Начнем с примера из реальной жизни. Hoyts’ — известная сеть кинотеатров, которая была одним из пионеров внедрения динамического ценообразования в секторе, отличном от авиакомпаний.

Неустойчивое поведение публики во время выхода фильмов стало серьезной причиной для беспокойства руководства. В то время Хойты придерживались единой ценовой модели, и, следовательно, будь то блокбастер или неудачный фильм, который показывали на экранах, цены всегда были одинаковыми. В результате был установлен предел максимальной суммы, которую они могли заработать, и уровень заполняемости также пострадал, потому что кто захочет платить за плохой фильм.

Затем руководству пришла в голову идея внедрить динамическое ценообразование — модель, которая выдавала бы цены в режиме реального времени в зависимости от характера спроса. Проблема, однако, заключалась в том, как они предсказывают правильный спрос и, более того, как они будут действовать в режиме реального времени в соответствии с цифрами спроса, чтобы получить оптимальные цены.

Чтобы решить эти две проблемы, Хойтс предложил концепцию дифференцированного ценообразования для стимулирования онлайн-продаж. Таким образом, цены на билеты, продаваемые в кассе, оставались выше, чем на билеты, купленные онлайн. В дополнение к этому, к покупке билетов через Интернет было добавлено несколько дополнительных предложений, большинство из которых не было выдано на кассе.

Таким образом, постепенно клиенты начали переориентироваться на онлайн-покупки, и в кратчайшие сроки офлайн-продаж практически не было. Как только клиентура переместилась в онлайн, Хойтс стал видеть тенденции спроса. Это помогло группе ценообразования с точностью прогнозировать будущие потребности, а значит, получить почти точную информацию об управлении мощностями. Это помогло финансовым командам спрогнозировать будущие денежные потоки, а данные, полученные от них, снова помогли команде ценообразования определить стоимость билетов.

Таким образом, когда спрос падал, цены на билеты снижались, а добавленная стоимость увеличивалась, чтобы компенсировать доход и обеспечить приличную заполняемость. Точно так же, в случае более высоких требований, цены будут варьироваться в зависимости от того, сколько человек может заплатить, и тогда места будут распределяться соответственно.

Эта модель привела к тому, что Hoyts достиг в среднем около 70% заполняемости, а доходы выросли почти на 25%.

Приведенный выше пример иллюстрирует, как реализуется модель динамического ценообразования, как она работает и чего с ее помощью можно достичь.

Но что такое динамическая модель ценообразования? Чтобы представить это в перспективе, техническая модель динамического ценообразования включает в себя частое обновление цен на основе изменения характеристик спроса или предложения с целью балансировки пропускной способности и использования мощностей, что в конечном итоге приводит к максимизации доходов. Стратегическое динамическое ценообразование относится к концепции, используемой предприятиями для быстрой и эффективной корректировки цен.

Техническая модель динамического ценообразования, по сути, является средством достижения стратегического динамического ценообразования.

Все сказано и сделано, зачем вообще нужна эта концепция?

Ну, потому что почти все предприятия, внедрившие концепцию динамического ценообразования, стремились ежегодно увеличивать EBIT на 1,5–3 %.

Необходимость динамического ценообразования

Одна из самых полезных функций динамического ценообразования заключается в оптимизации цен в соответствии со следующими условиями для достижения максимально возможного дохода с данным набором ресурсов:

  • Сегментация клиентов: разные цены для разных сегментов клиентов в зависимости от их покупательной способности, требований к добавленной стоимости и т. д.
  • Циклы спроса-предложения. Просто чтобы узнать, когда можно получить максимальную выгоду, а когда нужно вести ценовую войну, чтобы получить лучшую аудиторию. Информация, полученная в результате понимания цикла спроса и предложения, также помогает фирмам объединять добавленную стоимость и продвигать перекрестные/дополнительные продажи.
  • Оптимизация запасов: В качестве вспомогательной функции почти для всего гостиничного сектора, который должен контролировать запасы на основе требований.
  • Использование ресурсов. Например, отелям необходимо знать, какую заполняемость они могут ожидать в течение определенного сезона, чтобы они могли изменить цены для получения более высоких доходов.

Чтобы получить более подробную информацию о том, какую цель может решить модель динамического ценообразования, взгляните на диаграмму ниже:

Динамическое ценообразование позволяет группам ценообразования изменять цены на продукты в режиме реального времени и с течением времени. С помощью тщательно реализованной модели динамического ценообразования можно реагировать на запросы клиентов даже на микроскопическом уровне.

Возьмем, к примеру, скоропортящиеся товары. Когда срок годности этих товаров подходит к концу или они становятся скоропортящимися, продавцы могут снизить цены и повысить спрос. В качестве альтернативы, когда партия была недавно обновлена ​​и спрос на нее будет сравнительно выше, учитывая более длительный срок годности, цены могут быть увеличены, чтобы компенсировать потерянный доход.

Помимо этого, для охвата дополнительных сегментов клиентов модели ценообразования могут быть скорректированы, чтобы показывать разные цены для разных сегментов клиентов в зависимости от их истории покупок или покупательной способности.

