Az Uber árazási algoritmusa kifinomult Big Data analitikára és széleskörű ügyfélismeretre épül. A modell a kereslet és a kínálat előrejelzésére képes, melyhez kalkulálja a fogyasztók árrugalmasságát és olyan tényezőket is figyelembe vesz, mint például a földrajzi elhelyezkedés. Ezeket az információkat felhasználva alakítja ki az Uber az optimális árat a nap, a hét és a hónap különböző időszakaira.

Fotó: Pixaoppa / Pixabay

Ez az „okos” modell segíti az Ubert abban, hogy rendkívül gyorsan kiigazítsa az árait, amikor valamelyik változó módosul. A cég így hatékonyan felgyorsítja az árazási stratégia alapoktól való felépítésének folyamatát.

Végső soron az Uber ügyfelei fogadják el vagy utasítják vissza az árakat, beleértve a csúcsidőszakok magasabb díjszabását. Természetesen, ha túl sok ügyfél utasítja vissza az árat, akkor a modell addig módosítja a kínált árakat, amíg be nem áll az egyensúlyi pont a piacon. Tehát ha az ügyfelek által elfogadott érték alacsonyabb, akkor az Uber addig mérsékli az árait, amíg le nem csökken az utakon lévő Uber autók és az utazni vágyók száma, azaz amíg a piaci kereslet meg nem egyezik a kínálattal.

A hosszú távú ároptimalizálást figyelembe véve az, hogy az Uber gyorsan képes hozzáigazítani az árait az ügyfelek fizetési hajlandóságához egy nagyon versenyző piacon, képessé teszi a céget arra, hogy az öldöklő versenyben minden egyes utas esetén maximalizálja a hasznát. Az Uber adatfelhasználási példája nem egyedi. Egyre több vállalat alapozza az árazási döntéseit az adatok elemzésére. Ahhoz, hogy ez a gyakorlatban működjön, fontos kiemelni, hogy az adatok mellett szükség van erős statisztikai és modellezési tudással bíró gazdasági szakemberekre (gyakran data scientist-ként hivatkoznak rájuk), valamint megfelelő informatikai infrastruktúrára is. Emellett fontos, hogy az elkészített elemzések, lefejlesztett modellek a vállalati működésbe is kerüljenek beillesztésre.

A fejlett árazási megközelítés sikerreceptjének tehát több összetevője van. Jelen cikkben talán ezek közül a legfontosabbal, magával az adattal foglalkozom.

Árazási szempontból a legnagyobb gyakorlati jelentősége az alábbi három kérdés megválaszolásának van:

• A különböző árak mellett hogyan alakul az értékesítés?
• Mekkora az ár hatása az értékesítésre a többi tényező hatását kiszűrve?
• Mi az optimális (pl. profitot maximalizáló) ár az adott termék esetén?

Az árazásról szóló sorozatunk korábbi cikkei:

Vissza a bazárba! – Dinamikus árazás a kiskereskedelemben

9 lépés az adatvezérelt árazáshoz

Ezek a kérdések adatok elemzésével megválaszolhatók. A kérdések megválaszolásához a keresletet leíró összefüggést kell meghatároznunk. A különböző árak mentén a vásárlói reakciók „letapogatása” történhet árkísérletekkel, valamint már korábban keletkezett (megfigyelt) adatok elemzésével – a gyakorlatban ez utóbbi a tipikusabb.

Az adatokkal kapcsolatosan az egyik legizgalmasabb kérdés az, hogy egyáltalán milyen adatok használhatók fel az árazási döntések támogatására, a fenti kérdések megválaszolására.

Az adatok keletkezését tekintve beszélhetünk megfigyelt, illetve kísérleti adatokról. A két kategória elhatárolása gyakorlati szempontból nagy jelentőséggel bír. Egy megfelelően kialakított kísérlet során ha eltérések mutatkoznak a kontrollcsoporthoz viszonyított eredményekben, akkor ez kizárólag az adott beavatkozásnak (intervenciónak) tudható be. Egy klasszikus példa a weblapok A/B tesztelése. A honlap látógatói IP-cím alapján random vagy A vagy B design felületet látnak a honlapon. A két csoport eltérő viselkedése (a random mintavételezés miatt) kizárólag az eltérő design-nak lesz betudható. A gyakorlatban azonban sok esetben nincs lehetőség kísérlet elvégzésére, mert túl drága lenne vagy jogszabályba ütközne (árdiszkrimináció). Ilyenkor a megfigyelt adatokra tudunk támaszkodni. A megfigyelt adatok esetén (a kísérleti adatoktól eltérően) egy-egy üzleti hatás számszerűsítése jóval komplexebb feladat. Egy vállalat esetén az értékesítés alakulását például egyszerre számos ismert és nem ismert hatás befolyásolhatta. A megfigyelt és a kísérleti adatok elemzése eltérő elemzési módszertant igényel.

