AI予測による価格変動ダイナミックプライシングAI開発 機械学習による需要予測を行い、
混雑や人気に合わせた
動的価格予測エンジン開発を提供します。

ダイナミックプライシングとは

リアルタイム動的価格設定

リアルタイム価格設定とも呼ばれる動的価格設定は、柔軟性の高い製品・サービスのコストを設定するためのアプローチです。動的価格設定の目標は、市場の需要に応じてその場で価格を調整できるようにすることです。

通常ビジネスルールでは、顧客の所在地、時刻、曜日、需要レベル、競合他社の価格などを考慮します。ただし、ビッグデータの出現により、価格調整のビジネスルールをよりきめ細かくすることが可能となりました。 顧客に関するデータを収集および分析することにより、ベンダーは顧客が支払う価格をより正確に予測し、それに応じて価格を調整できます。

動的価格設定は、変動しない製品・サービスの販売価格を設定するアプローチである固定価格設定とは対照的であり、既に取り扱っている商品が価格変動をもたらしやすいものなのかどうかが採用判断指標となります。

dynamic_pricing_500S.jpg

様々な価格変動シーン

ユーザーピーク

ticket_image_200_133S.jpg

需要によって価格が変わります。例えば、チケット販売においては、人気のあるアーティストやJリーグチームのチケット価格は人気度によって、価格変動があります。

供給ピーク

housaku_image_200_133S.jpg

供給サイドによって価格が変わります。例えば、不作や天候不良による野菜の不作・豊作や、燃油サーチャージなど一次産業では、供給サイド起因による価格変動が多くあります。

リミットピーク

shouhi_limit_image200_133S.jpg

経過時間によって価格が変わります。例えば、賞味期限が近付いている食品や、新発売から時間経過した電化製品が該当します。

稼働率ピーク

kadou_parking_image_200_133S.jpg

稼働率によって価格が変わります。例えば、宿泊施設やレンタルスペース、カラオケボックスなどの空きや、遊園地、スノーリゾートのように季節によって一時的に価格が変動する場合があります。

シーズンピーク

travel_season_image_200_133S.jpg

時期や季節によって価格が変わります。例えば、クリスマスやゴールデンウィークにおける航空券の価格であったり、スノーリゾート施設のオフシーズンにおける価格ラインナップが該当します。

競合変動

rival_image190_13S.jpg

競合のプライシングにより価格が変わります。例えば、一部の「他店よりも安い」を標榜するスーパーマーケットや電気用品店では、競合他社の価格を調べた上で競争力のある価格決めを行っています。

特急パス

fast_pass_image200_132S.jpg

特急料金で価格が変動します。翌日配達や短納期を実現する場合、他にも遊園地における行列いらずのファストパスが該当します。

ボリューム変動

discount_image201_133S.jpg

いわゆるボリュームディスカウントです。一部の小売業やAmazonなどのECサイトでは、この商品を買うと「〇%オフ」のように一部の多く商品を買う人に価格インセンティブを行っています。

ダイナミックプライシングのメリット

動的価格設定を実装する企業は、ニーズに応じて価格調整を完全、または部分的に自動化できます。価格設定ツールは、多数の内部要因(在庫、またはKPIなど)および外部要因(競合他社の価格、需要など)を評価して、企業の価格戦略に合った価格を生成します。

ヒトも様々なデータから価格決めを行っています。 現在の需要、製品原価、在庫、販促コストなど、判断軸となるデータは多岐に渡る為、価格の最適化の解を導き出すのに多くの時間をかけています。 価格変動要因となるデータを機械学習に投入し需要の低いシーズンや空席情報を鑑みて価格設定を予測することで、売り上げの低下から身を守ることができ、収益の極大化に貢献する事ができます。

ダイナミックプライシングの課題

場合によっては顧客の疎外と反発を起こす可能性を秘めています。 顧客は、同じ製品またはサービスに対して他の人よりも多くのお金を払ったように感じることを好みません。
また、価格争いは避けたい法人もあり、一定の価格である事がブランドの品質である、という戦略があることも事実です。

これらの課題に対処する方法の1つは、データ駆動型の価格決定を行うことです。 一部の動的価格設定の実装では、市場の動き、製品需要、利用可能な在庫、競合価格、顧客のデジタルフットプリント、およびウェブサイトイベント(すなわち、最も閲覧されたページ製品/サービス、放棄されたカート、コンテンツ時間のクリック)に関するデータを監視および分析を行って価格制限を指定し、部分適用から再学習を続けていくアプローチが必要です。

