Просто о динамическом ценообразовании: машинное обучение в управлении выручкой и оптимизации ценообразования - 2 часть

Продолжаем делиться с вами статьей Axsoft с самими лучшими примерами динамического ценобразования.

Обсудим, как компании в транспортной индустрии, в сфере гостеприимства и в электронной коммерции используют подходы к динамическому ценообразованию.

Транспорт и логистика: динамическое ценообразование для перевозчиков в формате ride-share

Сети Uber и Lyft стали мощными соперниками официальному транспорту и таксомоторным паркам на всех континентах. С 2015 года заметно, что система общественного транспорта в США теряет пассажиров. По мнению исследователей из Университета Кентукки, каждый год с момента прихода новых транспортных перевозчиков, загруженность метрополитена уменьшается на 1,3%, а загруженность автобусов на 1,7%. Чем больше клиентов пользуется перевозчиками в формате ride-share, тем больше эффект. Авторы считают, что через восемь лет процент увеличиться до 12,7%.

Перевозчики в формате ride-share стремяться увеличить выручку от растущей базы водителей и пассажиров. «Динамическое ценообразование управляет ограничениями загрузки, увеличивая или уменьшая цены на поездки, чтобы выровнять спрос и предложение, — говорит Алекс из Perfect Price. — В качестве примера можно привести резкое повышение цен на Uber, которое сохраняет количество доступных машин, выталкивая часть пассажиров с рынка и повышая привлекательность поездок для водителей».

Uber использует машинное обучение, чтобы прогнозировать «где, когда и сколько запросов на поездки компания получит в каждый конкретный момент времени». Особое внимание уделяется прогнозированию спроса во время спортивных мероприятий, праздников или плохой погоды.

Лидер в области пассажирских перевозок увеличивает цены (например, в 1,8 или 2,5) на каждую поездку, если количество пассажиров в округе больше, чем количество доступных машин. Спрос может быть особенно высок в канун Нового года, на Хэллоуин, по вечерам в пятницу и субботу и во время государственных праздников. Cтоимость поездок обновляется в режиме реального времени, и уровень повышения цены зависит от наличия большого количества свободных водителей.

Сегмент Hospitality: эффективное использование номерного фонда с гибкой ценовой политикой

Статичное ценообразование на номера в отелях стало экономически неэффективным с развитием интернета и прозрачными ценами. В 2004 году Hilton и InterContinental начали экспериментировать с динамичным ценообразованием. Годом позже к ним присоединились сети Accor, Hyatt и Starwood, которые также внедрили гибкие модели ценообразования для некоторых из своих корпоративных клиентов.

Гостиничный бизнес использует машинное обучение для принятия решений по ценообразованию и управлению номерным фондом, используя информацию, извлеченную из огромного объема внутренних и внешних данных.

Starwood Hotels (часть сети Marriott c 2016) использует аналитику данных, чтобы сверять цены на номера с текущим спросом. В 2014 году сеть внедрила систему оптимизации выручки (Revenue Optimizing System, ROS) стоимостью более 50 миллионов долларов США.

ROS собирает воедино внутренние и внешние данные и анализирует их в режиме реального времени для прогнозирования спроса и формирования оптимальных цен. Внутренние данные включают в себя информацию о предыдущем или текущем бронировании номеров, отменах брони, количестве проживающих, поведении постояльца во время бронирования, типе номеров и их стоимости. Поведение постояльца на сайте во время бронирования и тип клиента (одинокий путешественник или человек из большой группы, приехавшей на конкретное мероприятие) влияет на рекомендацию цены.

Программное обеспечение по управлению выручкой также учитывает данные о климате и погоде, цены на номера в конкурирующих отелях, шаблоны поведения при бронировании на других веб-ресурсах и проверяет наличие концертов или других общественных мероприятий в районе, где расположен отель.

Стоимость номеров, соответствующая постоянно изменяющимся рыночным условиям, позволяет гостиничной сети эффективно управлять номерным фондом и увеличивать выручку. Cогласно старшему вице-президенту Global Loyalty Дэвиду Флюеку, система на базе машинного обучения помогла Hilton увеличить точность прогнозирования спроса на 20% c 2015.

E-commerce: ценообразование на базе машинного обучения для ритейлера одежды

Все большее число ритейлеров, которые владеют и традиционными магазинами, и онлайн-каналами продаж, вливается в ряды пользователей решений на базе искусственного интеллекта и машинного обучения, чтобы точнее реагировать на изменения спроса.

