Strategia dynamicznych cen / Przełom dla Twojego biznesu

W tym artykule znajdziesz:

Czym są dynamicznie ustalane ceny (Dynamic Pricing)?

Dynamic Pricing w e-commerce oraz rola sztucznej inteligencji w biznesie

Prosty automat czy sztuczny człowiek?

Droga do tworzenia kreatorów cen inteligentnych

Kuchnia Dynamic Pricing

Dlaczego warto wdrażać strategię Dynamic Pricing w logistyce?

Jak zbudować firmę transportową konkurującą inteligentnymi cenami?

Podsumowanie

Na początku był Dynamic Pricing…

Historia wycen (a w zasadzie dynamicznych cen) sięga zamierzchłych czasów. Stałe ceny to zjawisko względnie nowe. Po raz pierwszy pojawiło się w obiegu wraz z silnikiem gazowym, żarówką, telefonem czy dynamitem podczas drugiej rewolucji przemysłowej w XIX wieku. Wcześniej sklepikarze i handlowcy stosowali strategię dynamicznych ceny, dostosowując je do statusu klienta na podstawie np. jego wyglądu czy zachowania. Interesującym z perspektywy naszych czasów wydaje się fakt, że ustalanie ceny na bazie powierzchowności klienta było dla niego elementem nobilitacji i prestiżu.

Czym są dynamicznie ustalane ceny (Dynamic Pricing)?

Strategia dynamicznych cen polega na ustaleniu elastycznych cen produktów i usług pod kątem aktualnych wymagań rynku. Organizacje implementujące strategię dynamicznego ustalania cen robią to m.in. w oparciu o algorytmy Machine Learning, które automatycznie i w przewidywalny sposób zmieniają ceny, uwzględniając szereg zmiennych czynników, np. popytu, podaży, ceny konkurencji, dostępności, pór roku i innych. Przykłady dynamicznych wycen znamy z życia codziennego. Stosują je powszechnie firmy z branży hotelarskiej, przewozowej, logistycznej, transportowej, lotniczej czy handlu detalicznego, by wymienić tylko gigantów: Booking.com, Amazon czy Uber (który proponowaną cenę uzależnia od… stanu naładowania baterii w telefonie!).

Dynamic Pricing w e-commerce oraz rola sztucznej inteligencji w biznesie

Kiedyś, prawie 150 lat temu, ceny musiały zostać ujednolicone z powodu braku wykwalifikowanych sprzedawców. Stałe ceny były odpowiedzią rynku na drastyczny wzrost ilości towarów w obrocie rynkowym.

Obecnie przy prędko rozwijającym się rynku e-commerce równie dynamicznego tempa wzrostu nabrał ściśle z nim powiązany rynek usług kurierskich. Równoległe z tym zjawiskiem znacznie przyśpieszył postęp w obszarze cyfryzacji i komunikacji. Podobnie jak w XIX wieku, tak i teraz zaczyna brakować wykwalifikowanych specjalistów w dziedzinie sprzedaży. Łącząc wszystkie kropki, naturalne jest szukanie pomocy w rozwiązaniach z zakresu sztucznej inteligencji i uczenia maszynowego.

Ludzie od zawsze dążą do uproszczenia swojej pracy. Zautomatyzowanie jej pozwala na skupienie się nad innymi elementami kapitalistycznej gry, np. ekspansji oferty bądź rynku. Sztuczna inteligencja może symbiotycznie koegzystować z ludźmi, przynosząc świetne efekty. Taka sytuacja dzieje się już teraz. Z całą pewnością można zakładać, że opieszałość w adaptacji AI w procesie zarządzania długofalowo oznaczać będzie utratę rynków, w konsekwencji — zysków.

Prosty automat czy sztuczny człowiek?

Należy podkreślić, że docelowo generator cen dla klienta nie powinien być prostym automatem. Nie sztuką jest zbudowanie czegoś gorszego od człowieka. Dzisiaj mamy możliwości zbudowania czegoś, co w bardzo wąskim zakresie wielokrotnie przewyższy inteligencję człowieka.

