Представьте, что вы только что пошли в кинотеатр во вторник, чтобы посмотреть «Оно», чтобы проникнуться жутким духом Хэллоуина. Когда ты выходишь из театра, темно, и ты не можешь представить, как идешь домой, потому что, признайся, тебе страшно.

Вы достаете свой телефон, чтобы заказать поездку от Uber. Поздно вечером в будний день и на улицах никого нет, поэтому цена низкая. Ниже, чем вы помните, цена была в пятницу вечером, когда вы пошли смотреть «Однажды в Голливуде». О, ты еще и киноман. Вы спрашиваете своего водителя, почему цены такие низкие, а он говорит: «Спрос ниже. Кроме того, чтобы вы могли дать мне больше чаевых, чтобы компенсировать разницу. Вы двое разделяете неловкое молчание.

На самом деле они имеют в виду, что Uber использует «динамическое ценообразование».

Что такое динамическое ценообразование?

Динамическое ценообразование — это способ базирования цен на текущих рыночных условиях. Убер это делает. Airbnb делает это. Авиакомпании тоже так делают. По сути, все, что имеет рост и падение цен, вероятно, использует метод динамического ценообразования.

Методы динамического ценообразования

  • На основе затрат. На основе бизнес-затрат, чтобы поддерживать постоянную норму прибыли.
  • На основе конкурентов: установите, чтобы цены оставались конкурентоспособными.
  • На основе спроса. Установите на основе растущего или падающего спроса.

Вам нужен сложный ML для настройки динамического ценообразования?

Хороший вопрос. Вы можете использовать исторические данные о ценах и подключать их к алгоритмам машинного обучения, чтобы предсказать, сколько клиент готов заплатить в определенное время. Для компаний, которые ежедневно совершают множество транзакций между клиентами, машинное обучение имеет неоценимое значение.

Чем больше данных у компании, тем более точными будут динамические ценовые ориентиры. Кроме того, использование машинного обучения обеспечивает большую гибкость, чем система, основанная на правилах, благодаря возможности изменять свои выходные данные в зависимости от меняющейся среды. По мере того, как вы вводите текущие данные в свою систему машинного обучения, она может давать вам прогнозы в реальном времени и соответственно оценивать услуги.

Варианты использования машинного обучения и динамического ценообразования

Используя Очевидно AI, инструмент, созданный для нетехнических бизнес-пользователей, вы можете настроить это динамическое ценообразование без написания технического кода ИЛИ без какого-либо опыта в ML.

Если вы сами пишете алгоритм или используете более технический подход, я рекомендую этот пост.

Раскройте скрытые взаимосвязи между точками данных

Переходя к телекоммуникационной отрасли, мы подключили данные о клиентах AT&T к платформе Очевидно AI, чтобы посмотреть, сможем ли мы получить некоторую информацию. Давайте посмотрим на взаимосвязь между оттоком и стоимостью ежемесячных платежей. Это помогает выяснить факторы, связанные с оттоком клиентов, и сколько клиенты готовы платить за определенные услуги.

Очевидно, что ИИ автоматически создал, протестировал и развернул алгоритм, адаптированный специально для этого набора данных. В этом случае алгоритм называется Gradient Boosting Regressor, чтобы выяснить, что ежемесячные платежи были прямо пропорциональны оттоку. Мы также можем выяснить, что те, у кого был способ оплаты банковским переводом, были женщинами и имели двухлетний контракт, имели более высокую вероятность оттока.

Сегментируйте клиентов на основе их характеристик

Из данных мы также можем сделать вывод, что это средняя сумма, которую клиент готов заплатить, прежде чем он уйдет. Эти и другие характеристики, связанные с оттоком, такие как возраст, интернет-услуги, транслируют ли они фильмы или нет и т. д., могут помочь нам создать портреты клиентов.

Прогнозируйте покупательское поведение клиентов для оптимизации цен

Еще одна вещь, которую вы можете узнать из этих данных, — это поведение клиентов, основанное на измененных услугах. Компании могут визуализировать, за какие услуги клиенты готовы платить больше.

Для этого мы подключили данные Airbnb, чтобы определить, за какие характеристики клиенты будут платить более высокую цену. С нашей платформой вы можете сделать вывод, что тип района, доступность, тип номера и минимальное количество ночей влияют на цену.

Клиенты были готовы платить самую высокую цену, когда снимали весь дом на острове Рузвельта в Манхэттене, при этом среднее количество отзывов о доме составляло 16,70.

С помощью этих данных вы можете выбрать оптимальную цену на основе характеристик предоставляемых вами услуг.

Если вы хотите узнать больше о прогнозах творческих данных, ознакомьтесь с этим постом, который мы опубликовали несколько недель назад.

Возможности машинного обучения и динамического ценообразования на этом не заканчиваются.

Есть так много вещей, которые вы можете сделать, и методов, которые вы можете использовать, чтобы получить наиболее оптимальную цену за свои услуги с помощью ML. Мы хотели показать вам несколько примеров, чтобы пробудить ваш творческий потенциал в поиске бизнес-решений с прогнозной аналитикой.

‍

Первоначально опубликовано на https://www.obviously.ai.