Еще в 2013 году агентство по изучению вопросов ценообразования Profitero отметило, что Amazon ежедневно меняет цены 2,5 миллиона раз. Чтобы помочь вам представить масштаб работы над изменением цен этой онлайн-компании, приведем такие факты: Walmart и Best Buy, работающие только офлайн, в этом ноябре ежедневно меняли цены 54 633 и 52 956 соответственно.

Издание Business Insider выяснило, что 72% ритейлеров планируют инвестировать в решения на базе искусственного интеллекта и машинного обучения к 2021 году.

В качестве примера давайте посмотрим, как исследователи Крис Джонсон Феррейра, Бин Хонг Алекс Ли и Давив Симчи-Леви из Harvard Business School и Massachusetts Institute of Technology подошли к решению задачи оптимизации ценообразования для сайта распродаж дизайнерской одежды и аксессуаров с помощью машинного обучения.

Rue La La работает только в онлайн-режиме. Ритейлер устраивает распродажи длительностью от одного до четырех дней (далее «кампании») на коллекции похожих товаров (далее «стили»). Товары, которые продавали сразу во время кампании и для продажи которых не требовались дальнейшие промоакции, называются стилями первой волны. Продажи этой одежды составляют львиную долю выручки ритейлера. Поэтому менеджменту требовался технологический инструмент, который бы поддержал ценообразование и прогнозирование спроса.

«Так как большой процент товаров первой волны продается до окончания кампании, можно было бы увеличить цены на них и при этом продолжать их успешно продавать. С другой стороны, некоторые из товаров первой волны продаются лишь на половину товарных запасов к моменту окончания периода распродажи, и это может означать, что цена на них слишком высока. Эти наблюдения стали предпосылками для разработки инструмента ценообразования, который даст Rue La La возможность использовать доступные данные для увеличения выручки от продажи товаров первой волны», объясняют авторы проекта.

Исследователи закончили этот проект в два этапа. Во-первых, они создали модель прогнозирования спроса для первых представленных товаров. Данные по чекам с начала 2011 до середины 2013 года и распродажам по особым случаям использовались для обучения модели. «Эти данные включают в себя количество проданных SKU, цены, начало промокампании, длительность кампании и начальное количество запасов товаров», — рассказывают специалисты.

Ритейлер также предоставил данные о товаре: торговую марку, цвет, размер, цену, предложенную производителем, и место в классификации ассортимента. Товары были сгруппированы следующим образом: каждый товар (во всех размерах) принадлежит определенному стилю, набор стилей формирует подкласс, подклассы – класс, а классы собираются в подразделения. Эти свойства – цена стиля, размер скидки и примерная цена конкурирующих стилей — связаны с ценой. Спрос на определенный стиль зависит от цены на конкурирующие. Цена конкурирующих стилей является референтной для покупателей. Референтная цена — это цена, которую покупатель готов платить за товар или услугу.

Во-вторых, ученые использовали данные прогнозирования как информацию для модели ценообразования, чтобы максимально увеличить прибыль. В итоге был внедрен финальный алгоритм, который решает задачу ценообразования для всего ассортимента, учитывает эффект референтной цены, и используется для принятия решения о ценообразования для каждодневной деятельности розничной сети.

«Мы просчитали финансовые и рыночные результаты нашего решения для ценообразования для стилей в различных ценовых диапазонах в рамках шестимесячного пилотного проекта с Rue La La, в котором учитывали 6000 товаров, — говорит Дэвил Симчи-Леив в статье 2017 года в журнале MIT Sloan Management Review. — В конце концов, программное обеспечение для поддержки принятия решений привело к увеличению выручки компании на 10%. Это увеличение выручки напрямую повлияло на прибыль».

Создание решения по динамическому ценообразованию на основе машинного обучения: какие факторы необходимо учесть?

Если в готовых продуктах нет необходимых для вашего бизнеса характеристик, подумайте о том, чтобы создать собственное решение. Конечно, разработка продукта требует значительных ресурсов: команды функциональных экспертов, разработчиков, специалистов в области data science и других сотрудников, достаточнго количество времени и бюджета для этой работы.

Ниже представлены факторы, которые стоит учитывать при внедрении стратегии динамического ценообразование на базе определенного решения.

Возможность использования стратегии динамического ценообразования

Алекс Шартсис рекомендует компаниям определить, эластичен ли спрос на товары и услуги. «Следует учитывать самый важный фактор – подойдет ли динамическое ценообразование вашей компании. Ваши покупатели готовы платить динамическую цену за товары или услуги?». Цена считается неэластичной, когда ее увеличение ведет в процентном отношении к небольшому проседанию в спросе, меньшему, чем процент увеличения цены.