Nie chodzi więc o wyręczanie człowieka, lecz o zbudowanie – zgodnego ze strategią biznesową – systemu, który dojdzie do poziomu szybkości i głębokości kalkulacji nieosiągalnej dla człowieka.

Nieporozumieniem jest określeniem „sztuczna inteligencja” prostego automatu recepcyjnego w hotelu lub głosowego portalu informacji kolejowej. Z drugiej strony istnieją stosunkowo proste algorytmy matematyczne w środowisku aplikacji, które są w stanie podejmować trudne decyzje. Decyzje te przeważnie są znacznie lepsze od decyzji, jakie potencjalnie podjąłby człowiek. Są to decyzje optymalne, czyli najlepsze z możliwych w danych warunkach. Dlatego my, ludzie, nie potrafimy oprzeć się wrażeniu, że obcujemy ze sztuczną inteligencją, mimo że w istocie są to tylko proste optymalizatory bazujące na równie prostych funkcjach. W przyszłości połączenie setek takich algorytmów wytworzy inteligentne sztuczne byty.

Droga do tworzenia kreatorów cen inteligentnych

Postęp odbywa się stopniowo. Chcielibyśmy wierzyć, że człowiek wciąż decyduje, jak szybko rozwijają się algorytmy sztucznej inteligencji. W rzeczywistości to nie my, lecz ekonomia dyktuje tempo zmian. Jeżeli konkurencyjna firma transportowa zacznie wypierać nas z rynku przez dziwnie trafne decyzje i wysoką efektywność systemów zarządzania flotą pojazdów, nam nie pozostanie nic innego, jak intensyfikacja prac nad rozwojem własnym systemów optymalizacji cen. Ewolucja nie zna litości. Eksperci zgodnie twierdzą, że w branży transportowej w najbliższej przyszłości czeka nas dynamiczny rozwój dwóch rodzajów systemów autonomicznych: kreatorów cen dynamicznych oraz systemów zarządzania procesami transportowymi.

Poniżej znajdziecie podstawowe metody dynamicznego kształtowania cen inteligentnych. Co istotne, wszystkie te metody mogą być stosowane równolegle.

Kuchnia Dynamic Pricing

Dwustronny system reguł

Rule Based to najprostszy i prawdopodobnie najbardziej rozpowszechniony system kreowania cen, w tym cen usług przewozowych. Aktywuje się, kiedy klient konfiguruje zakres zlecenia transportowego w zakresie czasu, miejsca, dodatkowych usług i gabarytów przesyłki. Do podstawowej ceny biletu lotniczego doliczane są kolejne dodatki, takie jak priorytetowe miejsce w kolejce, możliwość korekty niektórych elementów usługi lub doliczenie dodatkowego bagażu. Jest to prosty sumator, dodający kolejne pozycje z zaprogramowanej listy. To proste doliczanie kosztów dla kolejnych, dodatkowych usług. System oparty jest na sztywnych regułach. Z powodu nikłej elastyczności tego rozwiązania mechanizm ten nie może reagować na nieprzewidziane zmiany pojawiające się w środowisku zewnętrznym.

