Динамическое ценообразование — это система нестатичных цен, позволяющих компании извлечь более высокую прибыль либо получить больший объем продаж за счет гибкой и оперативной подстройки цен под изменения рыночного предложения, спроса, поставок и внутренних факторов самой компании.
Динамическое ценообразование базируется на двух основных принципах:
1. Постоянный мониторинг спроса, актуальных предложений конкурентов, изменений внутренних данных компании, в том числе, взаимного влияния заменяющих и дополняющих товаров.
2. Оперативные корректировки цен на основе полученной информации: цены меняются так, чтобы компания получала максимум прибыли в каждой ситуации и на каждом рынке (либо максимально возможный объем продаж, если перед системой поставлена такая цель).
Динамическое ценообразование иногда называют "пиковым (скачкообразным) ценообразованием", интеллектуальным ценообразованием, ценообразованием в реальном времени, ценообразованием на базе спроса и алгоритмическим ценообразованием.
В некоторых сферах используют динамическое ценообразование настолько давно, что это стало отраслевым стандартом. Речь о видах бизнеса, где пользование привязано к конкретной дате и времени - туризм, отели, авиаперелеты, железнодорожные и автобусные билеты, конференции, развлекательные мероприятия.
В указанных отраслях работают алгоритмы Revenue Management, которые стремятся максимизировать прибыль или выручку в условиях временных ограничений. Основную цель Revenue Management обозначают как "продать нужный продукт нужному покупателю в нужное время по правильной цене и в правильной упаковке". Создатели алгоритмов стремятся выявить воспринимаемую ценность продукта в каждом клиентском сегменте и точно рассчитать согласованные с этой ценностью цены.
При формировании цен такие компании чаще всего оперируют временем покупки и объективной комфортностью предложения. Скидки предоставляются за менее удобное время поездки, низкий сезон, низкокомфортное место или номер, за раннее приобретение и если осталось много свободных мест, а дата реализации уже совсем близко.
При позднем приобретении или дефиците цена, наоборот, поднимается. Потребители привыкли к такой системе и учитывают её, когда хотят сэкономить: приобретают билеты и жильё заблаговременно, "ловят" горящие путевки и возможности обменять билет, если в последний момент цена падает.
Помимо указанных отраслей, в России есть кейсы внедрения динамического ценообразования в e-commerce, в ритейле, в службах такси и аренды автомобилей. За рубежом динамическое ценообразование также используют, например, поставщики электроэнергии.
Если у вас "низкая база" - например, ценообразование заключается в 2021 году в фиксированной наценке и распродажах время от времени, - то ценовые эксперименты с помощью гибко настраиваемых правил могут дать впечатляющие результаты. На основе опыта и интуиции специалист по ценообразованию может выделять все новые сегменты и группы товаров, настраивать для них более эффективные правила формирования цены и мониторить результаты, "нащупывая" оптимум.
Крайне важно, чтобы система ценообразования обладала высокой гибкостью настроек и давала возможность быстро и точно анализировать результаты.
Плюс метода: психологический комфорт, специалист полностью руководит процессом и спокоен, поскольку всё контролирует.
Задавайте вопросы нашему консультанту, он ждет вас внизу экрана и всегда онлайн специально для Вас. Не стесняемся, мы работаем совершенно бесплатно!!!
Также оказываем консультации по телефону: 8 (800) 600-76-83, звонок по России бесплатный!
Минус метода: при этом подходе сложно учитывать все важные нюансы, например, перекрестное влияние товаров внутри категории - каннибализм, заменяющие товары, товары-дополнители.
Второй путь - полностью автоматическое "портфельное" ценообразование с помощью алгоритмов машинного обучения (ML, machine learning), постоянно зондирующих спрос.
Суть метода: алгоритмам задают цель оптимизации, это может быть максимум прибыли или максимум продаж. После этого алгоритмы с машинным обучением с помощью анализа факторов спроса, конкуренции, внутренних данных быстро определяют, сколько покупатели готовы и должны платить магазину, чтобы магазин вышел на свои максимальные показатели.
Среди новых товаров со слабыми продажами ML-алгоритмы выявляют товары, "подозрительные" на завышенную цену, и проводят для них плавное поэтапное снижение цены, пока показатели конверсии не улучшатся. Если цель - увеличение доли рынка и рост продаж, система находит оптимальную цену для данной цели в допустимом интервале, максимально сохраняя при этом маржинальность.
Оптимизацию можно проводить по отдельным SKU или товарным сегментам, но максимальный эффект получается при оптимизации цен товарной категории целиком, всего портфеля товаров, а не отдельных SKU. Такой подход помогает избежать товарной каннибализации внутри категорий и учесть перекрестную эластичность товаров, и это первый плюс ML-алгоритмов.
Второй плюс - алгоритмы искусственного интеллекта помогают выявить ситуации, в которых не работает конкурентное ценообразование: все игроки рынка установили завышенные с точки зрения покупателей цены.
В таких ситуациях алгоритмы помогают вновь запустить остановившиеся продажи при, казалось бы, исчезнувшем спросе.
Третий плюс - современные системы умеют "ловить" кратковременные всплески спроса, вызванные локальным дефицитом товара или непредвиденным ажиотажным спросом, и быстро поднимают цены соответствующих товаров на требуемый срок.
Одной из проблем маленьких деревень в давние времена был высокий процент детей рождающихся с генетическими отклонениями. Причина этого крылась в том, что муж и жена из-за того, что людей в деревнях мало, часто могли приходиться друг другу родственниками.
Вопрос: Какое изобретение конца 19 века резко снизило процент детей рождающихся с генетическими отклонениями в сельской местности?
Статью подготовила ведущий эксперт-экономист по бюджетированию Ошуркова Тамара Георгиевна. 
