Что такое адаптивное ценообразование в е-коммерс?

Введение в терминологию

Начнем с того почему я использую термин адаптивное, а не динамическое.

Динамическое ценообразование значит не статичное. То есть цена на товар меняется под влиянием неких правил, которые задает сам продавец. В большинстве случаев такие правила применимы для моделей OA/RA, wholesale – для тех, где идет активная конкуренция за Buy Box. Подобные правила не направлены на максимизацию выручки, прибыли, или скорости продаж. Они направлены лишь на то чтобы не потерять позиции в Featured Offer (Buy Box). Поэтому несмотря на динамичную природу цены, назвать подобные изменения оптимальными я не могу.

Адаптивное ценообразование значит что цена на товар не просто меняется, но реководствуется принципами оптимизации заданных сценариев.

Такие сценарии применяются владельцами брендов (Private Label, PL) и интернет-дистрибьютерами, когда конкуренция происходит не на уровне Buy Box, а на уровне поисковой выдачи.

Именно поэтому дальнейшая статья будет вам полезна лишь в том случае, если вы являетесь PL продавцом, зарегистрированным в Brand Registry или имеющим письмо-авторизацию от владельца бренда. Или если вы продаете в своем собственном интернет магазине.

Адаптивное ценообразование направлено на корректирование цены на товар, основываясь на понимании поведения потребителей и изменении рыночного спроса.

Немного сухих данных:

Что делает ценообразование самым простым и бесплатным(!) способом увеличение прибыли вашего бизнеса. Более подробно в статье McKinsey.

Такая стратегия ценообразования уже доказала свою эффективность в широком спектре отраслей: от электронной коммерции до доставки еды. Самые яркие примеры успешной реализации это Amazon, Airbnb и Uber, которые меняют свои цены несколько раз в день. Ходят слухи, что около 25% прибыли Amazon от электронной коммерции обусловлены их стратегией ценообразования.

Неудивительно, что в условиях растущей инфляции и увеличения расходов на рекламу, связанных с защитой личных данных пользователей, последнее время наблюдается всплеск применения стратегий адаптивного ценообразования.

Около 21% е-коммерс бизнеса уже используют адаптивное ценообразование, и еще 15% планируют применить эту стратегию в ближайшем году. Более подробно в отчетах Statista.

Теперь перейдем к практическому примеру и разберем подробно что это и как это работает. В качестве примера мы используем данные одного из наших клиентов.

В начале работы с ценой каждому продавцу необходимо понимать, что не при каждой цене покупатели покупают одинаковое количество товара. Скажем, если цена на товар будет 10 уев (условная единица валюты), то такой товар вероятнее купит большее количество покупателей, чем тот же товар, но за 12 уев.

Для такого являения у экономистов есть специальный термин – эластичность спроса по цене. У товаров как правило выделяют несколько типов эластичности:

Поэтому основной задачей в ценообразовании является изучение эластичности спроса на свой товар, и установление такой цены при которой будет максимизирована выручка или прибыль. Т.е. то значение цены, где Цена х Спрос = будет оптимальной (упрощенно).

Чтобы оценить эластичность спроса, нам надо посмотреть на то как исторически покупался наш товар. В дальнейшем я буду использовать данные моего клиента.

Сверху на рисунке 1 я разместил все исторические данные о среднем количестве продаж при разных показателях цены. Как видно из графика, если я проведу кривую спроса (красный пунктир), то она прекрасно описывает эластичность ценообразования на этот товар: чем выше цена, тем ниже продажи.

Если мы используем кривую спроса для рассчетов прибыли:

Прибыль = Спрос при Цене Х * Цену Х – (Переменные издержки * Спрос при Цене Х – Фиксированные издержки)

то получим некую кривую, которая описывает распределение прибыли при каждой из цен (Рис. 2).

Дальше все просто: находим ту самую цену, при которой у нас максимальная прибыль, и готово. В нашем случае при переменных издержках 29 уев, постоянных издержках 15 уев, максимальная прибыль достигается при продажах по цене 37 уев (около 2-3 штук в день).

Но тут не все так просто...

К сожалению, мы не можем просто один раз оценить кривую спроса и забыть об этом.

Почему? Потому что спрос подвержен влиянию множества факторов (например, тенденции рынка, действия конкурентов, человеческое поведение, отзывы на товар, зарплатные циклы, погода на улице и т. д.), которые меняются каждый день.

Мои предыдущие рассчеты основаны на усреднении показателей спроса, что при цене 33,67 уев у меня каждый день будет продаваться именно 5 шт. моего товара (Рис. 1).

Поскольку это далеко от правды, то и кривая спроса не будет отражать актуальное распределение спроса, а значит и не будет показательной при максимизации прибыли.

