Обзор методов динамического ценообразования
Николай Курбатов, аналитик данных, Beltel Datanomics
Введение
Для большинства товаров рост цен приводит к росту маржинальности. И напротив, при снижении цен маржинальность падает, но растет спрос и аудитория покупателей. Однако существуют факторы, которые усложняют и изменяют эту экономическую зависимость: конкуренты, изменение рынка, сезонность спроса, праздники, курс валют и т.д. Поэтому не существует идеальной цены, она всегда меняется в зависимости от тех или иных обстоятельств. И эффективное реагирование на эти изменения и оптимальное ценообразование является для бизнеса одной из ключевых задач.
В данной статье команда Beltel Datanomics расскажет об базовых методах ценообразования и динамического ценообразования на примере офлайн ритейла, рассмотрит их преимущества и недостатки.
Определения
В статье будут использоваться некоторые эконометрические показатели. Их определения перечислены ниже:
- спрос – количество проданного товара
- выручка –объем продаж, выраженный в денежных единицах:
выручка = {цена товара} × {спрос}
- себестоимость – закупочная цена товара, включая расходы на логистику
- прибыль – разница между выручкой и расходами:
прибыль = выручка — {себестоимость} × {спрос}
- маржинальность – доля прибыли к выручке:
маржинальность = {прибыль} ÷ {выручка} × 100%
- эластичность спроса – зависимость спроса от цены.
Виды ценообразования
Ценообразование может быть: ручным, индексным и динамическим.
Ручное ценообразование – стратегия ценообразования, для которой нужны специалисты в области определенной продукции (продуктовой категории). Данные специалисты изучают рынок, конкурентов и выставляют цены. Это классический метод, который хорошо работает для небольшого числа товаров. Если товаров десятки, сотни тысяч и ценовые политики в разных магазинах могут быть разными, то эффективно управлять ценами может быть сложно. К тому же при таком подходе большое влияние вносит человеческий фактор.
Индексное ценообразование – распространенный инструмент регулирования цен, основанный на правилах сопоставления своих цен и цен конкурентов. В таком подходе необходим постоянный мониторинг цен конкурентов. В онлайн ритейле с большим количеством товаров прибегают к матчингу товаров на базе машинного обучения. После этого цены на товары выставляются по некоторым правилам, например, на определенный товар цена будет на 5% меньше, чем у конкурентов. Такой подход не может оперативно отреагировать на изменение внешних или внутренних факторов, и в формулировке правил также заложен человеческий фактор.
Динамическое ценообразование – подход к управлению цен на базе алгоритмов машинного обучения (ML) [1]. В качестве входных данных алгоритмы используют информацию о ситуации на рынке, динамику спроса товаров и другие. Данный метод лишен человеческого фактора, позволяет обрабатывать и анализировать намного больше информации чем люди. ML алгоритмы динамического ценообразования могут оперативно изменять цены и собирать данные обратной связи в режиме реального времени. Эти возможности позволяют бизнесу более эффективно реагировать на изменения спроса, сокращать ошибки прогнозирования и автоматизировать управление ценами для каталогов, содержащих миллионы товаров.
Подходы к динамическому ценообразованию
1. Историческое моделирование цен
Наиболее простым методом моделирования цен является метод оценки эластичности спроса по историческим данных. Кривая спроса приближается линейной моделью или моделью с постоянной эластичностью (степенная модель). Далее оптимальная цена определяется как цена, которая максимизирует прибыль с учетом бизнес ограничений.
Недостатки данного метода:
- для товаров Гиффена (чем больше цена, тем больше продажи) всегда будет рекомендоваться максимально допустимая цена;
- потеря дополнительной информации о спросе, сезонность, акции и т.д.;
- для товаров с маленькой историей эластичность спроса может быть некорректной.
Существует расширение этого метода, которое генерирует не одну, а множество кривых спроса [2]. Это множество создается таким образом, чтобы максимально охватить диапазон, в котором, вероятно, находится истинная функция спроса. Данный метод также подходит для задач холодного старта, когда нет истории продаж.
2. Вероятностное динамическое ценообразование
Более адаптивным к изменениям спроса является вероятностное динамическое ценообразование. В данном подходе применяются алгоритмы машинного обучения с подкреплением, которые балансируют между исследованием новых цен и консервацией цены товара. Для примера рассмотрим алгоритм Thompson sampling [3] – универсальный метод, который принадлежит к большому и хорошо изученному семейству алгоритмов для задачи о многоруком бандите [4,5].
