Моделирование ценообразования – тестирование с помощью искусственного интеллекта различных ценовых сценариев для поиска самого устойчивого и эффективного способа достижения целей компании. В большинстве случаев, основным источником данных информации служат исторические данные о продажах с конкретными бизнес-целями и ограничениями, которые обрабатываются программными алгоритмами ценообразования третьей волны.

Концепция моделирования ценообразования тесно связана с идеей тестирования цен. Они работают с одинаковыми базовыми категориями, такими как цена или эластичность спроса, и помогают ритейлерам достигать похожих или даже тех же бизнес-целей. Но между моделированием и тестированием цены существенная разница: первое моделирует эффект от гипотетического изменения цены, второе предполагает реальные изменения цен.

Моделирование ценообразования для начинающих

Долгое время моделирование ценообразования оставалось привилегией крупных игроков рынка, так как требовало значительного времени, человеческих, технических и финансовых ресурсов для прогнозирования влияние конкретного изменения цен. Чтобы произвести необходимые вычисления, нанимались консультанты, даже если результат их работы был ограничен по масштабу и зачастую не очень точен.

При одновременном привлечении консультантов и использовании внутренних решений по оптимизации цен, моделирование опиралось на один или несколько статистических способов тестирования. Самые распространенные подходы включали в себя:

• Самогенерация (bootstrapping)

Этот метод предполагает тестирование случайной замены цены. Для того, что выборка была точной, самонастройка позволяет использовать различные способы (например, вариативность, ошибку прогнозирования или интервал достоверности).

• Метод Монте-Карло.

Это алгоритм, позволяющий делать случайные изменения в продолжительный период времени, который выдает результат в цифрах. Говоря просто, моделирование по методу Монте-Карло использует рандомизацию для решения задач, которые являются по своей сути решающими. В ритейле метод Монте-Карло может быть использован для оптимизации ценообразования, промо, запасов или других области деятельности ритейлера.

Эти и другие статистические методы не изменились со времен их создания консалтинговыми компаниям, когда на рынок вышли первые решения по оптимизации ценообразования. Революция ИИ в середине 2010-х годов отличается тем, что она лишила крупные компании монополии на инновации и сделала решения по эффективному и безопасному моделированию ценообразования доступными всем ритейлерам. 

Преимущества моделирования цен

Правильные решения по установке цен играют решающее значение в поддержании финансового состояния ритейлера. Тем не менее, даже в век персонализации на основе данных, многие ритейлеры зачастую недооценивают значение общей ценовой политики. Одна из статей Compеtera подчеркивала эту проблему, предельно хорошо демонстрируя необходимость создания успешной стратегии ценоообразования. Сегодня, недостаток стратегического подхода к ценообразованию на уровне всего ассортимента, а не отдельного товара (или сегмента покупателей) остается значимым фактором, определяющим устойчивость розничного бизнеса. 

Когда ритейлер осознает значение общей ценовой стратегии, встает проблема выбора. Без проведения тестирования в безопасном режиме грубое внедрение ценовой политики можно действовать также разрушительно, как и отсутствие стратегии вовсе. И именно здесь моделирование ценообразования может помочь. Вот почему:

• Находить оптимальные значения цен в проактивном режиме. Песочница Competera для моделирования цен предлагает набор модулей и позволяет коммерческим подразделениям и отделам ценообразования тестировать различные сценарии, включая и предустановленные, и кастомизированные стратегии с учетом специфических ограничений и целей ритейлера.
• Безошибочно идентифицировать KVC и KVI. Данные говорят о том, что ритейлеры часто склонны пропускать категории и товары с основной ценностью в собственном ассортименте. И здесь продвинутая система ценообразования может смоделировать влияние на изменение цены на основе спроса на все продукты в ассортименте. Это означает, что у ритейлера появляется реальная картина того, как конкретные товары приносят прибыль. После определения KVC и KVI розничная сеть сможет обезопасить их, чтобы не снизить финансовые показатели.
• Найти скрытые зависимости между товарами ассортимента. Моделирование различных ценовых сценариев приводит к тому, что вскрываются скрытые зависимости между различными группами товаров. Зная о таких взаимозависимостях, ритейлер может предотвращать каннибализацию и увеличивать прибыль.

Предоставьте моделирование ценообразования искусственному интеллекту

По-настоящему результативные и релевантные модели ценообразования опираются на тысячи источников данных, которые обрабатываются продвинутыми алгоритмами машинного обучения. Моделирование потенциального влияния новой цены на один SKU требует часы работы менеджера и в конце концов не приводит к значимому результату, так как не учитывает огромные объемы взаимозависимостей в ассортименте. Так почему бы не отдать задачу по моделированию ценообразования программному продукту?

Оригинал статьи (на английском языке) доступен на сайте Competera.net