TL;DR: Ценообразуването е сложна, многостранна тема. Независимо от това дали вашият бизнес продава физически стоки като потребителски пакетирани храни и инструменти за производство, или финансови продукти като лични заеми и взаимни фондове, или услуги като въздушен транспорт и разходки с кола, трябва да зададете цени за вашите продукти. Тази статия обсъжда подходите за оптимизиране на цената, без да се отчита ограничението на запасите. За по-задълбочена дискусия бих препоръчал да прочетете двата учебника от д-р Робърт Филипс, който беше директор по ценообразуването в Amazon, директор на Marketplace Optimization Data Science в Uber и основател на Nomis Solutions.

Въпреки че е обичайно за фирмите да определят различни цени за различните клиентски сегменти, не е ясно колко умишлена оптимизация е вложена в анализа. Някои индустрии са водещи в тази област като електронната търговия, потребителското кредитиране и авиокомпаниите. Като цяло има три подхода за ценова оптимизация: (i) Подход отдолу нагоре, (ii) Подход отгоре надолу и (iii) Обучение с подсилване. В зависимост от уникалните обстоятелства на вашата индустрия и бизнес, единият подход може да е по-осъществим от другия. Във всеки случай ефективното сегментиране на клиентите и въвеждането на ценово тестване са важни. И накрая, етиката и справедливостта трябва да се вземат предвид при ценообразуването със или без AI.

„Невидимата“ ръка

Цените обикновено се определят от общото търсене и предлагане на пазара. Например, твърде добре известното прекъсване на веригата за доставки по време на пика на пандемията от COVID-19 доведе до рязко покачване на цените за толкова много продукти. Често обаче все още има възможности за компаниите да определят цените си оптимално, за да увеличат максимално печалбата. Не е необичайно фирмите да определят различни цени за различни групи клиенти. Това се нарича сегментиране на клиентите.

По-долу е даден пример от индустрията за потребителски опаковки. Клиентите, които купуват на едро, като Costco и Sam’s Club, обикновено получават по-голяма отстъпка от каталожната цена.

Друг пример е от индустрията за управление на инвестиции, където различни класове акции на взаимни фондове се предлагат при съответното съотношение на разходите. Обикновено институционалните акции имат по-ниска такса, тъй като минималната сума на инвестицията е по-висока в сравнение с класовете акции, предлагани на редовните клиенти на дребно.

„Видимата“ ръка

Въпреки че определянето на диференциални цени е често срещана практика, не е ясно колко умишлена оптимизация е вложена в анализа. Някои индустрии са по-видими в тази област и определят цените динамично, за да оптимизират печалбата. Да вземем за пример електронната търговия. Amazon разчита в голяма степен на автоматизирани алгоритми, за да предостави персонализирано ценообразуване в реално време. Методът на Amazon, подкрепен от ценообразуващ екип от 16 експерти и 1400 разработчици, разполагащи с два акра подземни сървъри, работещи с машинно обучение, генерира персонализирани цени, базирани отчасти на атрибутите на отделния купувач¹.

Авиокомпаниите бяха сред първите компании, които използваха динамично ценообразуване на запасите през 80-те години. Тези дни виждате това в действие в Uber и Lyft с високи цени в пиковите часове. Освен това оптимизирането на цените също е силно забележимо в сектора на потребителските кредити, както е описано в бялата книга на Experian през 2017 г., озаглавена Оптимизиране на цените в потребителското кредитиране на дребно:

„Ценообразуването, базирано единствено на риска, не решава този проблем и бизнесът трябва да разбере ценовата еластичност на клиентското търсене, за да увеличи максимално доходността. Разбирането на това измерение позволява на бизнеса да определя цена на всеки клиент, за да увеличи максимално рентабилността, отразявайки факта, че различните клиенти е вероятно да вземат заеми на различна цена – нещо, което простият подход, базиран на риска, обикновено не взема предвид.“

Как да определим оптималната цена?