Reguły warunkowe

Wadą systemów opartych na sztywnych regułach z listy jest ich brak odniesienia do czynników zewnętrznych. Jednakże do listy prostych reguł można łatwo dodać reguły warunkowe. Warunkami mogą być nasze bieżące zdolności transportowe, sytuacja rynkowa, pogodowa czy nawet działania firm konkurencyjnych. W przypadku rezerwacji biletów lotniczych system reguł warunkowych mógłby współpracować z systemem zarządzającym miejscami w samolocie. Załóżmy, że wprowadziliśmy regułę warunkową w sprzedaży przestrzeni ładunkowej w kontenerach morskich. Jeżeli przestrzeń ładunkowa zajęta jest w niespełna 50%, a termin oddania kontenera zbliża się nieuchronnie, automat reguł warunkowych może istotnie obniżyć ceny za fracht. Może to być średnia najniższa cena tego lub podobnego rejsu (średnia najniższa w rozumieniu wartości z zakresu drugiego odchylenia standardowego rozkładu gęstości prawdopodobieństwa) z ostatnich dwóch miesięcy. Algorytm sprzedaży może proponować cenę np. 20% niższą od cen za podobne trasy na giełdzie przesyłek morskich. Tak więc w zależności od sytuacji w różnych obszarach działalności oferowana cena będzie ulegała zmianie. Zauważmy, jak wielkie korzyści skali osiągniemy, uruchamiając to proste i stosunkowo tanie narzędzie. Można wprowadzić bardzo złożone reguły, można tworzyć warunki oparte na innych warunkach. Gdy zajęcie przestrzeni ładunkowej naczepy dojdzie do poziomu 75%, system zaproponuje cenę stanowiącą 110% średniej ceny rynkowej za analogiczny transport. Wartość ta będzie wcześniej wyliczonym progiem wrażliwości klientów na bieżąco aktualizowanym na podstawie historii tysięcy innych podobnych transakcji. Cena będzie więc stale aktualizowana o ceny rynkowe i inne zmienne, wyniki modeli dynamicznych oraz sztywne reguły w odniesieniu do sytuacji, w jakiej znalazł się przedsiębiorca.

Kształtowanie cen dynamicznych na podstawie segmentacji klientów

Wydaje się, że dawne czasy (w sensie handlu) w pewien sposób powracają. Dziś znów każdy właściciel sklepu (czytaj: e-commerce) może doskonale znać każdego ze swoich klientów: ich wybory, częstotliwość zakupów i motywacje. Dziś też każdy klient może mieć ustalone przez sprzedawcę zasady cenowe.

Warto zauważyć, że dotąd w sprzedaży detalicznej każdy klient był i wciąż jest anonimowy. Inaczej jest w sprzedaży internetowej. Tam przeważnie każdy klient posiada własny login i numer ID oraz szereg innych parametrów. Dokonywane w internecie transakcje są zapisywane w rejestrze serwerów, przez co każdy klient może zostać opisany i przyporządkowany do określonej grupy, wyodrębnionego klastra. Aby przyporządkowanie było możliwe, trzeba wyodrębnić kilka najważniejszych cech. Standardowo wyodrębnia się zatem z historii transakcji częstotliwości, z jaką indywidualny klient dokonywał transakcji oraz ich wartość. Ważne też, aby określić, ile czasu upłynęło od ostatniego zakupu klienta. Opisana metoda nosi nazwę RFM od słów: recency, frequency, monetary.

Z tak wyodrębnionych zmiennych opisujących da się utworzyć klasy. Na przykład dla cechy monetary można wyodrębnić trzy klasy: wydaje dużo pieniędzy, wydaje przeciętnie, wydaje mało pieniędzy. Bazując na klasach recency, frequency, monetary, można zastosować algorytm reguł asocjacyjnych. Algorytm ten wyodrębni nam grupy klientów według podklas, np. Dawno nie był – wydaje dużo pieniędzy – kiedyś często bywał.

To jakby zapisane myśli sklepikarza widzącego swojego starego klienta. Tym razem jednak te informacją są danym wsadowymi do algorytmu podejmującego decyzję.

Zgodnie z wybraną strategią i progiem wrażliwości klientów na zmiany cen system może zaoferować klientom określone upusty cenowe lub optymalną cenę krańcową.

Wskaźniki wydajności (KPI)

Możliwe jest komponowanie cen na podstawie zdefiniowanych wcześniej wskaźników wydajności. Zarząd firmy może określić pewne granice korekty cen. Ceny mogą być zmiennymi w równaniach kalkulujących poziom zysku, kosztów zmiennych oraz wykorzystania środków transportu. Wskaźniki wydajności można spotkać w większość firm transportowych. Wyznaczają one priorytety i granice działania. Pokazują one wydajność efektywność realizowanych przedsięwzięć i procesów. Nic nie stoi na przeszkodzie, aby wskaźniki KPI wprowadzić do inteligentnych generatorów ceny w postaci kolejnych zmiennych warunkowych.

