Читать книгу - "Прайс-менеджмент - Герман Симон"

Рынок ПО ценообразования сильно фрагментирован, ему не хватает официальной стандартизации, как в решениях АСУТП или CRM. Среди ключевых поставщиков решений POM – PROS, Vendavo и Zilliant. Есть также несколько поставщиков, например, Navetti, Syncron и Servigistics, которые делают упор на рынок послепродажного обслуживания. Рынок решений CPQ фрагментирован еще сильнее. Помимо крупных поставщиков АСУТП, например, SAP и Oracle, на рынке присутствуют такие известные компании, как BigMachines и IBM Sterling.

Один из секторов, не охваченных поставщиками POM, это розничная торговля, где конкурентно-ориентированное ценообразование, а также реализация и оценка ценовых промоушн-акций – это ключевые задачи. В данном секторе работает ряд специалистов из ProfitLogic, KSS Retail, Upstream Commerce или Boomerang Commerce, которые предлагают решения для онлайновой розничной торговли. В банкинге есть специализированные поставщики – такие как Nomis и Earnix.

Некоторые из поставщиков POM начинали с ПО управления доходами для авиакомпаний. Среди них американская фирма PROS, основанная в 1985 году. Управление доходами по-прежнему является одним из главных направлений фирмы, системы которой теперь применяются в гостиничном бизнесе, туризме, аренде автомобилей и похожих отраслях. И в этих отраслях также есть специальные эксперты. Компания Sabre Airline Solutions играет не менее важную роль для авиакомпаний, как и их внутренние ИТ-подразделения. IDeaS и Easy RMS специализируются на отелях. Эти компании пользуются методами, разработанными на основе исследования операций и науки управления. Они ставят во главу угла метод и технологию и защищают свои программные компоненты патентами. Только у PROS есть 9 патентов в США и еще 27 патентов ожидают регистрации [12].

Важный аспект стандартных решений – это интеграция с комплексными системами АСУТП от SAP или Oracle. Например, существует маркетинговое партнерство между SAP и поставщиком ПО ценообразования Vendavo. Недавно произошла интеграция с системами CRM, такими как Salesforce или Microsoft Dynamics CRM. Это, в частности, применимо к решениям CPQ, которые продажники могут использовать напрямую.

9.2.3.6. Машинное обучение в ценообразовании

Искусственный интеллект (ИИ) всегда вызывает энтузиазм в СМИ. Но основная идея ИИ – это всего лишь разработка систем автоматизации процессов анализа и принятия решений, которые обычно осуществляют эксперты-люди. Один из способов этого добиться называется машинное обучение (МО), набор алгоритмов, который «самообучается», приобретая экспертные знания на основе данных наблюдений, особенно ретроспективных.

Машинное обучение уже некоторое время является предметом теоретических исследований и применяется в бизнесе. Классический пример – это превосходные поисковые движки для рекомендаций клиентам. Эксперт больше не должен постоянно перепрограммировать системы для увеличения объема покупок и одновременного предложения разных товаров – система обновляется сама на основе анализа потребительского поведения. Список возможных областей применения впечатляет: это ценообразование, маркетинг и продажи. МО-алгоритм можно применять, среди прочего, для автоматизации оценки лидов, подсчета ценовой эластичности, прогнозирования потребительского выбора, оценки готовности платить, рекомендаций по скидкам, прогнозирования оттока клиентов, оценки вероятной успешности сделки по определенной цене и определения наилучших целевых объектов для промоушна.

Хотя на первый взгляд всё это выглядит многообещающе, компании должны иметь в виду четыре основные подспудные проблемы МО.

• Применимость. Не все проблемы можно решить с помощью машинного обучения. Машины помогают решать задачи, связанные с прогнозированием целевых переменных, определением паттернов, классификацией единиц информации и установлением причинных зависимостей. Но если в данных отсутствует информация, необходимая машине для формулирования заключения, МО не обеспечит значимой исходной информации. Этот недостаток аналогичен применению эконометрических методов при изменении исходной ситуации.

• Экспертность. Хотя на рынке появляется всё больше готовых пакетов ПО и облачных услуг, по-прежнему самые перспективные заключения на основе огромного количества данных, собранных компанией, должен делать инженер-программист по обработке данных. Помимо агрегации данных, выявления аномалий и очистки данных, эксперты-люди занимаются жизненно важным направлением под названием «конструирование признаков». Это применение предметных знаний для рекомбинирования или реинтерпретации переменных, использующихся для обучения машины. Самые крошечные вариации в том, как признаки интерпретируются и вводятся в машину, могут оказать серьезное воздействие на прогностическую ценность модели.

• Наличие данных. Чтобы обучать МО-алгоритм, необходимые данные должны быть в наличии. Для решения задач ценообразования обычно требуются наблюдения на уровне транзакций. Если проблемы более специфичны, здесь часто требуется дополнительная информация, сбор которой необязательно ведется по умолчанию. Например, как может компания выстроить прогностическую модель «успех-неудача» в В2В, если она не владеет информацией о ценах, по которым не удалось получить заказов? Далее, МО зачастую применяется на базе ретроспективных данных, что влечет за собой две проблемы. Во-первых, обучаемая модель может в итоге начать повторять ошибки прошлого. Во-вторых, нет возможности учесть факторы, которые имеют значение в стратегической перспективе, но в настоящее время отсутствуют в массиве данных. На практике приходится применять дополнительные правила и ограничения, чтобы модель выдавала желаемые результаты.

• Долгосрочные эффекты автоматизированного назначения цен. Оценить их сложно. Приведет ли повышение краткосрочной маржи, основанной на готовности клиентов платить, к ослаблению их лояльности или к негативному воздействию на ценовой имидж в долгосрочной перспективе? Согласятся ли продажники со скидками, рекомендованными машиной? Как отреагируют клиенты на регулярные изменения цен на рынке, где привыкли к ценовой стабильности? Чтобы избежать негативных побочных эффектов и долгосрочных резонансов, важно тщательно протестировать систему, внедрить четкую систему мониторинга, не ограничивающуюся одним-двумя ключевыми KPI, которые она оптимизирует, предусмотреть возможность ручного вмешательства и установить автоматические ценовые защитные механизмы (например, пределы изменения цены), чтобы машина не смогла принять ценовое решение, которое нанесет долговременный ущерб.

Многие поставщики ПО для ценообразования предлагают решения, куда включено машинное обучение. Мы различаем два типа поставщиков МО. Первые предлагают динамические решения по ценообразованию и промоушну на основе машинного обучения. Они часто ориентированы на конкретную индустрию, например, розничные продажи, электронную коммерцию или управление доходами. Среди них – Boomerang Commerce, Blue Yonder, Smart Price и Perfect Price. Эти компании оказывают услуги по интеллектуальной обработке данных и строят модели машинного обучения, адаптированные под клиента. Целевая отрасль второго типа поставщиков – это В2В. Они предоставляют машинное обучение для расчета ценовых рекомендаций под конкретные сделки для департаментов продаж. Среди примеров – Zilliant, PROS, and Price f(X).