При разработке нашей платформы data—driven динамического ценообразования SmartPricing нам приходится исследовать и тестировать большое количество различных методов и моделей ценообразования на основе данных, которые показывают лучшие результаты в своих областях. Одной из таких областей, которая стремительно развивается, является область электронная коммерция на маркетплейсах. Эта область характеризуется сверхконкурентной средой и ограниченной информацией о спросе, что создает сложности при разработке эффективных стратегий ценообразования. В данной статье мы рассмотрим стохастические динамические модели ценообразования на конкурентных рынках, учитывая несколько параметров предложения, таких как цена, качество и рейтинг.

Стохастическое динамическое ценообразование в условиях конкуренции и неполной информации о спросе является одной из главных открытых проблем в управлении выручкой и data—driven ценообразовании, над которой мы сейчас активно работаем для реализации в платформе SmartPricing. Задача таких моделей состоит в том, чтобы:

a) предсказывать вероятности продаж на основе наблюдаемых рыночных данных внутри компании и информации о ценах конкурентов,

б) выбрать стратегии и подходы, позволяющие оптимизировать автоматические реакции на цены с минимальными временными затратами

В рассматриваемом подходе решается проблема динамического ценообразования для большого количества входных данных, которые типичны для реальных систем, например конкуренции с десятками фирм, несколькими тысячами отдельных продуктов, несколькими измерениями предложения (например, качество продукта, рейтинг продавца) и несколькими ограничениями (например, затраты на хранение, дисконтирование). Существующие методы репрайсинга не могут эффективно обрабатывать такие сценарии и, следовательно, заставляют менеджеров ограничивать область применения стратегий ценообразования, например, с использованием детерминированных или предопределенных функций спроса, или снижать частоту переоценок. Это упрощение негативно влияет на качество стратегий. Неэффективность существующих методов обусловлена несколькими факторами, отражающими сложности динамического ценообразования. Во-первых, пространство возможных решений экспоненциально растет с количеством периодов времени, продуктов и конкурентов. Это внутреннее свойство проблемы, проклятие размерности, поскольку ценовые решения влияют друг на друга и, следовательно, простые эвристики не приводят к хорошим решениям. Более того, автоматизированные методы зависят от точных оценок вероятностей продаж на основе данных о спросе, чтобы предсказать влияние ценовых решений в конкретной рыночной ситуации. Ограниченная информация о спросе, в сочетании с большим пространством решений, приводит к очень высокой сложности проблемы, что значительно увеличивает время вычислений.

Современные методы машинного обучения для оценки спроса стали основным развитием в этой области, поскольку они могут точнее оценивать вероятности спроса. Однако, эти методы лишь ускоряют один из компонентов процесса. Основная проблема остается в том, что пространство решений слишком велико, то есть необходимо обойти проклятие размерности. Мы разрабатываем стратегии реакции на цены, которые могут быть применены на широком круге маркетплейсов. Наша цель — справиться со следующими предположениями: а) ограниченная информация о спросе, б) неизвестные стратегии конкурентов и c) частично наблюдаемые рыночные данные. Для вычисления жизнеспособных и результативных стратегий ценообразования в конкурентной среде мы объединяем оценки спроса на основе данных и динамическую модель оптимизации цен, которая обходит проклятие размерности:

1. Модель может предсказывать вероятности продаж на основе частично наблюдаемых рыночных данных. Используя воспроизводимую тестовую модель, можно анализировать стратегическое взаимодействие и измерять вероятности продаж в конкурентных рынках с определенным поведением клиентов и набором конкурирующих стратегий ценообразования. Это позволяет сравнивать качество различных методов оценки спроса.

2. Эффективный алгоритм для динамической оптимизации цен в условиях конкуренции: новый эффективный подход к динамическому ценообразованию на основе оцененных вероятностей продаж и декомпозированной формулировки динамического программирования. Подход применим даже при большом количестве конкурентов и неизвестных стратегиях конкурентов. Более того, стратегия позволяет сбалансировать прибыльность и скорость продаж. Концепция легко реализуется и позволяет выполнять вычисления цен в миллисекундах.

3. Эксперименты на платформе Amazon Marketplace: Стратегии и рекомендации превосходит установленную стратегию на основе правил опытного продавца как по прибыльности, так и по скорости продаж. Результаты показали, что стратегия, основанная на данных, превосходит стратегию опытных продавцов, увеличивая прибыль более чем на 20%.

