TL;DR: Ценообразование — сложная, многогранная тема. Независимо от того, продает ли ваш бизнес физические товары, такие как продукты питания в потребительской упаковке и производственные инструменты, или финансовые продукты, такие как личные кредиты и взаимные фонды, или услуги, такие как авиаперевозки и поездки на автомобиле, вам необходимо устанавливать цены на свои продукты. В этой статье обсуждаются подходы к оптимизации цен без учета ограничений по запасам. Для более глубокого обсуждения я бы порекомендовал прочитать два учебника доктора Роберта Филлипса, который был директором по ценообразованию в Amazon, директором по науке о данных по оптимизации рынка в Uber и основателем Nomis Solutions.

Хотя компании часто устанавливают разные цены для разных сегментов клиентов, неясно, насколько преднамеренная оптимизация заложена в анализе. Некоторые отрасли лидируют в этой области, такие как электронная коммерция, потребительское кредитование и авиалинии. Как правило, существует три подхода к оптимизации цен: (i) восходящий подход, (ii) нисходящий подход и (iii) обучение с подкреплением. В зависимости от уникальных обстоятельств вашей отрасли и бизнеса один подход может оказаться более целесообразным, чем другой. В любом случае важны эффективная сегментация клиентов и развертывание тестирования цен. Наконец, этика и справедливость должны учитываться при ценообразовании с искусственным интеллектом или без него.

«Невидимая» рука

Цены обычно устанавливаются общим спросом и предложением на рынке. Например, слишком хорошо известное нарушение цепочки поставок во время пика пандемии COVID-19 привело к резкому росту цен на многие продукты. Тем не менее, часто у компаний все еще есть возможности установить свои цены оптимально, чтобы максимизировать прибыль. Нередко предприятия устанавливают разные цены для разных групп клиентов. Это называется сегментация клиентов.

Ниже приведен пример из индустрии потребительских товаров. Клиенты, покупающие оптом, такие как Costco и Sam’s Club, как правило, получают большую скидку от прейскурантной цены.

Другой пример из индустрии управления инвестициями, где различные классы акций взаимных фондов предлагаются с соответствующим соотношением расходов. Как правило, институциональные акции имеют более низкую комиссию, поскольку минимальная сумма инвестиций выше по сравнению с классами акций, предлагаемыми обычным розничным клиентам.

«Видимая» рука

Хотя установка дифференциальных цен является обычной практикой, неясно, насколько преднамеренная оптимизация включена в анализ. Некоторые отрасли более заметны в этой области и динамически устанавливают цены для оптимизации прибыли. Возьмем в качестве примера электронную коммерцию. Amazon в значительной степени полагается на автоматизированные алгоритмы для предоставления индивидуальных цен в режиме реального времени. Метод Amazon, поддерживаемый группой ценообразования из 16 экспертов и 1400 разработчиков, владеющих двумя акрами подземных серверов, работающих с машинным обучением, генерирует индивидуальные цены, частично основанные на характеристиках отдельного покупателя¹.

Авиакомпании были в числе первых компаний, которые использовали динамическое ценообразование запасов в 1980-х годах. В наши дни вы видите это в действии в Uber и Lyft с резкими скачками цен в часы пик. Кроме того, оптимизация цен также хорошо заметна в индустрии потребительского кредитования, как описано в официальном документе Experian в 2017 году под названием «Оптимизация цен в розничном потребительском кредитовании»:

«Ценообразование, основанное исключительно на риске, не решает эту проблему, и бизнес должен понимать ценовую эластичность потребительского спроса, чтобы максимизировать прибыльность. Понимание этого аспекта позволяет бизнесу оценивать каждого клиента, чтобы максимизировать прибыль, отражая тот факт, что разные клиенты, вероятно, берут кредиты по разным ценам, что обычно не учитывает простой подход, основанный на оценке риска».

Как установить оптимальную цену?