Az adatok forrását tekintve egy vállalat esetében beszélhetünk vállalaton belüli és vállalaton kívüli adatokról.

A vállalaton belüli adatok közül árazási szempontból a leginkább relevánsak a tranzakciós rendszerekből származnak. Az értékesített mennyiség mellett az ár, a készletszint, az akciók jellemzői valamint a kiegészítő és helyettesítő termékek árai mind-mind olyan változók, amelyek segítenek megérteni a vásárlói döntések mögötti mozgatórugókat. A belső rendszerekben keletkező adatok legnagyobb előnye, hogy már rendelkezésére állnak, emiatt könnyen és olcsón hozzáférhetők. Viszont fontos figyelembe venni, hogy ezek az adatok nem elemzés miatt keletkeznek, hanem a napi operatív működés részeként. Kizárólag belső vállalati adatokra támaszkodni árazási szempontból sok esetben „dobozos szemlélethez” vezet, mivel számos, a vállalati rendszerekben nem tárolt egyéb fontos tényező is befolyásolhatja a keresletet. Például egy termelő vállalat B2B partnerei felől érzékelt kereslet csak származékos kereslet, hiszen alapvetően a fogyasztói kereslet az, ami a B2B keresletet vezérli. Emiatt a termelő vállalatnak az árazási döntések során az áruházakban megjelenő fogyasztói kereslethez kell optimalizálnia.

Elkerülve tehát a szűklátókörű, „dobozos szemléletet” és az erre alapozott rossz döntéseket, érdemes az árazási döntésekhez külső adatokat is felhasználni.

A külső adatok alapvetően négy helyről származhatnak.

• Kérdőíves felmérések: A „jó öreg” kérdőívezés előnye, hogy azt kérdezhetjük meg, amire kíváncsiak vagyunk. Viszont ez az adatgyűjtési módszer inkább csak egy-egy adott elemzéshez használható, nem építhető rá egy árazási modell.
• Web Scraping: Programkód segítségével az internetes honlapok tartalmai automatizáltan folyamatosan lementhetők, így ezekből adatbázis építhető fel. Weblap struktúrától és az információ megjelenítésétől függően vannak könnyebben és nehezebben scrape-elhető honlapok. Ez az adatgyűjtési módszer ma már szolgáltatásként is igénybe vehető, hiszen vannak a piacon olyan árfigyelésre szakosodott cégek, amelyek a web scrape-elt adatokat évekre visszamenőleg tárolják adatbázisokban és folyamatos adatszolgáltatást biztosítanak az ügyfeleik számára.
• API (Application Programming Interface): Például a Twitter, Google Analytics vagy tőzsdei adatok közvetlenül betölthetők API segítségével az elemzési, statisztikai eszközbe, mivel az API-n keresztül közvetlen hozzáférés engedélyezett az adatokhoz.
• Adminisztratív adatok: Sok adat keletkezik adminisztratív célból a vállalaton kívül is. Ezek közül is vannak ingyenesen hozzáférhetők (pl. kormányzati adatgyűjtésből adatbázisok) és elérhetőek vásárolt adatbázisok. A kiskereskedelemben például lehetséges több kereskedőlánc tranzakciós adatait megvásárolni, így egy termelő vállalat (amely alapból a saját rendszereiben csak a B2B származékos keresletet látja) tudja érzékelni az áruházi fogyasztói keresletet is.

A tapasztalat azt mutatja, hogy külső adatok felhasználása nagymértékben javítja az árazási döntések minőségét. Az Uber példájához visszakanyarodva, az Uber nem csak azt vizsgálja, hogy mikor mennyi szolgáltatást vettek igénybe a felhasználók. A proaktív, folyamatos optimalizáláshoz az kell, hogy a „kötelezően gyűjtendő” tranzakciós adatok mellett egyéb (pl. geolokációs forgalmi, időjárási stb.) adatokat is gyűjtsön és felhasználjon az árazási modelljeihez. Ez az, ami sikeressé teszi.

A szerző az IFUA Horváth & Partners vezető tanácsadója