Например, люди продолжать использовать электричество или воду, несмотря на разную их стоимость в течение дня. Также спрос неэластичен для бензина. Авторы аналитического отчета Review of Income and Price Elasticities in the Demand for Road Traffic Phil Goodwin Джойс Даргей и Марк Хэнли установили, что, если цена на горючее увеличится на 10%, объем потребляемого бензина упадет только на 2,5% в год, и далее приведет к 6% уменьшения спроса в долгосрочной перспективе.

С другой стороны, когда покупатели легко могут найти альтернативу товару или услуге, которые стали для них слишком дорогиими, спрос эластичен (например, пара джинс определенного бренда), и тогда вы можете использовать динамическое ценообразование.

Большой объем и высокое качество данных

Данные — это внутренний и главный компонент для создания любой системы с помощью модели машинного обучения. Структурированные и очищенные исторические данные (данные о прошлых мероприятиях) – это необходимое требование для обучения высокопроизводительной модели, так как точность результатов ее работы зависит от качества данных.

Обучение модели влечет за собой подпитку алгоритма с данными для обучения, необходимыми для анализа, после чего будет сформирована финальная модель, способная найти целевую ценность в новых данных. В нашем случае, целевая ценность выражена в числах – оптимальной цене.

Набор данных должен содержать информацию, представляющую максимально возможное количество вариантов: историю цен на каждую услугу или продукт, сопроводительную информацией о потребностях покупателей, внутренние и внешние факторы, влияющие на цены. Данные о ценах конкурентов тоже важны для того, чтобы принимать взвешенные решения. По факту, 85% ритейлеров, которые участвовали в исследовании Retail Systems Research в апреле 2018 года, признали, что основная их задача – это успевать за ценами конкурентов.

Cтилианос Кампакис добавляет, что плюсом будут данные о чувствительности к цене со стороны покупателей. «Если у компании есть возможность даже просто проэксперементировать с ценами, чтобы понять чувствительность к ценам на различные товары, это будет очень ценным источником информации».

Задавайте ценовые границы в модели

Очень важно устанавливать минимальную цену для того, чтобы обеспечить требуемую прибыль, и максимальную, чтобы имидж бренда совпадал с ценой. Например, эксперты McKinsey рекомендуют ритейлерам включать ограничения по ценам конкурентов, чтобы избежать цен, значительно их превышающихДля базовых товаров (антоним KVI – товары, которые обеспечивают ценностное восприятие больше всего) ценовая разница больше 30-50% может демотивировать покупателя снова вернуться в этот магазин.

Следите за результатами и меняйте цены при необходимости

Решение позволяет компаниям уточнять интервалы, через которые цены необходимо менять. Основатель Perfect Price замечает, что этот инструмент может автоматически обновлять цены и делать это часто – каждые несколько минут, недель или месяцев, в зависимости от системы.

Хорошая практика для того, чтобы избежать оттока клиента – это проверять данные динамической модели ценообразования, считает Cтилианос Кампакис. «Для этой цели лучше всего проводить A/B тестирования на небольшой части вашей клиентской базы, чтобы посмотреть, как отреагируют пользователи», — объясняет специалист по data science.

Мониторинг производительности модели и адаптация характеристик (в данном случае ценовых факторов) также необходима. «Убедитесь, что вы обновляете модель через регулярные интервалы времени. Например, если вы онлайн-ритейлер, такие факторы, как модные тенденции, могут сделать вашу ценовую модель устаревшей. Поэтому вам надо создать процесс обновления модели, который можно будет проводить каждый год или квартал», — добавляет Кампакис. Специалисты по data science учитывают скорость устаревания данных для того, чтобы планировать тестирование производительности модели.

Заключение

Значение эффективной стратегии ценообразования для деятельности любой компании трудно отрицать. Компании, работающие в интернете, действуют в высококонкурентной среде, когда потребитель может с легкостью сравнить цены на товары или услуги (даже перед походом в магазин за продуктами) и выбрать то предложение, которое соответствует его потребностям и возможностям.

В то же время, предприниматели могут воспользоваться продвинутыми технологиями, которые появились вместе с увеличением вычислительных мощностей, сокращением объемов хранимых данных и большей доступностью данных для глубокого анализа, чтобы отвечать рыночным условиям правильными ценами.

Динамическое ценообразование можно применять и для управления выручкой (когда товарные запасы могут испортиться или их ограниченное количество), и для оптимизации ценообразования. В этом отношении машинное обучение позволяет компаниями внедрять динамическое ценообразование в большом масштабе, принимая во внимание сотни, если не тысячи ценовых факторов, включая эластичность цены, и показывать определенные цены клиентским сегментам, которые готовы их платить.

Если вы хотите обсудить вопросы, связанные с оптимизацией ценообразования в вашей компании, напишите нам [email protected]