Как правило, существует три подхода к оптимизации цен:

  1. Подход «снизу вверх
  2. Нисходящий подход
  3. Обучение с подкреплением

Подход «снизу вверх

Если ваш бизнес управляется путем показа вашим клиентам цены, а затем они решают, хотят ли они принять или отклонить предложение, как на платформе электронной коммерции или онлайн-кредитования, тогда вы можете построить модель ценовой реакции, которая представляет собой логистическую регрессию для прогнозирования. прием, т. е. бинарная классификация. Вам понадобятся исторические данные о прошлых предложениях и их результатах в дополнение к любым данным, которые вы собрали о клиентах, например, канал, через который они пришли, время, которое они провели на вашем сайте, географическое положение, кредитный рейтинг, цель кредита, уровень дохода и так далее. Золотым стандартом является сбор таких данных с помощью рандомизированного теста, когда разные цены предлагаются нескольким тестовым группам, а клиенты распределяются по каждой тестовой группе случайным образом.

Выше приведен один пример спецификации логистической регрессии, где p — вероятность поглощения. Обратите внимание, что возможны несколько вариантов в зависимости от вашего конкретного варианта использования и доступности данных. Вы можете быть удивлены тем, что ваша модель может легко достичь AUC-ROC 0,7 или выше.

Выше приведен пример функции отклика цены. Обратите внимание, что логит — разумный выбор для функциональной формы, поскольку он соответствует нашей интуиции относительно того, как спрос должен меняться в зависимости от цен. В прошлом я пытался использовать более сложную модель машинного обучения, такую ​​как XGBoost, но это часто приводило к нестабильной модели, которая плохо обобщала невидимые будущие данные, несмотря на более высокий AUC-ROC в тренировочном наборе.

Если вы знаете удельную стоимость, вы можете вычислить оптимальную цену p* на основе компромисса между ценой и спросом, как показано на графике ниже. В двух крайних случаях вы можете продавать ниже себестоимости за единицу и удовлетворять весь спрос, но терять деньги или продавать по очень высокой цене, что приведет к нулевым продажам. Однако не всегда легко оценить стоимость единицы продукции. Например, если вы продаете личные кредиты, будущие кредитные убытки являются формой затрат для вашего бизнеса, но они часто полностью материализуются только до или примерно через 18 месяцев после бронирования кредитов. Кроме того, существует влияние неблагоприятного выбора, т. Е. По мере увеличения цены кредита, которая представляет собой годовую процентную ставку или процентную ставку, профиль риска принятых предложений ухудшается, что приводит к потенциально большим потерям. Короче говоря, продавать кредиты сложнее, чем продавать туалетную бумагу.

Возникает несколько практических соображений:

  1. Где я могу найти цену конкурента? Одним из вариантов является сканирование веб-сайта вашего конкурента. В зависимости от вашей отрасли могут быть агрегаторы, которые могут предложить вам такую ​​информацию. Например, в сфере потребительского кредитования Credit Karma может предоставить средние предложения, которые клиент получил от всех кредиторов на своей платформе. Для электронной коммерции есть поставщики, которые предоставляют API для получения данных Google Покупок после того, как Google закрыл свой API поиска в 2013 году². Это также нередко встречается в страховой отрасли, где люди вручную получают котировки от своих конкурентов. Им часто приходится делать это из дома, потому что телефонные номера или IP-адреса с их рабочего места могут быть заблокированы. Таким образом, некоторый творческий подход здесь определенно требуется. В любом случае модель без этой переменной, скорее всего, будет работать достаточно хорошо.
  2. Как использовать дополнительные данные о клиентах? Вы можете использовать их либо как функцию в модели ценового отклика, либо как критерий сегментации. Это художественная часть науки о данных, потому что на нее нет четкого ответа. Обратите внимание, что в приведенной выше спецификации модели есть фиктивная переменная. Вы можете использовать его для представления такой функции, как цель кредита, например, для консолидации долга или нет. Для таких данных, как уровень дохода, у вас может возникнуть соблазн включить непрерывную переменную, но часто проще работать с диапазоном доходов, например, ‹50 000 долларов, 50–100 000 долларов США, >1 миллион долларов и т. ценообразование по группе клиентов. Обратите внимание, что фиктивная переменная просто сдвигает функцию «цена-отклик» по горизонтали либо влево, либо вправо, не влияя на наклон. Чтобы обеспечить большую степень свободы, вместо этого можно создать сегментированные модели. Например, ценовая чувствительность клиентов, приходящих через прямую почтовую рассылку (да, люди до сих пор так делают) по сравнению с цифровым каналом, сильно отличается. Компромисс между использованием переменной в спецификации модели и созданием сегментации зависит от нескольких факторов, таких как количество доступных данных, поскольку вы не хотите нарезать данные слишком тонко, и сложность стратегии ценообразования, которую вы можете допустить в производственной среде. . Вам обязательно следует проконсультироваться по этому вопросу с экспертами в предметной области и бизнес-области.

