Запуск
Оптимизация
Рост
Анализ временных рядов и множественная регрессия являются основными инструментами для большинства аналитиков по ценообразованию. Однако у обоих методов есть один большой недостаток – прогноз будущего спроса основывается на исторической аппроксимации. Простыми словами, оба метода усредняют исторические данные, которые не являются полностью точными.
Допустим, магазин продал 600 единиц определенного товара в прошлом месяце, что в среднем составляет 20 единиц в день – это та метрика, которая используется для прогнозирования будущего спроса. Однако мы знаем, что это маловероятно, поскольку рыночный спрос никогда не бывает стабильным: вероятность продажи 30 единиц в день такова же, как вероятность продажи 10 единиц (среднее все равно 20 единиц).
Наш алгоритм ценообразования основан на вероятностных моделях. Машина постоянно тестирует рыночный спрос для разного диапазона цен и узнает о вероятности достижения максимальных результатов. Таким образом, с течением времени алгоритм запоминает эластичность спроса по цене и своевременно корректирует цены, если спрос меняется.
Рис. Применение алгоритма адаптивного ценообразования к местному кофейному бизнесу – рост выручки на 25% за 60 дней.