Первая мысль – если спрос поменялся , то нужно пересчитать кривую спроса – оказывается абсолютно верной. Но и это нас также приводит к нежелательному сценарию.

Если мы будем каждый день менять показатели цены, то получим разные показатели спроса, а значит сможем более точно построить кривую распределения и использовать ее в дальнейшем для максимизации прибыли.

Однако, и тут кроется подвох. Постоянное изменение цен приводит нас к тому, что в поисках истинной кривой спроса мы постоянно используем либо слишком высокие, либом слишком низкие цены.

А значит и показатели прибыли у нас будут где угодно, но уж точно не в оптимальных значениях (чего мы хотели добиться изначально).

В реальности распределение цен на Рис. 1 выглядит следующим образом:

Но и тут тоже не все так просто. Поскольку вчера при цене 33,67 уев у нас могло продаться 5 шт, сегодня это может быть 10 шт, а завтра может быть снова 5 шт., нам надо также учитывать еще и вероятность наступления каждого из событий. Если мы соберем все дни продаж и распределеним сколько было продано единиц товара в каждый из дней за конкретную цену, то получим распределение вероятности наступления таких событий:

Скажем, если цена на товар составит 34,67 уев (Рис. 4), то самая высокая вероятность продаж с такой ценой составит около 4,5 шт в день (около 18%).

Поскольку при цене 34,67 уев есть минимальная вероятность продать как 1 шт, так и 10 шт, то и кривая спроса у нас будет меняться, отражая спрос как 1, так и 10 шт в день.

А теперь перефразируем задачу адаптивного ценообразования: чтобы определить цену, при которой мы зафиксируем оптимальную прибыль, нам необходимо учесть все возможные показатели спроса при такой цене.

Оптимальный сценарий для нас, когда у нас есть минимальное количество цен, при которых разброс спроса минимальный, а вероятность его максимальная. И определить такой набор цен необходимо с минимальным количество изменений.

Напоминает задачу Многорукого бандита, где в условиях неопределенности нам надо принять компромиссом между исследованием различных цен и использованием одной из них для сиюминутной оптимизации прибыли.

Исследование: Мы хотим продолжать исследовать спрос на широком спектре цен, чтобы точнее оценить кривую спроса.

Использование: Мы хотим использовать всю имеющуюся информацию, полученную в результате исследования для установления цены на оптимальном уровне.

Что понять как работает адаптивное ценообразование надо также понять принципы, заложенные в его рассчеты. И основаны они на Байесовской статистике. Дальше выдержка из Википедии.

Байесовская статистика — это теория в области статистики, основанная на байесовской интерпретации вероятности, когда вероятность отражает степень доверия событию, которая может измениться, когда будет собрана новая информация, в отличие от фиксированного значения, основанного на частотном подходе.

Иными словами, у нас есть:

Чем больше мы наблюдаем за изначальными данным и корректируем их с учетом наблюдений, тем более точными становятся наши данные, т.е. тем меньше расхождение между изначальными и изученными данными.

Теперь история из реальной жизни, чтобы стало понятно как работает.

Мы с женой поехали в Вильнюс на конференцию для Амазон разработчиков. По дороге туда и обратно мы заехали в кафе Лидо в Риге, о котором ничего не знали (изначальных данных нет, рейтинг 0).

По дороге в Вильнюс мы заехали в кафе вдалеке от центра. Было очень вкусно, но столы были грязные (наблюдения). Мы оценили посещение в 3.5 балла (изученные данные, рейтинг 3.5). Поскольку по дороге обратно в Таллинн проезжали через центр Риги, то заехали в самый туристический из всех Лидо в Латвии: очередь, грязные столы, быстрое и некачественное обслуживание (наблюдения). В общем, мы очень быстро скорректировали наше мнение и поняли, что больше туда не пойдем (изученные данные, рейтинг 1.5). Получается, что у нас два наблюдения в 3.5 и 1.5 балла со средним значением 2.5.

Когда мы вернулись в Таллинн, то испытали совершенно другой уровень сервиса (наблюдения). Во время последующих визитов мы для себя отметили Лидо на уровне 5.0, 5.0, 5.0, 5.0, 4.9, 5.0 (изученные данные). То есть средний показатель для нас перешел от 2.5 баллов к 4.36 баллам.

Когда мы почитали отзывы и поняли, что в Лидо можно быстро и вкусно поесть домашнюю кухню, то удивились насколько наши первое впечатление было ошибочно, и как дальнейшие посещения помогли скорректировать картину (истинные данные, о которых мы не знали, рейтинг 4.5).

На графике внизу изображен наш путь от полного неведения, к нахождению истинного значения через наблюдения.

Вернемся к ценам. Самая распространенная методика для поиска оптимального значения называется Thompson Sampling. Заключается она в выборе одной из функции спроса, вычислении оптимальной цены на основе этой функции спроса, наблюдении спроса на этой новой цене и использовании этой информации для уточнения изученных данных.