Badania operacyjne

W tej metodzie konieczne jest zdefiniowanie szeregu ograniczeń, jakie występują w procesie. Ograniczeniami mogą być: czas pracy kierowców, przestrzeń ładunkowa, czas załadunku lub ilość miejsc, przez które ma przejechać ciężarówka. Ograniczenia te nazywane są warunkami brzegowymi. Dodatkowo oprócz ograniczeń niezbędne jest zdefiniowanie funkcji celu. Celem może być np. maksymalizacja efektywności wykorzystania sprzętu transportowego, minimalizacja kosztów lub wzrost liczby klientów. Algorytm badań operacyjnych zaproponuje jedno rozwiązanie zwane rozwiązaniem optymalnym. Cena może być w tej metodzie zmienną do uzyskania rozwiązania optymalnego. Odwracając równanie, można znaleźć cenę optymalną przy określonych parametrach wejściowych. Tworzenie cen dynamicznych metodą badań operacyjnych jest jednym z najbardziej zaawansowanych metod analitycznych i bez wątpienia podejściem najbardziej efektywnym.

Ceny na podstawie elastyczności popytu

Elastyczność cenowa rynku to wrażliwość, jaką posiadają uczestnicy tego rynku na zmiany cen. Są branże, w których popyt jest sztywny. Czasami klienci kupią usługę bez względu na jej cenę, ponieważ jest to konieczne biznesowo. Przykładem jest naprawa ciężarówki w trakcie wykonywania kursu. Kary za niedotrzymanie terminu dostawy są dużo wyższe niż koszty doraźnej naprawy. Kiedy indziej z uwagi na dostępność usług ceny kształtowane są zgodnie z zasadami rynku doskonale konkurencyjnego, a klienci są bardzo wrażliwi na wszelkie zmiany. Wydaje się, że wrażliwość popytu rynkowego jest podstawowym składnikiem algorytmu dynamicznego kształtowania cen.

Prognozy rynkowe

Aby zbudować model prognostyczny, trzeba posiadać historyczny zbiór danych o transakcjach rynkowych. Załóżmy, że chodzi o transport lodów w naczepach chłodniczych. Inaczej lody sprzedaje się w lecie, inaczej na wiosnę. Cena za frachty w naczepach chłodniczych zmieniać się będzie zależnie od popytu oraz dostępności określonych produktów na rynku. Aby inteligentnie i dynamicznie kształtować ceny, należy budować prognozy cen na podstawie danych historycznych. W ten sposób uzyskamy ceny w przyszłości, zanim pojawią się czynniki, które będą je kształtować. Do tego służą modele prognostyczne Machine Learning. Przykładowy model po uzyskaniu informacji z prognozy pogody o temperaturze i poziom określi zapotrzebowanie na transport w przyszłości. W ten sposób można uniknąć błędnego zakontraktowania frachtów, gdy w tym czasie można było zarobić dużo więcej na wolnych trasach. Dodatkowo modele te mogą brać pod uwagę szereg innych zmiennych, takich jak aktywność konkurencji, lokalizacja magazynów, korki i remonty na drogach oraz dostępność kierowców.  W prognozowaniu sprawdzą się drzewiaste modele bazujące na entropii (Random Forest Regressor oraz modele Reinforcement Regression Models) oraz modele regresji bazujące na warunkowym prawdopodobieństwie Thomasa Bayesa (Naive Bayes For Regression). Do prognozowania można też zastosować modele oparte na rekurencyjnych sieciach neuronowych. Znajomość przyszłych trendów może być źródłem ogromnej przewagi konkurencyjnej.

Dlaczego warto wdrażać strategię Dynamic Pricing w logistyce?