Като цяло има три подхода за ценова оптимизация:

  1. Подход отдолу нагоре
  2. Подход отгоре надолу
  3. Учене с подсилване

Подход отдолу нагоре

Ако вашият бизнес се управлява, като показвате на клиентите си цена и след това те решават дали искат да приемат или отхвърлят офертата, както при платформа за електронна търговия или онлайн кредитиране, тогава можете да изградите модел на ценова реакция, който е логистична регресия за прогнозиране приемане, т.е. двоична класификация. Ще ви трябват исторически данни за минали оферти и техните резултати в допълнение към всички данни, които сте събрали за клиентите, например каналът, през който са дошли, времето, което са прекарали на вашия сайт, географско местоположение, кредитен рейтинг, цел на заема, ниво на дохода и така нататък. Златният стандарт е да се съберат такива данни чрез рандомизиран тест, така че да се предлагат различни цени на множество тестови групи и клиентите да се разпределят към всяка тестова група на случаен принцип.

По-горе е даден пример за спецификацията на логистичната регресия, където p е вероятността за усвояване. Обърнете внимание, че са възможни няколко опции в зависимост от конкретния ви случай на употреба и наличността на данни. Може да се изненадате, че вашият модел може лесно да постигне AUC-ROC от 0,7 или по-висока.

По-горе е даден пример за функция за отговор на цената. Забележете, че logit е разумен избор за функционална форма, защото отговаря на нашата интуиция за това как търсенето трябва да варира в зависимост от цените. В миналото се опитвах да използвам по-сложен модел на машинно обучение като XGBoost, но това често водеше до нестабилен модел, който не се обобщаваше добре в невидимите бъдещи данни, въпреки че имаше по-висок AUC-ROC в набора за обучение.

Ако знаете единичната цена, можете да разберете оптималната цена, p*, въз основа на компромиса между цена и търсене, както е показано на графиката по-долу. В двата крайни края можете да продавате под себестойността си за единица продукция и да покриете цялото търсене, но да губите пари или да продавате на много висока цена, която генерира нулеви продажби. Въпреки това, не винаги е лесно да се оцени единичната цена. Например, ако продавате лични заеми, бъдещите кредитни загуби са форма на разходи за вашия бизнес, но те често се материализират напълно едва преди или около 18 месеца след резервирането на заемите. Освен това има въздействие от неблагоприятния подбор, т.е., когато увеличавате цената на заема, което е ГПР или лихвения процент, рисковият профил на приетите оферти се влошава, което води до потенциално по-големи загуби. Накратко, продажбата на заеми е по-трудна от продажбата на тоалетна хартия.

Появяват се няколко практически съображения:

  1. Къде да намеря цената на конкурента? Обхождането на уебсайта на вашия конкурент е една от опциите. В зависимост от вашата индустрия, може би има агрегатори, които могат да ви предложат такава информация. Например при потребителското кредитиране Credit Karma може да предостави средните оферти, които клиентът е получил от всички кредитори на своята платформа. За електронната търговия има доставчици, които предоставят API за получаване на данни от Google Shopping, след като Google затвори своя API за търсене през 2013². Също така не е нечувано в застрахователната индустрия, където хората ръчно получават оферти от своите конкуренти. Често им се налага да го правят от вкъщи, защото телефонните номера или IP адресите от работното им място може да са блокирани. Така че тук определено е необходима известна креативност. Във всеки случай, моделът без тази променлива вероятно ще продължи да работи достатъчно добре.
  2. Как да използвам допълнителните данни за клиентите? Можете да ги използвате или като функция в модела за отговор на цената, или като критерии за сегментиране. Това е художествената част от науката за данните, защото няма ясен отговор. Забележете, че в спецификацията на модела по-горе има фиктивна променлива. Можете да го използвате, за да представите функция като цел на заема, например дали е за консолидиране на дълг или не. За данни като ниво на дохода може да се изкушите да включите непрекъснатата променлива, но често е по-лесно да работите с група доходи, напр. ценообразуване по група клиенти. Обърнете внимание, че фиктивната променлива просто измества функцията цена-отговор хоризонтално отляво или отдясно, без да повлиява на наклона. За да се позволи по-голяма степен на свобода, може вместо това да се създаде сегментиран модел. Например ценовата чувствителност на клиентите, идващи чрез директната поща (да, хората все още го правят) спрямо дигиталния канал е доста различна. Компромисът между използването на променлива в спецификацията на модела и създаването на сегментиране зависи от няколко фактора, като количеството налични данни, тъй като не искате да нарязвате данните твърде тънко, и сложността на ценова стратегия, която можете да толерирате в производството . Определено трябва да се консултирате с експерти по темата и бизнес област по този въпрос.

