Ценообразование – одна из первых сфер в розничной торговле, где применение data—driven подходов очевидно и дает значимый эффект, так как прежде всего непосредственно связано с цифрами, данными и расчетами и имеет самый сильный операционный рычаг в розничной бизнес-модели. Исследования во многих отраслях показывают, что увеличение выручки за счет ценообразования на 1% может увеличить операционную прибыль от 7 до 15%. Для розничных компаний этот рычаг еще более впечатляющий.

Data-driven ценообразование представляет собой метод определения цены товаров или услуг на основе аналитики больших объемов данных, отходя от традиционных подходов, таких как затратное ценообразование или установление цен исходя из конкурентной среды. Этот метод включает в себя анализ данных о спросе и предложении, поведении потребителей, ценах конкурентов, сезонных колебаниях, затратах на производство и других ключевых факторах, что позволяет принимать обоснованные и точные решения о ценообразовании.

Применение data-driven подхода к ценообразованию характеризуется высокой гибкостью, позволяя быстро адаптироваться к меняющимся рыночным условиям и предоставляя возможности для предсказательного анализа с использованием алгоритмов машинного обучения и статистики для прогнозирования будущих тенденций. Кроме того, он способствует персонализации цен, учитывая индивидуальные предпочтения и поведение потребителей, тем самым оптимизируя ценовые стратегии для улучшения производительности бизнеса, повышения доходов и прибыли. Применение решений data—driven ценообразования по данным SmartPricing могут дать следующие эффекты:

Исследования KMPG также показывают впечатляющие результаты применения решений data—driven ценообразования: от 2-6% прироста валового дохода в регулярном ценообразовании и до 20% — промо ценообразовании, до 10% в сезонном ценообразовании и распродажах.

Наиболее типичными задачами, где применяются data—driven подходы к ценообразованию, являются:

• Парсинг цен конкурентов и конкурентное ценообразование на основе статистики и данных конкурентной ситуации
• Регулярное ценообразование на основе данных транзакционных данных продаж и спроса
• Промоценообразование – расчет оптимальных скидок и времени скидок
• Сезонное ценообразование и распродажи
• Ценообразование новинок и собственных торговых марок

Уровень зрелость data—driven ценообразования

В модели зрелости data—driven retailing, которую мы разработали с моим коллегой Павлом Рюховым, можно выделить пять уровней зрелости,

в соответствии с которой уровень зрелости процессов data—driven ценообразования можно определить следующим образом

Data-beginners	1	Ценообразование осуществляется через наценку на основе закупочных цен поставщиков
	2	Реализуется конкурентное ценообразование на основе мониторинга цен конкурентов, в Excel
Data-challengers	3	Ценообразование осуществляется с помощью информационных систем на основе правил
	4	Ценообразование осуществляется на основе правил и дополнительно статистики и аналитики, но решения принимаются экспертно
Data-explorers	5	Ценообразование осуществляется с помощью информационных систем на прогнозах и эластичности по цене
	6	Ценообразование осуществляется с помощью информационных систем на прогнозах и эластичности по цене
Data-advanced	7	Ценообразование осуществляется на основе многофакторных ML
	8	Ценообразование осуществляется на основе многофакторных ML динамически
Data-champions	9	Ценообразование осуществляется на основе ML динамически на основе самообучающихся систем
	10	Ценообразование осуществляется на основе ML динамически на основе самообучающихся систем, учитывающих будущий спрос и поведение покупателей

Методологическая основа

Ядром технологий и алгоритмов data—driven ценообразования являются модели взаимосвязи цены и спроса. Обычно методы восстановления таких зависимостей делятся на две категории: параметрические подходы и непараметрические подходы. При этом, все используемые модели можно разделить на три группы: во-первых, запасы могут пополняться или нет в течение временного горизонта; во-вторых, спрос может зависеть или не зависеть от времени; в-третьих, покупатели могут быть случайными или стратегическими. Большинство моделей делают предположения о форме функции спроса. Например, некоторые предполагают, что темп спроса имеет известное распределение и зависит от времени. Спрос также может быть моделирован как детерминированный или стохастический с известным распределением. Некоторые модели используют спрос, который является функцией цены, а также уровня запасов, или наоборот, используют стохастический спрос с заранее известным распределением.

