Проблема
Ценообразование является одним из ключевых факторов, влияющих на результаты продаж в любом бизнесе. Завышенная цена может отправлять покупателей к конкурентам и влиять на продажи не только собственного товара, но и смежных. Заниженная цена может снижать маржу, не увеличивая выручку, а также не компенсировать себестоимость продукта или услуги. Ситуация на рынке может меняться очень быстро, например, баланс спроса и предложения, цены у конкурентов, себестоимость. Соответственно необходима возможность оперативно рассчитывать и ставить оптимальные цены.
Несмотря на это в большинстве компаний ценообразование выстроено на "ручном приводе". Коммерческие менеджеры через Excel анализируют небольшой набор факторов и часто на свое усмотрение выставляют цену. При этом цена может обновляться раз в неделю, месяц или квартал, в то время как рынок обновляется каждый день и иногда по несколько раз в день.

Решение
Студия Данных разработала подходы к расчету динамической цены в разных индустриях и внедряет свои решения в компаниях различного профиля.
Например, в ритейле необходимо рассчитывать эластичность спроса в зависимости от цен конкурентов и от собственной цены товара, учитывать влияние продаж на смежные товары, находить товары-аналоги для эксклюзивных товаров и выявлять товары, по ценам которых клиенты ориентируются при покупках и даже при выборе магазина. Все это необходимо делать по нескольким тысячам разных товаров примерно раз или два раза в день. В промышленности история немного другая, там нужно прогнозировать цену товара на несколько недель вперед, так как это то время, которые требуется, чтобы доставить продукцию в заданную географию. В транспорте необходимо очень точно считать себестоимость перевозки, которая часто состоит из порожнего пробега подачи в точку отправления и пробега из точки назначения. Эти логистические плечи не оплачиваются клиентом. Также во всех историях необходимо анализировать чувствительность клиента к цене. Все это в Excel просчитать невозможно. На современном рынке формировать цену можно только алгоритмами и мощными вычислительными ресурсами. Зато эффекты от такого "умного" ценообразования составляют миллиарды рублей в год.

1. Ритейл Прогноз цены на основе сегментации товаров по ценовой эластичности и ценового предложения конкурентов

2. Ж/Д: Продукт для перевозок Расчет цены на перевозку грузов с учетом себестоимости оказания услуг конкурентами, микросегментации и ценовой эластичности клиентов

3. Промышленность Прогноз оптимальной цены на продукцию (полимеры) на основе микросегментации клиентов, паритета рынка (спотовых цен конкурентов), ценовой эластичности клиентов

4. Фитнес-клубы (World-Class) Рекомендательная система продуктов и услуг на основе потребления клиента и профиля клиента

Особенностью ценообразования в ритейле является то, что цены нужно определять для большого количества товаров (называемых, SKU = stock keeping unit). Далее, не все эти товары в глазах покупателей одинаковы. Некоторые товары являются ключевыми в потреблении покупателей и покупатели сравнивают цены на эти товары у разных продавцов, предпочитая того продавца, у которого цена на данный товар ниже. Эти товары называются Key Value Indicators. Иные товары являются скорее сопутствующими и покупатель, купив основной товар, готов заплатить более высокую цену за сопутствующий. Эти товары часто называют Longtail. Соответственно, необходимо уметь выделять товары KVI и Longtail, так как ценообразование для них разное. Кроме этого, спрос на определенный товар, в том числе, управляемый ценой, влияет на приток посетителей в магазин или на сайт продавца, что в свою очередь влияет на покупки других товаров, и эти зависимости также необходимо уметь оценивать. Также, у продавцов часто встречаются уникальные товары, которые трудно сравнивать напрямую с конкурентами и, как следствие, выставлять на них цену. И, напоследок, в реальных (не онлайн) магазинах (еще называемых "каменными") далеко не всегда можно часто менять цены, так как нужно физически менять ценники. Это задача трудоемкая. По этой причине оптимальные цены необходимо еще и прогнозировать.