Подход отгоре надолу

Подходът отдолу нагоре е много мощен, но за съжаление не винаги е възможен поради естеството на индустрията или бизнеса. Например, ако сте производител, който произвежда някои специализирани прецизни инструменти за няколко роботизирани приложения, може да нямате много голяма клиентска база, за да извършите ценово тестване и всеки договор е толкова голям, че не можете да рискувате да ги застрашите. Като друг пример, взаимните фондове имат строги регулаторни изисквания за подаване, за да променят всички ключови характеристики, като съотношението на разходите. Така че регламентът може да ви попречи да променяте цените често. При такъв сценарий можем да се върнем към традиционния иконометричен анализ, за ​​да оценим ценовата еластичност на търсенето, въпреки че предлага значително по-малка точност в сравнение с подхода отдолу нагоре.

Това изисква исторически данни, когато сте променили цените в миналото и сте наблюдавали съвкупното търсене на вашите продукти. В някои случаи може дори да имате достъп до такива данни за вашите конкуренти, за да ви позволи да увеличите своя набор от данни за потенциално по-силни изводи. Например Døskeland, Sjuve и Ørpetveit (2021) изследват връзката между активната такса и потока за активно управлявани взаимни фондове с акции, използвайки данните от Lipper (имайте предвид, че индустрията на взаимните фондове обикновено нарича търсенето поток)³:

„Нашите констатации могат да се тълкуват като отрицателна ценова еластичност на търсенето на активно управление, където една промяна на стандартното отклонение в активната такса се превръща в промяна в нетния поток от 83,4 базисни пункта.“

Когато извършвате такъв анализ, може да искате да контролирате други фактори във вашия анализ, като например сезонността. Например, ако даден производител има тенденция да повишава цените през лятото, когато търсенето обикновено е по-силно, вашата регресия може неправилно да установи положителна ценова еластичност, ако сезонността не е отчетена правилно. В статията, спомената по-горе, Døskeland, Sjuve и Ørpetveit (2021) контролират Morningstar Rating, което показва качеството на взаимен фонд въз основа на предишните му инвестиционни резултати. Докато продажбата на заеми е различна от продажбата на тоалетна хартия, тъй като цената на единица трябва да бъде оценена за първата, продажбата на взаимни фондове е различна и от двете, тъй като взаимните фондове могат да бъдат диференциран продукт въз основа на няколко фактора, като рейтинга на Morningstar, размера на активите , мандат на портфолио мениджъра, репутация на фирмата и т.н.

Обучение с подсилване

Този подход е по-подходящ за електронната търговия. Алгоритъмът за многовъоръжен бандит е една от най-простите, но много мощни рамки за обучение за подсилване, която взема решения с течение на времето при несигурност. Той разглежда компромиса между проучване и експлоатация. Името произлиза от метафората на комарджия в казино, който има възможност да играе на една от k различни слот машини, които имат различни шансове за печалба. В нашия случай различните слот машини имат различни цени.

Какво трябва да направите, за да увеличите печалбата си? Един възможен подход се нарича епсилон-алчен алгоритъм. Да приемем, че имаме две машини. Първо изберете малка стойност за епсилон, да речем 0,1. Проследявайте процентите на печалба на всяка машина, докато играете. Ако процентът на печалба на първата машина е по-голям от този на втората машина, тогава за следващия рунд играйте на първата с вероятност от един минус епсилон, а на втората с вероятност от епсилон. Вероятността да изберете губеща ръка е критично важна, защото без случайно тестване има шанс алгоритъмът да избере грешната ръка и да се придържа към нея. Тази кратка илюстрация предполага, че и двете машини имат една и съща печалба. В приложението за ценообразуване печалбите очевидно са различни и трябва да бъдат взети предвид при разглеждането.