Transport i logistyka to jedna z głównych branż, w której doskonałym podejściem biznesowym jest optymalizowania działalności poprzez strategię dynamicznych wycen. Tę potrzebę uwypukliła pandemia oraz wojna na Ukrainie, a wraz z nimi ich konsekwencje, czyli pozrywane łańcuchy dostaw, a przede wszystkim galopująca inflacja implikująca m.in. wysokie ceny paliwa. Powyżej przedstawiliśmy kilka metod dynamicznego kształtowania cen inteligentnych, które można z powodzeniem zastosować w branży transportowej, stawiając czoła wyzwaniom, które od kilku lat stawia biznesowi świat, wciąż generując przy tym mierzalne zyski dla przedsiębiorstwa.

Jak informuje w swoich analizach McKinsey: Firmy logistyczne, które zmienią swoje ceny, mogą zwiększyć przychody o 2 do 4 procent, co przełoży się nawet na 30 do 60 procent wzrostu zysku operacyjnego. Według tego raportu strategia rozwoju przedsiębiorstw transportowych oparta na dynamicznie kształtowanych cenach jest najbardziej rentownym kierunkiem potencjalnego rozwoju.

Łatwo zauważyć, że podobne tendencje pojawiły się w stosunkowo nowej branży sprzedaży internetowej. Oparte na algorytmach sztucznej inteligencji optymalizowanie cen jest obszarem zwiększania przewagi konkurencyjnej. Przy stałych cenach sprzedaży przedsiębiorstwa zazwyczaj konkurowały ze sobą, zaniżając marżę i podnosząc jakość. Tym razem algorytmy matematyczne mogą znajdować nisze i miejsca występowania sztywnego popytu, aby tam osiągać wysokie marże ze sprzedaży przewozów oraz usług im towarzyszących. Tak więc nie mówimy tutaj o prostym obniżaniu własnej marży lub polityce rabatowej, która kosztem utraty pewnej części zysku zwiększa sprzedaż i buduje lojalność kontrahentów.

Inteligentne systemy kreujące ceny za przewozy przede wszystkim opierają się na głębokich analizach ekonometrycznych, statystycznych i behawioralnych. Ceny te w coraz większym stopniu bazować będą na informacjach o zachowaniach rynku oraz na własnych uwarunkowań technicznych i ekonomicznych. Aby być gotowym do konkurowania w tym obszarze, trzeba zainwestować w obszar zdolności analitycznych i rozpocząć pracę z algorytmami uczenia. Warto zauważyć, że w coraz większym stopniu walka konkurencyjna przenosi się z obszaru technicznego na obszar rozwiązań z zakresu systemów przetwarzania informacji.

Zasady rynku doskonale konkurencyjnego doprowadziły do sytuacji, w której większość firm przewozowych ma podobne pojazdy i infrastrukturę techniczną oraz podobny zakres koncesji przewozowych. Można spodziewać się, że uzyskiwanie przewagi konkurencyjnej na podstawie różnic w zarobkach kierowców pomiędzy różnymi krajami skończy się wraz z wprowadzaniem regulacji integracyjnych Unii Europejskiej oraz migracją wewnątrzwspólnotową.

Konkurencja oparta na zarobkach kierowców ma też swój negatywny wymiar moralny. Firmy transportowe szukają więc innych obszarów, w których mogłyby uzyskiwać przewagę rynkową.

Jak zbudować firmę transportową konkurującą inteligentnymi cenami?

Do niedawna w środowisku transportowym dominowało przeświadczenie, że aby zbudować organizację zdolną do tworzenia inteligentnych cen sprzedaży frachtów, należy wykształcić odpowiednie kwalifikacje wśród pracowników sprzedaży, a następnie wskazać im priorytety i cele. Takie wnioski możemy znaleźć w raporcie McKensey z roku 2018. Raport wskazuje na konieczność tworzenia lokalnych biur cenowych, standaryzacji procesu w celu lepszej oceny rynku. W raporcie pisano również o potrzebie ukierunkowania kultury organizacyjne w stronę dynamicznej komunikacji z klientami.

