стратегий ценообразования имеет определенные преимущества, когда их правильно используют. Давайте обсудим, как компании могут улучшить свою производительность, используя динамическое ценообразование, и какие подводные камни могут встретиться.

Что вы получите: преимущества динамического ценообразования

Автоматизация ценообразования. Компании, которые внедряют динамическое ценообразование могут полностью или частично автоматизировать изменения цен – в зависимости от собственных потребностей. Инструменты ценообразования оценивают большое количество внутренних (товарные запасы, KPI и др.) и внешних факторов (цены конкурентов, спрос и т.п.), чтобы формировать цены, которые соответствуют ценовой стратегии компании.

Повышение конкурентоспособности. Способность компании отвечать на текущий спрос, рационально использовать товарные запасы или создавать восприятие бренда с помощью определенных ценовых решений позволяют ей оставаться на плаву, вне зависимости от текущих рыночных условий. Например, авиалиния может себя обезопасить от недопродажи билетов во время низкого сезона или накануне вылета за счет предоставления скидки на билеты.

Чего бояться: недостатки динамического ценообразования

Отдаление покупателей и их потеря. Обычно люди воспринимают нормально повышения и понижения цен при бронировании жилья или авиабилетов, но ситуация совсем другая в ритейле и агентствах по прокату автомобилей. «Покупатели не любят думать, что они заплатили больше других за тот же продукт или ту же услугу. Такая ценовая политика может привести к появлению плохих отзывов, жалоб и так далее.

Один из примеров отчуждения покупателей – это процесс, когда они добавляют товар в корзину, но не покупают его и через день-другой получают код на скидку», — объясняет Косак. Постоянные клиенты могут обидеться, если увидят, что продавец дает скидку покупателям, которые долго думают перед оплатой покупки. Задавая риторический вопрос, который должен возникнуть у клиента, наш эксперт спрашивает: «Почему же с постоянными клиентами обращаются так плохо, если они приносят больше ценности бизнесу?».

Например, динамическое ценообразование Uber может вызвать некоторые проблемы при внедрении, считает специалист в области data science Cтилианос Кампакис. Эксперт вспоминает кейсы, когда пассажиры платили огромные деньги за короткие поездки из-за особенно высокого спроса на машины, к примеру, в канун Нового года.

Такие кейcы обычно вызывают много шума, вряд ли полезного для компании. Например, история клиента Uber в Эдмонтоне, Мэтта Линдси, которому начислили 1 114,71 долларов за 20-минутную поездку, обошла многие газеты. Несмотря на то, что о повышении стоимости пассажиров предупреждают водители (как в случае с Мэттом), а также уведомления в мобильном приложении, жалобы на плохой пользовательский опыт часто появляются в интернете.

Риск ввязаться в гонку на понижение. Прозрачность цены – общая черта сегодняшнего рынка. Покупатели могут выяснить, кто продает этот товар или предлагает эту услугу дешевле, за несколько кликов и переходов. Конкуренция чрезвычайно высока, и некоторые компании резко снижают цены в ответ на снижение конкурентов. Таким образом они рискуют проиграть ценовую войну, которую они развязали. Гонка на понижение идет полным ходом, когда компания специально «просит» меньше денег и уменьшает прибыль.

Один из способов решить эти задачи – это принимать решения о ценообразовании на основе данных. Некоторые системы динамического ценообразования отслеживают и анализируют информацию о движении на рынке, спросе на товар, доступном товарном запасе, ценах конкурентов, цифровом следе покупателя, а также данные веб-аналитики (например, самые часто просматриваемые страницы, брошенные корзины, время, когда просматривались страницы) и предлагают оптимальную цену. Дополнительно эти инструменты позволяют задать границы цены.

Подходы к динамическому ценообразованию: rule-based против машинного обучения

Если говорить в терминах архитектуры программных продуктов, на рынке существуют два типа решений для динамического ценообразования.
Система rule-based строит свою работу на основании базы знаний, в которой заданы правила: факты о проблеме, основанные на экспертном знании предметной области. Эти правила представлены в формулировках «если, то». Когда программное обеспечение различает паттерн в данных, модуль реакции (часть такого программного обеспечения) выделяет связь между правилами и известными фактами. Затем это правило выполняется, и программный продукт действует согласно ему. Таким образом, системы rule-based основываются только на встроенном знании для того, чтобы отвечать на запросы современной среды, в которой они работают.

Подобные решения не отличаются гибкостью и используют правила, созданные для бизнес-целей конкретной компании. Система не может адаптировать, добавлять или удалять правила в ответ на меняющуюся среду, чтобы отвечать на необычные или неожиданные события. С появлением новых товаров или увеличением складских площадей или товарных запасов, эти инструменты требуют все больше человеческого вмешательства. Требуется добавлять новые правила, менять существующие, следить, чтобы правила не дублировались, и при этом следовать текущим бизнес-целям.