Решение
Все указанные расчеты нужно доверить алгоритмам, которые на выходе для каждого СКЮ рассчитают оптимальную цену и объяснят, почему эта цена в данный момент оптимальна. Вся эта информация о ценах и о факторах, от которых они зависят, доступна в рабочем месте коммерческого менеджера (специальной программе для управления ценами и ассортиментом). Там же, коммерческий менеджер, при желании, может согласиться или не согласиться с рекомендованной ценой и увидеть прогноз по продажам при условии принятия автоматической цены или цены, выбранной самим менеджером.

Важно то, что менеджер из режима массовых расчетов переходит в режим точечных корректировок с возможностью моделирования: рекомендованная цена такая - продажи такие, а что, если повысить/понизить цену , что будет с продажами? Алгоритмы дают возможность это рассчитать и увидеть.

Давайте рассмотрим, что нам нужно знать, чтобы рассчитать тариф на перевозку груза по железной дороге со станции А на станцию Б. Данный пример также хорошо подходит для служб такси, грузовых автомобильных и авиаперевозок.

Итак, компании-перевозчику нужно по заказу клиента перевезти груз со станции А на станцию Б. Для этого сначала нужно подать пустой (порожний) вагон на станцию А и заплатить за это, так как клиент оплачивает только перевозку своего груза. После того, как груз доставили на станцию Б, снова пустой вагон нужно забрать и доставить следующему клиенту и снова заплатить за это. Причем, заранее, где этот следующий клиент мы не знаем, так как на момент заключения сделки с первым клиентом мы не знаем, кто будет следующим после него. Все эти затраты на порожний пробег — это часть себестоимости перевозки, и ее нужно закладывать в тариф.

Далее, все то время, что вагон занят под конкретного клиента этот вагон не доступен для других клиентов, что логично. Возникает упущенная выгода, которую необходимо заложить в тариф. Почему мы это называем упущенной выгодой, а не просто маржинальностью, ведь собственно эта перевозка и есть наша услуга? Дело в том, что во время, когда вагон недоступен для других заказов входит не только перевозка, но также погрузка/разгрузка и, упомянутый выше, порожний пробег, только уже не в терминах километров, а в терминах суток. Соответственно, необходимо оценить время полной занятости вагона (называется "оборот") и заложить его в виде стоимости в тариф.

Пока что, мы рассмотрели только факторы себестоимости услуги (без фиксированных затрат, конечно). Как же нам определить тариф? Можно использовать метод cost-plus, когда мы берем себестоимость и прибавляем фиксированную маржинальность. Разумно ли, однако, так делать? Есть несколько причин, почему неразумно. Вот, как минимум, эти. У компании перевозчика могут быть преимущества перед конкурентами, которые хотелось бы отразить в цене. Например, порожний пробег с разных станций, то есть, стоимость вывоза вагона после доставки груза, может отличаться. Раз разная себестоимость, то можно устанавливать и разные цены. Далее, в моменте в данной локации может быть дефицит или профицит вагонов (баланс спроса и предложения), это также хотелось бы уметь учитывать. И, наконец, у разных клиентов может быть разная чувствительность к стоимости перевозки (например, если перевозка составляет большую или малую часть цепочки стоимости клиента). Если преимущество в порожнем пробеге еще можно относительно несложно учесть, то для учета баланса спроса и предложения нужно считать кривые эластичности, а для учета специфика клиента нужно делать сегментацию.

Решение
Нужно использовать алгоритмы и методы машинного обучения. Для каждой перевозки они могут рассчитать порожний пробег до уровне станции отправления и назначения, учесть преимущества в порожнем пробеге перед конкурентами. Также алгоритмы рассчитают оборот вагона и точки оптимума на кривых эластичности для баланса спроса и предложения. Алгоритмы могут сегментировать клиентов по десяткам различных параметров.

