Динамічне ціноутворення

Динамічне ціноутворення коригує ціни в реальному часі на основі попиту, конкуренції, запасів та характеристик клієнтів. ML дозволяє перехід від ціноутворення на основі правил до оптимізації на основі даних. Мета: максимізувати дохід (або прибуток) знаходячи ціну яку кожен сегмент клієнтів готовий платити за кожен продукт в кожен момент.

Де використовується

Динамічне ціноутворення забезпечує оптимізацію доходу в різних галузях:

• E-commerce: Ціноутворення продуктів, промо-знижки
• Подорожі: Авіаквитки, готельні номери, оренда авто
• Райдшерінг: Surge pricing, ціноутворення за маршрутом
• Розваги: Квитки на події, підписки на стрімінг
• Рітейл: Оптимізація markdown, конкурентне ціноутворення
• SaaS: Usage-based pricing, оптимізація планів

Продукти: Uber surge pricing, Amazon repricing, revenue management авіаліній, платформи бронювання готелів.

Проблема ціноутворення

Ціль: Максимізувати дохід (або прибуток)

Дохід = Ціна × Попит(Ціна)

Виклик: Попит зменшується коли ціна зростає (зазвичай). Знайти оптимальну точку.

Цінова еластичність:

Еластичність = % зміни попиту / % зміни ціни

• Еластичність < -1: Еластичний (попит дуже чутливий до ціни)
• Еластичність > -1: Нееластичний (попит менш чутливий)

Типові дані

Що ви робите на практиці

1. Визначте цілі - Дохід, прибуток, частка ринку, очищення запасів?
2. Зберіть дані ціноутворення - Історичні ціни та попит
3. Оцініть функцію попиту - Як попит змінюється з ціною
4. Змоделюйте цінову еластичність - За продуктом, сегментом, часом
5. Додайте обмеження - Min/max ціни, вимоги маржі
6. Оптимізуйте ціни - Знайдіть ціни що максимізують дохід
7. Обробіть конкуренцію - Реагуйте або лідируйте в ціноутворенні
8. Тестуйте обережно - A/B тест змін цін
9. Моніторте канібалізацію - Крос-продуктові ефекти
10. Ітеруйте безперервно - Ринкові умови змінюються

Спочатку базова лінія

Почніть з простого моделювання попиту:

import numpy as np
from sklearn.linear_model import LinearRegression

class SimplePricingModel:
    def __init__(self):
        self.demand_model = LinearRegression()

    def fit(self, prices, quantities, features=None):
        # Log-log модель для постійної еластичності
        X = np.log(prices).reshape(-1, 1)
        if features is not None:
            X = np.hstack([X, features])
        y = np.log(quantities + 1)
        self.demand_model.fit(X, y)

        # Еластичність - коефіцієнт при log(price)
        self.elasticity = self.demand_model.coef_[0]

    def predict_demand(self, price, features=None):
        X = np.log(price).reshape(-1, 1)
        if features is not None:
            X = np.hstack([X, features])
        log_demand = self.demand_model.predict(X)
        return np.exp(log_demand)

    def optimal_price(self, cost, features=None, price_range=(0.5, 2.0)):
        # Grid search для ціни що максимізує дохід
        prices = np.linspace(cost * price_range[0], cost * price_range[1], 100)
        revenues = []
        for p in prices:
            demand = self.predict_demand(p, features)
            revenue = p * demand
            revenues.append(revenue)
        return prices[np.argmax(revenues)]

Підходи до ціноутворення

Оцінка попиту з ML:

import xgboost as xgb

class MLPricingModel:
    def __init__(self):
        self.demand_model = xgb.XGBRegressor()

    def fit(self, df):
        features = ['price', 'competitor_price', 'day_of_week',
                    'inventory_level', 'category_encoded']
        X = df[features]
        y = df['quantity_sold']
        self.demand_model.fit(X, y)

    def optimize_price(self, product_context, cost, min_price, max_price):
        best_price, best_profit = min_price, 0

        for price in np.linspace(min_price, max_price, 100):
            context = product_context.copy()
            context['price'] = price
            demand = self.demand_model.predict([context])[0]
            profit = (price - cost) * demand
            if profit > best_profit:
                best_profit = profit
                best_price = price

        return best_price

Метрики оцінки

Типові помилки та чек-лист

• [ ] Канібалізація: Один продукт забирає продажі іншого
• [ ] Цінові війни: Спіраль зниження цін з конкурентами
• [ ] Customer backlash: Сприйняття несправедливості
• [ ] Inventory mismatch: Ціни не узгоджені з запасами
• [ ] Legal issues: Цінова дискримінація, антимонопольне

Чек-лист для продакшену

Перед деплоєм: - [ ] Валідація моделі попиту - [ ] Встановлення price guards (min/max) - [ ] Юридичний review - [ ] A/B тест framework

Після деплою: - [ ] Моніторинг revenue та margin - [ ] Відстеження customer complaints - [ ] Аналіз конкурентної реакції - [ ] Регулярне перенавчання моделі

Інструменти та стек

Приклад міні-кейсу

Сценарій: Динамічне ціноутворення для e-commerce.

Підхід: - XGBoost для моделювання попиту - Сегментація за категорією продуктів - Обмеження: ±20% від базової ціни

Результати: - 8% збільшення revenue - 5% покращення margin - Зменшення overstock на 15%

Пов'язані сторінки

• Індекс: ML Field Guide
• Контекстні бандити
• Прогнозування попиту

Додаткові матеріали

• Pricing and Revenue Optimization
• Causal Inference for Pricing

Спробуйте наживо

Дослідіть пов'язану модель на практиці: відкрийте Dynamic Pricing Engine — Demand Elasticity in Real Time і змінюйте параметри під час роботи. Усе лишається у вашому браузері.