Основная идея метода заключается в гибком и эффективном исследовании изменений спроса. Для этого строится вероятностная модель, параметры распределения этой модели уточняются с течением времени с помощью байесовского подхода. Распределение модели включает в себя зависимости между ценой и спросом, что позволяет методу учитывать случайные и детерминированные факторы продаж. Если дисперсия распределения высока, то алгоритм будет стремиться исследовать более широкий диапазон возможных функций спроса. В противном случае, алгоритм будет использовать функции спроса, определяемые средним значением распределения, как наиболее подходящие. Будет реже исследовать изменения формы спроса.
Вероятностные модели спроса могут быть с непрерывно и дискретно изменяемыми ценами. Для непрерывных моделей используют линейную или степенную функцию спроса, в которых параметры функции рассматривают как случайные величины. Такие модели позволяют гибко менять цену товара.
Модели с фиксированных набором цен предпочтительнее в областях бизнеса с четкими ценовыми политиками товаров. Модель спроса в таком случае представляет собой таблицу. Каждая срока соответствует определенной цене с параметрами функцией плотности вероятности спроса. В данном подходе кривая спроса имеет вид, представленный на Рис.1.
Рисунок 1. Вероятностная модель с дискретными уровнями цен
3. Динамическое ценообразование с прогнозированием спроса
Задачу динамического ценообразования можно рассматривать как классическую задачу обучения с учителем, однако строить модель не прогнозирования цены, а прогнозирования спроса [1,6,7]. Дело в том, что цена на некоторые товары может слабо меняться или не меняться совсем. В таком случае модель прогнозирования цен будет выдавать одно и тоже значение при любых входных данных, не будет экспериментировать с ценой. Поэтому стоит строить модель прогнозирования спроса, в которой в качестве признаков будет цена и ее производная. Другие признаки, на которых можно обучать модель являются:
- статистики и оконные функции от спроса (продаж) для определенного SKU (среднее, медианное, максимальное, минимальное значения и т.д.);
- статистики и оконные функции от спроса (продаж) для категории товаров;
- доля продаж товара в продуктовой группе, категории за какой-то период;
- контекстуальная информация (город, регион, день недели, день месяца, месяц, день в году, сезонность, температуру, наличие акции, скидки, праздники);
- эмбеддинги товаров (из задачи матчинга товаров или колаборативной фильтрации);
- статистики и оконные функции от цены для определенного SKU (среднее, медианное, максимальное, минимальное значения и т.д.);
- цены конкурентов, похожих товаров.
Прогнозирование можно проводить для разных горизонтов прогнозирования и на разных уровнях: строить модель для отдельных товаров, при наличии большой истории, или строить модель для отдельных категорий. При обучении модель прогнозирования дополнительно будет аппроксимировать кривую спроса. Это позволяет использовать ее для моделирования кривой эластичности, изменяя цену товара в некотором диапазоне. Согласно ограничениям по складским запасам, ценовым политикам, размеру скидки и маржинальности выбирается оптимальная цена из нескольких предложенных.
Рисунок 2. Модуль моделирования цены в сервисе Datanomics Demand Forecast
Заключение
На практике методы динамического ценообразования могут оказывать существенное влияние на объем продаж и доход. Многие лидеры рынка, включая Amazon и Walmart, активно исследуют и используют модели динамического ценообразования, которые, в свою очередь, оказали сильное влияние на розничный рынок в целом, увеличив частоту изменения цен за последнее десятилетие [8]. В результате управление розничными ценами становиться все более сложной задачей и приводит к тому, что алгоритмические методы управления ценами становятся все более важным источником конкурентных преимуществ.
Список источников
[2] W. Cheung, D. Simchi-Levi, and H. Wang, Dynamic Pricing and Demand Learning with Limited Price Experimentation, February 2017
[3] Ganti, Ravi & Sustik, Mátyás & Tran, Quoc & Seaman, Brian. (2018). Thompson Sampling for Dynamic Pricing.
[4] D. Russo, B. Roy, A. Kazerouni, I. Osband, Z. Wen, A Tutorial on Thompson Sampling, November 2017
[5] C. Scherrer, Bayesian Optimal Pricing, May 2018
[6] https://habr.com/ru/companies/iticapital/articles/354732/
[7] https://github.com/tule2236/Airbnb-Dynamic-Pricing-Optimization
[8] A. Cavallo, More Amazon Effects: Online Competition and Pricing Behaviors, September 2018