ИИ незаметно меняет принципы ценообразования компаний. Компании все чаще адаптируют цены под каждого клиента — персонализированное ценообразование.
Традиционное динамическое ценообразование меняется в зависимости от спроса. Оно оперативно реагирует на рыночные изменения и в течение многих лет используется на туристических и сайтах розничной торговли.
Алгоритмы отслеживают предложение, спрос, сроки поставки и цены у конкурентов. Когда спрос достигает пика, цены растут для всех. Падение спроса провоцирует падение цены. Персонализированное ценообразование предусматривает использование ИИ персональных данных — истории просмотров, потребительских привычек, устройства и даже почтовый индекс для предсказания готовности платить за предлагаемые продукты.
Цена варьируется в зависимости от конкретного человека. Некоторые называют это «ценообразованием слежки». Два человека, одновременно просматривающие один и тот же товар, могут видеть разные цены. Клиент, который чаще делает заказ, может получить скидку, для того, кто не так часто делает покупки, цена может быть выше.
В исследовании Европейского парламента персонализированное ценообразование определяется как «дифференциация цен на идентичные продукты или услуги одновременно на основе информации, которую имеет продавец о потенциальном клиенте». Этот сдвиг начался со сферы авиаперевозок. После дерегулирования в 1990-х годах авиакомпании начали использовать «управление прибыльностью», чтобы корректировать тарифы в зависимости от количества оставшихся мест или от того, насколько близко к дате вылета сделано бронирование.
В последнее время авиакомпании сочетают этот подход с персонализированным ценообразованием. Они учитывают поведение покупателей, публикации в соцсетях, типы устройств и историю просмотров для создания уникальных тарифных планов.
Их практику начали использовать отели. Они могут повысить базовые цены, однако предоставить персональную скидку тем, кто у них уже останавливался, или предложить более низкую цену тем, кто дольше просматривает страницу бронирования. В управлении доходами отелей стратегии ценообразования позволяют компаниям ориентироваться на различные сегменты клиентов с различными предпочтениями, например, обычных туристов или бизнесменов.
ИИ обеспечивает автоматическую интеграцию больших объемов данных о клиентах в процесс персонального ценообразования. Платформы электронной коммерции, такие как Booking.com регулярно тестируют персонализированные скидки в зависимости от профиля. Программы для совместных поездок, акции на продукты, тарифные планы цифровых подписок — охват может быть широким.
СпецпроектыНе женемось за інноваціями та дивимось на бізнес-метрики: як у FAVBET Tech обирають стек та технологіїProject Zero в дії: огляд ігрової збірки MSI з акцентом на продуктивність і стиль
Эти системы собирают большие объемы персональных данных. Каждый клик и время, проведенное на странице, предыдущие покупки, отмененные или неоплаченные заказы, местонахождение, тип устройства, маршрут просмотра — все учитывается в профиле. Модели на основе ИИ прогнозируют платежеспособность. Используя эти прогнозы, система выбирает цену, которая максимизирует доход и гарантирует заключение сделки.
В Booking.com команды использовали моделирование, чтобы определить, каким пользователям следует отправлять специальные предложения, учитывая бюджетные ограничения. Это привело к росту продаж на 162%, одновременно ограничив расходы платформы на рекламные акции.
Однако такая стратегия несет определенные риски. Во-первых, справедливость ценообразования. Если два домохозяйства из одного района будут платить разные арендные или ипотечные ставки, это будет выглядеть как произвол. Ценообразование, основанное на показателях дохода (например, тип устройства или почтовый индекс), может усугубить неравенство. Алгоритмы могут дискриминировать определенные демографические группы.
С другой стороны, покупатели будут чувствовать себя обманутыми, если узнают, что приобретенный ими товар на другой платформе или другому человеку продают по более низкой цене. Открытым также остается вопрос подотчетности. Компании редко раскрывают механизмы персонализированного ценообразования.
Если ИИ устанавливает цену, нарушающую закон о защите прав потребителей, вводя в заблуждение или дискриминационно, кто отвечает — компания или разработчик алгоритма? На это обратила внимание австралийская комиссия по конкуренции и защите прав потребителей (ACCC).
Результаты пятилетнего исследования установили, что прозрачность алгоритмов ценообразования, недобросовестные торговые практики и убытки потребителей остаются ключевыми проблемами. В выводах комиссии отмечается, что действующих законов недостаточно и систему регулирования необходимо срочно реформировать. Среди рекомендаций: усиление надзора за онлайн-платформами и механизмами недобросовестной торговли в масштабах всей экономики и внедрение механизмов принудительного раскрытия алгоритмов.
Источники: The Conversation; TechXplore