Od publikacji tego raportu minęły cztery lata. Były to lata pandemii COVID-19, wojny oraz wstrząsów politycznych, nadciągającego kryzysu paliwowego oraz globalnej recesji. Dzisiaj wnioski z tego raportu wydają się mocno nieprzystające do rzeczywistości.

Oczywiście nadal aktualny jest postulat uzyskiwania przewagi konkurencyjnej przez dynamiczne kształtowanie cen oraz przez wdrażanie nowych rozwiązań organizacyjnych. Tym, czego nie przewidział raport, jest zamiana ludzi przez systemy sztucznej inteligencji.

Podsumowanie: Podstawowe korzyści wykorzystania strategii Dynamic Pricing w firmie transportowej /BRIEF SUMMARY/

Strategia Dynamic Pricing:

  • Umożliwia maksymalne wykorzystanie floty
  • Minimalizuje poziom zużycia paliwa
  • Maksymalizuje poziom wykorzystania zasobów ludzkich
  • Podwyższa poziom przewiezionych ładunków
  • Obniża koszt tonokilometra
  • Obniża średni koszt tonokilometra za surowiec
  • Usprawnia transakcje między firmami
  • Umożliwia przygotowanie optymalnie zatowarowanych aut
  • Sprzyja rozwiązywaniu dylematu komiwojażera: pozwala otrzymać optymalny plan połączenia tras ze sklepami

Podsumowanie

Efektywne kreowanie cen zawsze było źródłem potencjalnych korzyści. Kupiec mógł przypodobać się klientowi. Kupujący mógł wysłuchać sprzedawcy. Obopólne ustalanie ceny było ważnym elementem transakcji, wzmocnieniem lojalności klienta, a przede wszystkim źródłem dodatkowego zysku dla sklepu. Taka forma sprzedaży ustąpiła miejsca masowemu, anonimowemu obrotowi towarów i usług ze stałą, ustaloną ceną. Wzrost udziału sprzedaży internetowej oraz dynamiczny rozwój Data Science umożliwia powrót do aktywnego i inteligentnego proponowania cen. Zgodnie z raportami czołowych firm konsultingowych strategia dynamicznego kształtowania cen będzie podstawowym źródłem przewagi konkurencyjnej w branży transportowej w przyszłości.

Nasi eksperci
/ Dzielą się wiedzą

E-Commerce Development in 2023 – Trends and Expert Tips
17.11.2022

Rozwój e-commerce w 2023 / Trendy i porady okiem eksperta

E-Commerce

Z uwagi na zapowiadany kryzys, rok 2023 będzie trudny, co bez wątpienia wpłynie na sposób działania wielu firm. Po niełatwym, dwuletnim okresie pandemii, która zdezorganizowała czy wręcz zniszczyła wiele biznesów na świecie, prawdopodobnie przyjdzie nam się z mierzyć z takimi wyzwaniami jak: szalejąca inflacja, problemy energetyczne oraz...

Inventory Management and Forecasting for supermarkets
10.11.2022

Skuteczna optymalizacja stanów magazynowych dla supermarketów – przewodnik

Analityka Danych i Machine Learning

Nowoczesny system optymalizacji stanów magazynowych automatycznie i z dużą dokładnością przewiduje popyt w supermarkecie. Sprawdź, jak....

07.11.2022

Architektura MACH vs Digital Experience Platform (DXP) / Dlaczego MACH wygrywa 

Portale Self-Service

Przedstawiliśmy już nasze spostrzeżenia dotyczące niedoskonałości “monolitycznych” Digital Experience Platforms (DXP) oraz przewagi biznesowej i technologicznej, jaką nad DXP daje Architektura MACH .   Poniżej zebraliśmy najważniejsze zalety i wady zarówno platform DXP, jak i architektury MACH, które pozwolą Wam odpowiedzieć na...

Ekspercka wiedza
dla Twojego biznesu

Jak widać, przez lata zdobyliśmy ogromną wiedzę - i uwielbiamy się nią dzielić! Porozmawiajmy o tym, jak możemy Ci pomóc.

Napisz do nas

<dialogue.opened>