Упрощенно задачу оптимизации цены можно представить графически. Нужно найти такую цену с учетом спроса, которая максимизировала бы валовый доход при ограничениях запасов. Ключевым неизвестным здесь является функция спроса, которая может быть восстановлена с помощью алгоритмов машинного обучения: например, множественной линейной регрессии или другими более сложными моделями, которые должны быть выбраны после анализа данных. Таким образом, обучив модель на данных, теперь мы полагаемся на цены, которые рекомендует система — в этом и заключается суть data—driven ценообразования. Но здесь, конечно, нужно помнить, как в случае с автомобильным навигатором, что навигатор не может знать оперативной обстановки в эту секунду, только водитель может отреагировать, если только на автомобиле не установлен полный автопилот.

В розничном ценообразовании схема процессов data—driven ценообразования выглядит следующим образом:

У ценообразования в B2B есть свои особенности. В B2B data-driven ценообразовании в соответствии с классификацией подходов к динамическому ценообразованию по модели BCG можно выделить два измерения: дифференциацию по сегментам клиентов с учетом CLTV и частоту изменения цен. Правый верхний угол означает фактически индивидуальное ценообразование и установку цен в момент формирования заказа в зависимости от долгосрочной ценности клиентам.

B2B ценообразование можно разделить на два типовых подхода: прайс-листы и индивидуальное ценообразование. Например, в SmartPricing в качестве основного подхода B2B ценообразования выбран интегрированный подход с акцентом на индивидуальное ценообразование, при котором прайс-листы, рассчитанные для сегментов клиентов, будут являться референциальными ценами, а окончательная цена устанавливается индивидуально для каждого клиента/сегмента на основе data-driven подхода моделей machine learning спроса, вероятностей покупки и экспертного решения при переговорном процессе.Такое динамическое таргетированное индивидуальное ценообразование в среднем может улучшить прибыльность компании B2B на 52%¹ .

*1 Dynamic Target ed Pricing in B2B Relat ionships Jonat han Z. Zhang, Oded Net zer, Asim Ansari

Принципиальная схема работы системы моделей представлена на рисунке ниже.

• Первый блок моделей, который включает в себя Сегментацию/кластеризацию клиентов, Определение состояния клиента и Определения списка KVI для ценового позиционирования, формирует базу для работы основных моделей расчета цен.
• Модель “Сегментации/кластеризации клиентов” осуществляет периодическую кластеризацию клиентской базы и выделение микросегментов, в результате чего для каждого клиента в дополнение к экспертным признакам Канал и ЦКГ присваивается признак микросегмента.
• Модель “Состояния клиента” на основании многомерного вектора характеристик клиента позволяет оценить состояние клиента с точки зрения его поведения.
• Модель “Ценового позиционирования и KVI” для сегментов клиентов на основании истории продаж корзин сегментов через кластеризацию выделяет товары индикаторы — “маячковые товары” для формирования ценового позиционирования, которые используются в модели “Динамики конкуренции” и Предсказания общего спроса.
• Модель “Динамики конкуренции” отвечает за конкурентное ценообразование и расчет ценовых индексов с учетом стратегии конкурента и нашей стратегии на концепции теории игр.

Несмотря на кажущуюся очевидность применения data—driven ценообразования, в соответствии с исследованиями KMPG только треть (30%) компаний используют специализированное программное обеспечение/инструменты для ценообразования и чуть более четверти (26%) используют инструмент ценообразования, встроенный в другое программное обеспечение. При этом более 21% все еще ведут учет цен в электронных таблицах.

Тестирование и оценка эффективности применения Data—driven ценообразования для вашей компании.