Основная задача автоматического ценообразования состоит в том, чтобы снять с коммерческого менеджера задачу расчета оптимальной цены на основе множества факторов и дать в его распоряжение уже оптимальную рекомендованную цену, с тем, чтобы коммерческий менеджер с задачи анализа детальных данных переключился на задачи взаимодействия с клиентом и разработки стратегии своей продуктовой категории. В дополнение к этому, в результате автоматизации цена должна рассчитываться точнее, учитывать большее количество факторов и обновлять во много раз чаще, чем при ручном или полуавтоматическом подходе.

Мы произвели что-то и нужно определить цену на этот товар. Давайте рассмотрим промышленность, потребители продукции которой юридические лица, так как оценивание продукции для B2C близко к кейсам с ритейлом, описанному выше. Итак, пусть мы произвели продукцию, из которой, потом будет производиться другая продукция. Например, полипропилен, из которого потом сделают контейнеры для еды, или приборные панели для автомобилей или крышки для бутылок. Как определить цену на полипропилен. На самом деле здесь важны два фактора: котировка рейтингово агенства и клиент.

Почему важен клиент? Все клиенты очень разные, так как они все производят совершенно разную продукцию из нашего полипропилена, с разной маржинальностью и в разных объемах. Клиентов необходимо сегментировать, чтобы не предлагать похожим клиентам разные цены, а также чтобы использовать информацию о том, что если часть клиентов в сегменте готовы платить больше, то, значит, и остальные скорее всего готовы это делать тоже. По этой причине сегментация очень важна и лучше всего она делается автоматически алгоритмом.

В добавок к сегментации даже более важным фактором является котировка рейтинговых агенств. Агенства анализируют рынки сбыта, учитывают количество потребителей и текущий спрос, количество поставляемой продукции (предложение) и на основе этого и своих внутренних алгоритмов выставляют рекомендованную цену, или котировку. В принципе, котировка рейтинговых агенств достаточно неплохо определяет цену. Кроме этого, даже если бы это было не так, все равно все на нее ориентируются. Поэтому для ценообразования лучше, чем котировка, мы вряд ли сделаем, если не считать сегментацию.

Однако, мы производим наш полипропилен сейчас, а продаем через месяц, так как товар нужно еще доставить на разные рынки в разных частях света. Речь здесь конечно идет о спотовых, а не регулярных продажах. Мы хотим отправлять больше товара туда, где цена будет выше. Также, если товар уже доставлен, мы хотим понять, продавать сейчас или чуть-чуть подождать, чтобы цена была выше. Для этого нужно прогнозирование.

Промышленность, как это задача решается сейчас
Часто с помощью классических методов прогноза временных рядов и с помощью анализа человеком. Эти методы неплохи, но можно лучше.

Мы предлагаем решение, основанное на методах машинного обучения, так как при прогнозе учитываются множество факторов, включая цены на продукцию на различных рынках, цены на продукты первичного передела (полуфабрикаты, получаемые до полипропилена), закрытие/открытие фабрик, текстовую информацию из СМИ. Все эти данные позволяют делать более точный прогноз котировки на недели и месяц вперед, что позволяет дополнительно зарабатывать миллиарды рублей.

В фитнес индустрии ценообразование влияет прежде всего на два фактора - вероятность пролонгации договора и склонность к потреблению платных дополнительных услуг во время действия договора. Причем, потребление платных услуг также влияет на вероятность пролонгации. Соответственно, нам нужно выбирать цену не только исходя из цен конкурентов, сезона, цены в данной локации, но также и вероятности оттока клиента и оцениваемого ущерба от его потери связанного с потреблением дополнительных фитнес услуг. Цену же на дополнительные фитнес услуги необходимо динамически рассчитывать исходя из потребностей данного клиента, выявленных на основе рекомендательного сервиса, который сравнивает данного клиента с другими клиентами, а также учитывает время дополнительных тренировок, людей, с которыми данный человек тренируется и множество других факторов. Все это очень трудно сделать вручную, но успешно делается алгоритмом.