Нисходящий подход

Подход «снизу вверх» очень эффективен, но, к сожалению, не всегда возможен из-за особенностей отрасли или бизнеса. Например, если вы являетесь производителем, выпускающим некоторые специализированные прецизионные инструменты для нескольких роботизированных приложений, у вас может не быть очень большой клиентской базы для проведения тестирования цен, и каждый контракт настолько велик, что вы не можете рисковать им. В качестве другого примера, взаимные фонды имеют строгие нормативные требования к регистрации, чтобы изменить любые ключевые характеристики, такие как коэффициент расходов. Таким образом, регулирование может помешать вам часто менять цены. В таком сценарии мы можем прибегнуть к традиционному эконометрическому анализу для оценки ценовой эластичности спроса, даже если он обеспечивает значительно меньшую точность по сравнению с восходящим подходом.

Для этого требуются исторические данные, в которых вы меняли цены в прошлом и наблюдали за совокупным спросом на ваши продукты. В некоторых случаях у вас даже может быть доступ к таким данным для ваших конкурентов, чтобы вы могли расширить свой набор данных для потенциально более надежных выводов. Например, Døskeland, Sjuve and Ørpetveit (2021) изучили взаимосвязь между активной комиссией и потоком для активно управляемых взаимных фондов акций, используя данные Lipper (обратите внимание, что индустрия взаимных фондов обычно называет спрос потоком)³:

«Наши результаты можно интерпретировать как отрицательную ценовую эластичность спроса на активное управление, где одно стандартное отклонение активного вознаграждения приводит к изменению чистого потока на 83,4 базисных пункта».

При выполнении такого анализа вы можете захотеть контролировать другие факторы в своем анализе, такие как сезонность. Например, если производитель имеет тенденцию повышать цены летом, когда спрос обычно выше, ваша регрессия может неправильно определить положительную ценовую эластичность, если сезонность не будет должным образом учтена. В упомянутой выше статье Døskeland, Sjuve и Ørpetveit (2021) контролировали рейтинг Morningstar, который указывает на качество взаимного фонда на основе его прошлых инвестиционных результатов. В то время как продажа кредитов отличается от продажи туалетной бумаги, поскольку для первого необходимо оценить удельную стоимость, продажа взаимных фондов отличается от них обоих, потому что взаимные фонды могут быть дифференцированным продуктом, основанным на нескольких факторах, таких как рейтинг Morningstar, размер активов. , срок пребывания управляющего портфелем, репутация фирмы и так далее.

Обучение с подкреплением

Этот подход более актуален для электронной коммерции. Алгоритм многорукого бандита — одна из самых простых, но очень мощных систем обучения с подкреплением, которая принимает решения с течением времени в условиях неопределенности. Он рассматривает компромисс между разведкой и эксплуатацией. Название происходит от метафоры игрока в казино, у которого есть возможность сыграть в один из k различных игровых автоматов с разными вероятностями выигрыша. В нашем случае разные игровые автоматы представляют разные цены.

Что нужно сделать, чтобы получить максимальную отдачу? Один из возможных подходов называется эпсилон-жадным алгоритмом. Предположим, у нас есть две машины. Во-первых, выберите небольшое значение эпсилон, скажем, 0,1. Следите за процентом выигрышей каждой машины во время игры. Если винрейт первой машины больше, чем второй, то в следующем раунде разыгрывайте первую с вероятностью один минус эпсилон, а вторую с вероятностью эпсилон. Вероятность выбора проигрышной руки критически важна, потому что без случайного тестирования есть шанс, что алгоритм может выбрать неправильную руку и придерживаться ее. Этот краткий пример предполагает, что обе машины имеют одинаковый выигрыш. В приложении к ценообразованию выплаты, очевидно, отличаются, и их необходимо учитывать при рассмотрении.