Определение балансированной стратегии ценообразования между прибыльностью и скоростью продаж

Ключевой вызов ценообразовании на маркетплейсах — найти жизнеспособные и результативные стратегии ценообразования на основе данных для рынков с ограниченной емкостью, множеством конкурентов и множеством параметров предложения. Кроме того, цель состоит в том, чтобы сбалансировать прибыльность и скорость продаж. Существуют две основные проблемы применимых стратегий ценообразования на конкурентных рынках: a) поскольку спрос зависит от многих параметров (например, десятки цен конкурентов), пространство состояний модели взрывается, и проблема становится неразрешимой, и б) в общем случае, так как стратегии конкурентов неизвестны, их корректировки цен не могут быть эффективно предвидены.

Описанный подход и модели решают обе проблемы. Самое главное, вместо вычисления полных стратегий обратной связи вычисляются цены только на один период на основе текущей рыночной ситуации, которая возникает в процессе продажи. Для вычисления цен на один период необходимо учитывать как текущее состояние, так и потенциальные будущие состояния. Поскольку реакции конкурентов на цену происходят с определенной задержкой, краткосрочное развитие рынка может быть хорошо приближено к текущей рыночной ситуации. Однако долгосрочное развитие рынка может быть трудно предсказуемым. Данный подход мотивирован тем, что оптимальная цена на один период в основном зависит от текущего состояния и гораздо меньше подвержена влиянию конкретных потенциальных состояний в будущем.

Основная идея заключается в том, чтобы просто вычислять цены для единичных рыночных ситуаций и регулярно обновлять цены в ответ на изменяющиеся рыночные ситуации. Из-за небольшой размерности пространства состояний единичная переоценка очень быстрая. Кроме того, решение масштабируемо, так как сложность алгоритма не увеличивается ни с увеличением количества конкурентов, ни с размерностью рыночных ситуаций.

Такой подход был апробирован на практике на Amazon Marketplace. Как известно, маркетплейсы являются высоко динамичными конкурентными рыночными системами, поскольку продавцы могут регулярно наблюдать текущую рыночную ситуацию и моментально корректировать свои цены. Управлять этой динамикой трудно — принятие решения по ценообразованию требует учета множества измерений для каждого конкурента (например, цены, качества, доставки, рейтинга). Кроме того, предложения компании обычно ограничены, и события продаж являются внутренней информацией продавцов. Продавец являлся одним из топ-10 продавцов б/у книг на Amazon в Германии и имел ассортимент более 100 000 различных книг, каждая с несколькими экземплярами (от 1 до 20). Компания-продавец может в некоторой степени пополнять запас б/у книг через закупки для б/у книг. Однако, поставки ограничены, и невозможно непосредственно заказать определенные позиции. Следовательно, в данной ситуации вызов заключался в том, чтобы извлечь максимальную прибыль из заданного количества книг (уровень запасов) в разумный период времени.

Стратегия ценообразования данного продавца характеризовалась системой на основе правил, которая была разработана на протяжении многих лет путем тщательной корректировки и адаптации правил на основе опыта, полученного при продаже книг на Amazon. Поскольку продавец имел более десяти лет опыта на рынке, считалось, что его стратегия эффективна и точна. Однако, динамика рынка становится все более сложной, что делает стратегии на основе правил все более сложными для управления и поддержания. В рамках данного эксперимента были применены стратегии и модели ценообразования, описанные выше. Поскольку подход основан на машинном обучении для практического применения, необходимо провести обучение и калибровать модели, в частности, условные вероятности продаж. Набор данных, который используем для калибровки, содержит как запрошенные рыночные ситуации от Amazon, так и собственные данные продавца (предложения, продажи и запасы). Продавец получал информацию о рыночных ситуациях для каждой предлагаемой книги каждые два часа (т.е. >20 млн рыночных ситуаций в месяц, >140 млн наблюдений за одним конкурентом в месяц). В фазе исследования продавец также использовал случайные цены предложений.

Наши оценки вероятностей продаж для реализованной книги в определенный временной интервал основаны на рыночной ситуации во время корректировки цен нашей фирмы. Рыночные ситуации характеризуют продукт специфическими атрибутами, а также параметрами предложения (например, цена, качество, рейтинги, количество отзывов, время доставки) для каждого текущего конкурента. Исходя из параметров предложения, указанных в таблице, было определено 30 индивидуальных параметров для описания относительной конкурентоспособности нашего предложения в конкретной рыночной ситуации, например, ранг цены нашего предложения в сравнении с ценами конкурентов и т. д. Для оценки вероятности продаж для цен предложений в конкретных рыночных ситуациях использовался метод логистической регрессии.

Запросить полную версию статьи.

под общей редакцией Александр Шубин, управляющий партнер myRetailStrategy, alexander.shubin@myretailstrategy.com