Таким образом:

Когда мы выбрали цену 34,67 как наиболее перспективную, но наименее изученную (Рис.4), то при последующих наблюдениях получили изменение кривой распределения вероятности по этой цене.

Чем больше мы тестировали цену, тем выше была уверенность в том, что спрос по ней выше, чем мы полагали ранее.

В результате пересмотра значений спроса с учетом новых данных, мы смогли скорректировать функцию спроса (Рис. 6).

И уже по новым значения мы смогли протестировать новые значения цен, что привело к повышению прибыли на... 30% в теории (Рис. 7), но в реальности такое повышение составило около 19.68%. Мы тестировали каждые три дня, каждые три дня выбирали оптимальную кривую распределения, и каждый три дня видели изменения.

В: Как-то все слишком просто на первый взгляд. В чем подвох работы с эластичностью?

О: В реальности крайне маловероятно, что спрос будет описываться точной линейной, степенной или экспоненциальной функцией. Всегда существую психологические барьеры в покупательском поведении. Скажем, изменение динамики спроса при падении цены с 1009 до 999 будет значительнее, чем при падении с 999 до 989, хотя в обоих случаях цена понижалась на 1%. Так же стоит обратить внимание на распределение клиентских групп. Скажем, в одном из наших пилотов наблюдался значительный рост продаж при повышении цены на кофе с 3.49 евро до 3.99 евро. Просто в силу того, что такая цена начинала аппелировать к другой группе пользователей, у которых ценовой диапазон начинался с 3.89 евро, и цена 3.99 воспринималась как максимально комфортная.

В: Максимизация прибыли не настолько простая задача как просто коррекция цены, ведь так?

О: Да, конечно. Необходимо принимать во внимание запасы на складе, рекламные и промо акции, движения конкурентов, цены в прочих каналах продаж (Амазон заметно понижает в выдаче, если в прочих каналах цена будет ниже), рейтинг товара, отзывы, движения конкурентов, время пополнения остатков, скорость фулфилмента (если у вас только клиенты Prime, то менять можно каждый день, если нет, то не чаще одного раза в 3 дня).

В: Изменяя цены можно заметно попортить рейтинги BSR и рентабельность бизнеса. Как перестраховаться от нежелательного эффекта?

О: Во-первых, начинать всегда необходимо с пилотного запуска. Мы отводим до 60 дней на подобный тестовый период, когда система изучает эластичность ценообразования ваших товаров. Как правило на протежянии 14-30 дней мы изучаем цены для глубинного исследования. На протяжении дальнейших 30 дней мы проводим более точную верификацию. Во-вторых, необходимо удостовериться в отсутствии spillover эффекта, когда влияния на цены одного товара приводит к изменению спроса на другие. В-третьих, необходимо всегда жестко привязывать ценовой диапазон. В теории алгоритм может протестировать любую цену, но наша задача сделать ваш бизнес не только прибыльным, но и предсказуемым.

В: Я запускаю новый PL продукт на Амазон, и у меня нет истории продаж. Могу ли я использовать адаптивное ценообразование?

О: Безусловно! Адаптивное ценообразование помогает быстро найти оптимальную цену на товар при запуске новой коллекции на рынок. Скажем, если вы запустили несколько новых брендов, артикулов или вариаций, и не знаете какая цена будет оптимальной, мы настраиваем алгоритм на режим ускоренного исследования. И оптимальная цена может быть найдена уже в течение 7 дней.

В: Я уже использовал адаптивное ценообразования. И эффекта не увидел. В чем может быть проблема?

О: Проблем может быть несколько. Самая распространенная – низкий спрос на товары. Адаптивное ценообразование на может создать спрос, но может скорректировать предложение. Так если ваши продажи перебиваются с нуля на единицу, то причину нужно искать не в цене. Мы начинаем работу только в том случае, если продажи составляют минимум 5 шт в день. Вторая проблема – конкуренция. Если не принимать в расчет движения конкурентов, то все усилия по работе с ценой быстро сойдут на нет.

В: Если я начну менять цены на один из товаров, как минимизировать эффект каннибализации?

О: Все зависит от того на какой именно товар вы меняете цены. Если это одна из вариаций, то оптимальным будет комплексное движение цен.

А теперь самый классный момент – адаптивное ценообразование у нас уже работает и оно не привязано к конкретному маркетплейсу. Для целей быстрого инфообмена мы уже наладили интеграцию с Amazon, Shopify, Meta и даже Noon. Так что торгуете ли вы на маркетплейсах, развиваете ли собственный магазин, монетизируете ли базу подписчиков через магазин в Instagram или продаете в ОАЭ или Судовской Аравии – адаптивное ценообразование в Holocene к вашим услугам.