Кто-то однажды привел мне эту аналогию во время одной из моих презентаций. Представьте, что вы любите жареный рис с курицей и каждый раз будете его заказывать, т. е. эксплуатация. Тем не менее, иногда может иметь смысл заказать что-то еще, и вы можете наткнуться на новый фаворит, то есть на исследование. Если новое блюдо отстой, ничего страшного, ведь мы всегда можем вернуться к старому доброму жареному рису с курицей.

В этой области накоплено огромное количество знаний и исследований. Я бы порекомендовал прочитать бесплатный учебник «Введение в многоруких бандитов» Александра Сливкинса из Microsoft⁴. Если ваша компания использует облачную платформу Adobe Experience, такой алгоритм легко доступен для динамического распределения большего количества трафика для выигрышной стратегии, то есть цены, которая приводит к более высокой прибыли или доходу.

Заключительные замечания

Ключ к пониманию оптимизации цен заключается в том, что выручка равна цене, умноженной на спрос. При отрицательной ценовой эластичности, если процентное увеличение цены больше, чем процентное снижение спроса, вы все равно будете получать больший доход, несмотря на то, что продаете меньше товаров при повышении цен. Еще одна важная концепция — сегментация клиентов. Оптимизация цен обычно проводится для каждого сегмента. Некоторые ключевые параметры сегментации включают тип клиента, канал и продукт.

Оптимизация цен может показаться сложной задачей, но важно избегать паралича анализа. Как говорится, «все модели ошибочны, но некоторые из них полезны». Вы действительно узнаете, насколько хороши ваши модели и стратегии сегментации, только развернув тест с надлежащим контролем. Даже если тестирование цен для вашего бизнеса невозможно, понимание ценовой эластичности для каждого потребительского сегмента все равно поможет установить цены более оптимально.

Все модели ошибочны, но некоторые из них полезны.

Обсуждение цен здесь было бы неполным без упоминания этики и справедливости. Во многих отраслях общеизвестно, что вы можете брать с постоянных клиентов больше, но люди обычно уклоняются от этого (если вы это делаете, вы знаете, кто вы). Кроме того, важно определить, могут ли ваши стратегии ценообразования неосознанно нанести вред определенной группе населения. Ценообразование может причинить вред с искусственным интеллектом или без него, как показано в новостных статьях ниже:

Хотя ваша компания может не собирать информацию о расе от своих клиентов на регулярной основе, вы можете предсказать расу с хорошей точностью, используя байесовское улучшенное геокодирование фамилий (BISG), которое использует фамилию и почтовый индекс в качестве входных данных⁵. Идеальный паритет между несколькими группами меньшинств может быть невозможен. Таким образом, вашему бизнесу необходимо определить метрику и уровень терпимости для справедливости и несоизмеримого воздействия. Например, в потребительском кредитовании и трудовом законодательстве для оценки справедливости отклоненных заявок обычно используется коэффициент неблагоприятного воздействия (AIR), который представляет собой отношение уровня принятия для группы меньшинства к уровню принятия для группы большинства. AIR выше 0,8 часто используется в качестве эталона и упоминается в суде, хотя некоторые фирмы сообщают, что 0,9 может быть более распространенным в качестве внутреннего эталона управления рисками⁶.

Отказ от ответственности

Эта статья представляет мое собственное мнение и не обязательно отражает мнение моих нынешних и бывших работодателей.

¹Бойн Р., Коулман В., Дельфасси Д. и Паломбо Г. (2017). Как авиакомпании могут получить конкурентное преимущество за счет ценообразования. Маккинси и компания.

²https://www.priceapi.com/en/additional-content/google-shopping-api/

³Доскеланд, Т., Сьюве, А.В., и Эрпетвейт, А. (2021). Предсказывает ли активная комиссия поток взаимных фондов? — Ценовая чувствительность спроса на активное управление. Европейский финансовый электронный журнал.

⁴https://arxiv.org/abs/1904.07272

⁵ https://www.rand.org/health-care/tools-methods/bisg.html

⁶ Блаттнер Л., Старк П.-Р. и Списс Дж. (2022). Объяснимость и справедливость машинного обучения: выводы из потребительского кредитования. ФинРегЛаб.