Някой веднъж ми даде тази аналогия по време на една от моите презентации. Представете си, че обичате пържен пилешки ориз и бихте го поръчали всеки път, т.е. експлоатация. От време на време обаче може да има смисъл да поръчате нещо друго и може да се натъкнете на нов фаворит, т.е. изследване. Ако новото ястие е гадно, това е добре, тъй като винаги можем да се върнем към добрия стар ориз с пържено пиле.

В тази област има огромно количество знания и изследвания. Бих препоръчал да прочетете безплатния учебник, озаглавен „Въведение в многовъоръжените бандити“ от Александър Сливкинс от Microsoft⁴. Ако вашата компания използва Adobe Experience Cloud Platform, такъв алгоритъм е лесно достъпен за динамично разпределяне на повече трафик към печелившата стратегия, т.е. цената, която води до по-висока печалба или приходи.

Заключителни бележки

Ключът към разбирането на ценовата оптимизация е, че приходите са равни на цената, умножена по търсенето. При отрицателна ценова еластичност, ако процентното увеличение на цената е повече от процентното намаление на търсенето, вие все пак ще генерирате повече приходи, въпреки че продавате по-малко продукти при повишаване на цените. Друга важна концепция е сегментирането на клиентите. Ценовата оптимизация обикновено се прави за всеки сегмент. Някои ключови измерения на сегментирането включват тип клиент, канал и продукт.

Оптимизирането на цените може да изглежда обезсърчително, но е важно да се избегне парализата на анализа. Както се казва, „Всички модели са грешни, но някои са полезни“. Наистина ще разберете колко добри са вашите модели и стратегии за сегментиране само като пуснете тест с подходящ контрол. Дори ако тестването на цените не е възможно за вашия бизнес, разбирането на ценовата еластичност за всеки клиентски сегмент все още би помогнало за по-оптималното определяне на цените.

Всички модели са грешни, но някои са полезни.

Дискусията за цените тук не би била пълна, без да се споменат етиката и справедливостта. В много индустрии е известно, че можете да таксувате повече на лоялните клиенти, но хората обикновено избягват да го правят (ако го направите, знаете кой сте). Освен това е важно да определите дали вашите стратегии за ценообразуване могат несъзнателно да навредят на определена част от обществото. Ценообразуването може да причини вреда със или без AI, както е показано в новинарските статии по-долу:

Въпреки че вашият бизнес може да не събира рутинно информация за расата от вашите клиенти, можете да предвидите расата с добра точност, като използвате Bayesian Improved Surname Geocoding (BISG), което разчита на фамилното име и пощенския код като входни данни⁵. Перфектният паритет между множество малцинствени групи може да не е възможен. Така че вашият бизнес трябва да определи метрика и ниво на толерантност за справедливост и различно въздействие. Например, в потребителското кредитиране и трудовото законодателство коефициентът на неблагоприятно въздействие (AIR), който е съотношението на степента на приемане за малцинствената група към степента на приемане на мнозинството, обикновено се използва за оценка на справедливостта на отхвърлянето на молби. AIR над 0,8 често се използва като бенчмарк и се цитира в съда, въпреки че някои фирми съобщават, че 0,9 може да е по-често срещан като вътрешен бенчмарк за управление на риска⁶.

Опровержение

Тази статия представя моето собствено мнение и не е непременно мнението на моите настоящи и бивши работодатели.

¹Boin R., Coleman W., Delfassy D. и Palombo G. (2017). Как авиокомпаниите могат да получат конкурентно предимство чрез ценообразуване. Mckinsey and Company.

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

³Døskeland, T., Sjuve, A. W. и Ørpetveit, A. (2021). Активната такса предвижда ли потока на взаимния фонд? — Ценова чувствителност на търсенето за активно управление. European Finance eJournal.

⁴https://arxiv.org/abs/1904.07272

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

⁶Blattner L., Stark P-R. и Spiess J. (2022). Обяснимост и справедливост на машинното обучение: Прозрения от потребителското кредитиране. FinRegLab.