当社のダイナミックプライシングAIの特徴

独自機械学習モデル

data_ML_image200_133S.jpg

価格変動要因である様々なデータを機械学習に学ばせ、データ変動の自動再学習ができる価格最適予測を行います。

価格の説明可能

explainable_data_image_201_133.jpg

価格を動的にする課題はユーザーの納得感が無い事です。動的価格適用の背景や説明を行う事で心理的なハードルを下げる事が可能です。

拡張データ連携

business_data_200_133S.jpg

画像解析による来場者判定、人感センサによる往来データ、Webの情報による相場判定など柔軟なデータ連携を実現します。

個別コントロール管理

data_analytics_image192_133s.jpg

全て自動化し過ぎてしまうと法人として管理が届かない事も発生します。 可視化やチューニングなど運用管理者コントロール配下にAIを利用可能にします。

データ駆動型AI(機械学習)

ダイナミックプライシングのAIは機械学習を用いており、当社ではPhython、ライブラリとしてscikit-learn、数値計算フレームワークnumpy、pandasを利用した実装を行っております。
機械学習を活用したソフトウェアは、データからデータを取得して(データマイニング)、問題自体を解決するアプローチを見つけます。より多くのデータが機械学習システムに供給されるほど、それらのデータが学習されパフォーマンスが向上する特徴があります。

クラスタ分析によるきめ細かな顧客セグメンテーションは、行動パターンを含む顧客特性を表すデータポイント間の隠れた関係を明らかにし、顧客ペルソナグループを高い精度で決定できます。
多数のアイテムに対しては同様に多数の変数が考慮されます。 競合他社および属性ベースの価格設定は、価格推奨のために評価する必要がある影響要因の一部です。
業界のトレンド、季節性、天気、場所などの外部要因。 製造コストや顧客関連情報(検索や予約履歴、人口統計学的特徴、収入、デバイスなど)や、最終的に支払い意欲などデータを補完する事で精度を高めていきます。

AI_man_transfer500.jpg

一部の価格変動理由を説明可能

価格妥当性の説明

価格の妥当性や背景について説明を可能としています。
例えば、店頭においても「見栄えが悪いから安く提供しています」 「処分品だから安い」「賞味期限が近いから安くなった」「仕入れ原価高騰の為高くなった」など、POPなどで説明するシーンがありますが、その説明の一工夫で購入客は一部納得をして買い物を行います。

価格の説明を端折ってしまうとユーザー離脱を招いてしまう可能性があり、 当社ではその課題解決として、一部の説明を行う機械学習を開発しております。

Man_in_Brain_500s.jpg

柔軟なデータ連携

多くの価格変動要因

価格は多くの要因に依存します。
特に関連する事が多い要因は、 企業目標、製品マスターデータ:価格制限、購入価格、目標販売日、購入条件など、 株式、競合他社データ:在庫、価格、リアルタイムデータ:クリック、買い物かご、ウォッチリスト、定期的な要因:お金の週、好きな買い物日、取引データ、過去の販売データ、季節性、キャンペーン、ブランド力、地域的要因、天気、顧客感謝、数量があり、多岐に渡るデータを必要とします。

これらを取得・連携・蓄積する為に、柔軟なAPI連携とデータプラットフォーム、Webクローリングを当社で提供しています。

machine_learning_bamen450S.jpg

個別コントロール

個別コントロール管理

ダイナミックプライシングにおいては、採用企業の価格戦略と紐づける必要がある為、きめ細やかな個別管理を行える必要があります。

KPI毎の価格設定:
利益率、売上高、利益の最大化、在庫の最適化など、関心のある指標に価格設定を行う事が可能です。

シンプルな需給データ分析:
複雑な価格設定ルールを指定せずに、変化する需要と市場の状況に合わせてリアルタイムで価格を自動的に最適化できます。

価格弾力性の計算:
価格弾力性を定義し、価格決定を行う前に顧客が新しい価格を受け入れるかどうかを予測・検証を行う事ができます。

このようなビジネスルールは、追加設定を行う事ができ、ルールごとの個別配信を可能としています。

caribo_cms_gaudi600S.jpg

様々な場面に対応

データ整備・事前アセスメント


当社では、保有データサンプルを拝見する事で、活用できるデータかチェックを行い、機械学習の手法を検討します。現状のデータを整理し、いらないデータを省き、「AIクローラー」などで足りないデータを補完する事で、 機械学習プロジェクトのスタートを切りやすくしています。

data_cleansing_500S.jpg

実サービスAPI連携

作成した機械学習エンジンを、既存のサービスと連携させる為のAPI構築も行っております。

機械学習エンジンを密結合させない事で、機械学習エンジンのマルチインターフェース化を実現し、Web、アプリ、チャットボット、デジタルアシスタントなどに水平展開する事を可能としています。API化はメンテナンス性を高め、既存で動いているサービスとの連携を容易にします。

AI_with_man_image500.jpg

マルチチャネル

APIベースで機械学習レコメンド結果を受け取ることにより、Webサイト、スマートフォン、チャットツール、デジタルサイネージなどマルチチャネル化を可能としています。

元データに関しても、Webサイト内データ、販売データだけでなくIoTデバイスのデータなど、様々なデータ資産から機械学習を実現しています。

multi_channel500_303S.jpg