Специалист в области data science Стилианос Кампакис замечает, что у такого динамического ценообразования, основанного на принципе rule-based, те же проблемы, что и систем rule-based в целом: «Хотя алгоритм их работы прозрачен и понятен, они не могут добиться производительности решений на базе машинного обучения, за исключением примеров с очень простыми задачами».

Программное обеспечение на базе машинного обучения следует другой логике. Оно получает знания из данных (data mining), чтобы найти подходы для решения самой проблемы без прямого программирования. Чем больше данных залить в системы на базе машинного обучение, тем лучше они обучаются и лучше работают. Другими словами, такой программный продукт не нуждается в детальных инструкциях, что делать в той или иной ситуации.

Алекс Шартсис отмечает, что проблему динамического ценообразования может решить только искусственный интеллект (ИИ). Эксперт противопоставляет rule-based-системы решениям на основе искусственного интеллекта и машинного обучения и говорит, что первые не решат вопрос динамического ценообразования из-за недостатка гибкости.

По мнению Алекса, лучшие кейсы использования динамического ценообразования на базе ИИ и машинного обучения обычно используют большое количество данных о ежедневных транзакциях, когда спрос меняется и покупатели готовы заплатить динамическую цену. «Большинство не хочет платить динамическую цену за утреннюю чашку кофе, но готовы заплатить больше, например, за авиабилет», добавляет специалист.

Что же машинное обучение привносит в динамическое ценообразование? ИИ и машинное обучение позволяют проводить более глубокий анализ данных, который расширяет функциональности решения. Программное обеспечение со встроенными моделям ценообразования обладает следующими чертами и возможностями:

Гранулярная сегментация клиентов с кластерным анализом. Эти решения могут открыть неочевидные связи между конкретными характеристиками покупателя (паттерны поведения) и с высокой точностью распределить покупателей на группы.
Учет большого количества факторов для большого количества товаров

Ценообразование на основе конкурентов и атрибутов – одни из самых влиятельных факторов, которые можно учитывать для формирования цены. Это внешние факторы, такие как отраслевые тренды, сезонность, погода, место расположения. И внутренние факторы, такие как себестоимость и информация о покупателях, например, история поиска товаров или бронирования, демография, доход, устройство, с которого покупатель зашел на сайт, и в конечном итоге, желание покупателя платить.

«Наше программное обеспечение работает с массивами данных, внутренних и внешних. В зависимости от задачи, мы можем использовать широкий круг данных о погоде, траффике, конкурентах и т.д.», — говорит Шартсис.

Ценообразование на основе KPI. Компании могут установить цену на товар для того, чтобы достичь определенных показателей, например, размера прибыли, увеличения выручки, оптимизации товарных запасов и др.

Анализ данных рынка в режиме реального времени без сложных правил. Возможно в режиме реального времени автоматически оптимизировать цены в зависимости от изменяющегося спроса и рыночных условий без необходимости создавать сложные правила ценообразования.

Вычисление эластичности по цене. Решения дают пользователям возможность определять ценовую эластичность для того, чтобы заранее спрогнозировать, примут ли покупатели новую цену.

Способы применения оптимизации ценообразования и управления выручкой с помощью динамического ценообразования

Динамическое ценообразование — это не изменение цен ради изменения цен. Цель компании – определить равновесие, когда спрос и предложение совпадают, и обе стороны (поставщик услуги/товара и клиент) согласны с ее корректностью. В этом смысле, отправной точкой служит желание клиента платить.

Динамическое ценообразование можно использовать в двух различных ценовых стратегиях: при управлении выручкой и оптимизации ценообразования. Эти стратегии различаются от отрасли к отрасли и в зависимости от предлагаемого товара.

Главная цель управления выручкой – продать заинтересованным покупателям правильный товар по разумной цене в правильное время и через правильный канал. Это относится к компаниям, у которых фиксированный товарный запас, например, как авиабилеты или номера в отеле. Практика управления выручкой пришла из туристической отрасли, где набор услуг ограничен и может вскоре исчезнуть, а значит, через какое-то время они потеряют ценность, но могут быть заранее забронированы.

При оптимизации ценообразования компании прогнозируют, до какого уровня может измениться покупательское поведение (спрос) при изменении цены на товары или услуги в разных каналах продаж. В отличие от управления выручкой, оно используется для того, чтобы измерить, насколько чувствительны покупатели к изменению цены на товары, которые обычно стоят одинаково. Оптимизация ценообразования чаще всего используется в розничной торговле, где сама цена может служить одним из ключевых драйверов покупки.

В следующей части статьи мы обсудим, как в различных отраслях используется эта стратегия.

Если вам интересно обсудить собственные потребности в области оптимизации ценообразования, напишите нам на [email protected]