Dynamiczne ustalanie cen z machine learning

Szukaj

Nawet ceny podstawowych produktów takich jak leki i artykuły sportowe są obecnie ustalane dynamicznie. Wyjątkowy potencjał ma w tej kwestii uczenie maszynowe.

 

W obecnej erze personalizacji, dzięki data science możliwe stało się sugerowanie, odkrywanie i tworzenie produktów znacznie lepiej dopasowanych do indywidualnych preferencji. Systemy rekomendacyjne Amazona przewidują, jakie propozycje mogą spodobać się klientowi. Rekomendacje tego typu są jednak w pewnym sensie statyczne. Ich działanie opiera się na tym, że system sugeruje produkty, a użytkownik decyduje się – lub nie – na ich zakup. Data science można wykorzystać w celu dostarczania jeszcze bardziej spersonalizowanych usług. Dynamiczne ustalanie cen jest jednym z takich rozwiązań.

Początki dynamicznego ustalania cen

Dynamiczne ustalanie cen jest strategią polegającą na ustalaniu elastycznych cen produktów w zależności od klienta i okoliczności. Za pierwszy przykład zamierzonego zastosowania tej strategii można uznać stworzenie różnych typów biletów American Airlines w latach osiemdziesiątych. Na rynku pojawiły się w tym czasie konkurencyjne, tanie linie lotnicze. Amerykańska linia doszła do wniosku, że jej klienci są zróżnicowani. Niektórzy stawiają na niski koszt przelotu, a dla innych to jakość obsługi jest priorytetem. Stworzono rozwiązanie w postaci różnych typów biletu, od ekonomicznego po biznesowy.

Dynamiczne ustalanie cen w e-commerce

W chwili obecnej dynamiczne ustalanie cen jest rozwiniętą i powszechną praktyką linii lotniczych i innych branż, m.in. e-commerce. Różnicowanie cen jest zjawiskiem typowym dla środowiska online. To strategia polegająca na stałym dostosowywaniu cen, czasem nawet w ciągu kilku minut, w zależności od popytu i podaży w czasie rzeczywistym. W tej kwestii przoduje Amazon, który uaktualnia ceny nawet co 10 minut. Sukces gwarantuje mu dynamiczne ustalanie cen w połączeniu z dobrym interfejsem użytkownika i obsługą klienta. Jest możliwy dzięki odpowiedniej synchronizacji e-commerce’u, omnichannel i sklepów stacjonarnych.

Machine learning i dynamic pricing

Amazon jako jeden z pierwszych wykorzystał machine learning w kontekście dynamicznego ustalania cen. Decyzja częściowo przyczyniła się do ogromnego wzrostu wartości rynkowej marki w ciągu ostatnich 10 lat. Wśród innych firm, które poszły tą drogą, wymienić można Walmart, amerykańską sieć supermarketów, i Newegg, sklep z elektroniką. Dynamiczne ustalanie cen jest problemem predykcyjnym, dlatego uczenie maszynowe okazuje się w tym kontekście najlepszym narzędziem. Przystępując do stworzenia modelu, podejmuje się decyzję co do poziomu szczegółowości – to znaczy, czy zależy nam na uwzględnieniu indywidualnego użytkownika, całej grupy (np. konkretnego typu konsumenta) czy kompletnej bazy. Buduje się model, aby przewidzieć, czy wybrany użytkownik (lub użytkownicy) dokonają zakupu (lub całkowitej liczby zakupów), bazując na różnych parametrach. Wykorzystuje się algorytm optymalizacji, aby poznać cenę optymalną i cechy produktu, aby zwiększyć prawdopodobieństwo dokonania zakupu.

Rynek retail staje się coraz bardziej dynamiczny. Wymaga zmian cen o wiele częściej, niż w przeszłości. Dynamicznemu ustalaniu cen powinno towarzyszyć dokładne przemyślenie, w jaki sposób prowadzona będzie polityka cenowa pod tym kątem. Kiedy wykorzystuje się do tego profesjonalne narzędzia, można spodziewać się dobrych rezultatów.