Динамическое ценообразование: как алгоритмы меняют цены
Если вы когда-нибудь замечали резкое увеличение стоимости поездки в Uber до аэропорта в пятницу или проверяли цену товара на Amazon, чтобы увидеть, как она изменилась через несколько часов, возможно, вы сталкивались с алгоритмическим ценообразованием.
Это практика использования алгоритмов для автоматической корректировки цен на товары или услуги на основе таких факторов, как спрос, цены конкурентов, уровень запасов или данные о клиенте.
Хотя такие методы ценообразования могут помочь выжать дополнительную прибыль, они также могут нести маркетинговые риски, если их не реализовать должным образом. По словам Джизем Ялчин Уильямс, доцента кафедры маркетинга в Техасском университете Маккомбса, в 2012 году Uber подвергся широкой критике за повышение цен на поездки во время урагана Сэнди.
В новой статье, написанной в соавторстве с группой из 12 исследователей, Уильямс исследует алгоритмическое ценообразование и проблемы, с которыми компании могут столкнуться при его интеграции с другими целями.
Исследование алгоритмического ценообразования
В работе, опубликованной в International Journal of Research in Marketing, Уильямс и её коллеги предлагают несколько предварительных рекомендаций по согласованию ценообразования с маркетинговой стратегией, правилами и предотвращению негативной реакции клиентов.
Один из потенциальных факторов негативной реакции клиентов, по словам Уильямс, — чувство несправедливости.
«Допустим, я купила что-то на Amazon для общежития, а через пару дней увидела, что цена изменилась, — говорит она. — Теперь я чувствую, что переплатила за это, независимо от того, насколько хорош товар».
По её же словам, повышение цены позже может вызвать воодушевление: «Если я чувствую, что купила товар по более низкой цене, я чувствую, что поступила умно».
Если иногда кажется, что ценообразование становится более личным, когда задействованы алгоритмы, это потому, что так и есть. Помимо учёта предложения или производственных затрат, компании всё чаще используют данные об отдельных клиентах для принятия решений о ценообразовании, часто с помощью искусственного интеллекта.
Точные данные, которые используются в алгоритме, не всегда могут быть известны, говорит Уильямс. «Но что, если цена, которую я получаю, отличается от цен других людей из-за моих собственных данных, таких как история покупок, демографические данные или местоположение?»
Покупатели могут по-разному реагировать на одну и ту же цену, в зависимости от того, какие данные, по их мнению, повлияли на цену, установленную алгоритмом компании.
Помимо подрыва лояльности клиентов, компании могут столкнуться с регулирующим или юридическим вниманием, когда динамическое или суррогатное ценообразование идёт наперекосяк. В прошлом году сеть продуктовых магазинов Kroger подверглась проверке со стороны членов Конгресса из-за планов по внедрению алгоритмического ценообразования в своих магазинах.
В рамках исследования команда Уильямс опросила менеджеров по ценообразованию и провела углублённые интервью с пятью экспертами по стратегическому ценообразованию. Они дали несколько советов.
Уильямс считает, что в статье поднимаются своевременные и важные вопросы для будущих исследований потребительских отношений к алгоритмическому ценообразованию. Один из выводов, который она отмечает, ясен: многие компании навешивают ярлык «ИИ» на свои операции, чтобы сократить расходы или повысить эффективность, без комплексного планирования его разработки, интеграции и мониторинга.
«Менеджеры должны тщательно продумать, когда, где и стоит ли интегрировать ИИ в свою деятельность, — говорит она. — И даже когда решения автоматизированы, крайне важно иметь механизмы, которые удерживают людей в курсе происходящего».
Предоставлено
* Университетом Техаса в Остине.