Однако модели динамического ценообразования имеют свои особенности. Некоторые из них обсуждаются ниже:

ИИ против текущих решений

Решения динамического ценообразования прошли долгий путь с момента их появления. То, что начиналось с базового набора правил для работы с циклом спроса и предложения для обеспечения максимальной загрузки, теперь стало служить макроцелям, таким как оптимизация доходов, и даже целям микроуровня, таким как оптимизация использования в определенное время.

Появление базовых приложений машинного обучения еще больше усложнило решение, но основное узкое место все еще оставалось. Эта проблема заключалась в следующем: возможность продумать несколько вероятных сценариев, которые могут повлиять на заполняемость и цены, и, следовательно, разработать правила для работы модели.

Давайте сначала возьмем пример авиационного сектора, чтобы понять ситуацию. Внезапного изменения погоды достаточно, чтобы нарушить расписание рейсов и, следовательно, спрос. Теперь, хотя используемое программное обеспечение было запрограммировано на учет изменений погоды при расчете цены и спроса, непредсказуемая погода, как в Индии, требует принятия решений в реальном времени, чтобы получить наиболее благоприятные результаты для фирмы. (Было бы удивительно узнать, что около 5% убытков в авиационном секторе по-прежнему происходит из-за неспособности управлять внезапными изменениями спроса. Если говорить об отелях, концепция динамического ценообразования до сих пор большинству чужда) . Таким образом, любой запрос на включение этой функции в программное обеспечение потребует разработки и, следовательно, значительного времени и денег.

Однако давайте теперь рассмотрим случай ценового решения на основе ИИ. Поскольку, как и любое стандартное решение, основанное на глубоком обучении, модель ценообразования на основе ИИ также работает на принципах сложных нейронных сетей, адаптация упомянутых выше вариантов будет для нее естественным образом. Со временем движок будет продолжать учиться на опытных случаях и, при необходимости, будет генерировать собственный алгоритм, чтобы справиться с текущей ситуацией.

С точки зрения непрофессионала, решение для динамического ценообразования на основе ИИ будет работать как ребенок, которого учили алфавиту, словам и построению предложений, и после того, как он/она попрактиковался в написании нескольких предложений, ребенок научился писать предложения, абзацы. , сочинения с течением времени.

Однако большинство существующих механизмов динамического ценообразования ограничат себя на самом этапе изучения предложения; обновление до следующих уровней только тогда, когда в них подаются новые входные данные.

Остерегаться!

Во-первых, значительному количеству клиентов может быть не очень комфортно, если цены не будут указаны заранее. Такие клиенты предпочли бы статическое ценообразование, и, следовательно, ключевым моментом является то, что сегментация, выполненная для реализации динамического ценообразования, является правильной.

Далее идут требования по разработке сложных систем ценообразования. Как и любое решение на основе искусственного интеллекта, динамическое ценообразование также требует времени, чтобы учиться на входных данных, и нуждается в компетентной команде, которая следит за результатами и импровизирует их. Средняя оценка показывает, что для того, чтобы система полностью функционировала без каких-либо серьезных сбоев, потребуется время от 3 до 5 лет (что значительно меньше, чем в среднем по европейским или американским странам с учетом численности населения). этим занимаются в Индии, что делает ее идеальной тестовой аудиторией для оптимизации решения).

Однако после стабилизации система может творить чудеса. Например, Walmart использует динамическое ценообразование и меняет цены на свои продукты около 50 000 раз в месяц. С момента внедрения модели динамического ценообразования глобальные продажи Walmart выросли более чем на 30%. Точно так же, несмотря на то, что Amazon столкнулась с начальными сбоями, она смогла зафиксировать рост своих доходов на 27,2% через 5 лет после внедрения модели динамического ценообразования в своем бизнесе в США.

Точно так же, как Chatswood Хойтса выиграл, как упоминалось во вводном примере, отели и другие игроки гостиничного бизнеса также могут извлечь из этого выгоду. Ключ заключается в наличии успешной системы внедрения — начиная с небольшого сегмента клиентов, работающего с моделью, работающей по контролируемым правилам, и постепенно расширяясь до неконтролируемых моделей на основе глубокого обучения для нескольких сегментов клиентов.

Системы на основе искусственного интеллекта позволяют отелям выходить за рамки обычных конкурентных цен, включая соответствие самой низкой цене или предоставление лучших скидок, чтобы получить разумную заполняемость. Эти системы искусственного интеллекта способны получать доступ, хранить и обрабатывать огромные наборы данных для установления цен, которые будут оптимизироваться в соответствии с рыночными условиями и давать благоприятные результаты для продавца.

В Ипподроме мы понимаем, что сектор гостеприимства в Индии (учитывая внезапную смену устремлений) становится все более конкурентоспособным. Дело в том, что конкуренция будет расти, и, следовательно, нельзя избежать модели динамического ценообразования. Когда-нибудь ее придется внедрить, чтобы эффективно и более эффективно справляться с объемами. Однако выигрышное предложение будет принадлежать тому, кто сам реализует его на более ранних этапах. Если вы хотите узнать больше о том, как модель динамического ценообразования может помочь вашей фирме, просто позвоните нам.

Первоначально опубликовано на https://racetrack.ai 26 апреля 2019 г.