Мы можем выделить «Рекомендательную систему» среди последних трендов Интернет-маркетинга. Рекомендательные системы являются специальными приложениями, ориентированными на прогнозировании интересов и потребностей потенциальных клиентов в Интернете. Она собирает данные от предыдущих клиентов, чтобы сделать выводы о потребностях текущего клиента. Технический потенциал рекомендательных систем начинает достигать максимума, однако, наблюдается совершенно иная ситуация в экономической целесообразности. Я считаю, что существующие рекомендательные системы удивительно скудны с точки зрения установления скидки или других эксклюзивных цен клиенту, что называется схемой ценовой персонализации. Стоит понимать, что каждая из сторон сделки рассматривает систему следующим образом: для клиента сервис рекомендация является инструментом уменьшения неопределенности, в то время как, для продавца — это способ увеличить прибыль. Исходя из этого предположения, я формулирую модель. Во-первых, можно определить три типа клиентов (готовый купить продукт только со скидкой, готовый купить продукт без скидки, не готовый покупать продукт в любом случае). Во-вторых, я предлагаю способ реализации ценовой дискриминации в стандартной коллаборативной рекомендательной системе. После этого мы рассмотрим две модели покупки товаров: у продавца с системой, а также у продавца без такой системы. На основе этих моделей, мы проанализируем эффективность рекомендательной системы с персонализированным ценообразованием. И, наконец, мы поговорим о нерешенных проблемах и других возможных формах ценовой персонализации, которые могут быть выгодны с точки зрения рекомендательных систем.

Ключевые слова: персонализированное ценообразование, ценовая дискриминация, ценовая дифференциация, рекомендательные системы, эффективность, коллаборативная фильтрация.

Среди последних трендов Интернет-маркетинга можно выделить рекомендательные системы. Рекомендательные системы — специальные приложения, ориентированные на предсказание интересов и потребностей потенциальных клиентов Интернет-магазинов, являющиеся удобным инструментом выбора при покупке товаров и услуг в Интернет-магазинах. Принципиально важным является то, что рекомендательные сервисы полезны и удобны одновременно и для пользователя, и для Интернет-магазина. Пользователь, прежде всего, обладает удобством и интуитивностью выбора. В то же время, для магазина открываются такие возможности как увеличение среднего чека и выручки на визит, альтернативная навигация во всем множестве товаров и источник информации о клиентах. Стоит отметить, что современные рекомендательные сервисы повышают наполненность онлайн-корзин на 12–60 %, что обычно зависит от профильной направленности продукции. В качестве примеров можно привести рекомендательные блоки со следующими наименованиями: “С этим товаром также покупают”, “Другие пользователи сейчас смотрят” и “Возможно, вам будут интересны следующие товары”.

Ясно, что с экономической точки зрения рекомендательные сервисы — это, прежде всего, дополнительный источник дохода для Интернет-магазина. Данный источник может быть реализован, с одной стороны, путем уменьшения неопределенности клиента, связанной с принятием решения при выборе между аналогичными продуктами, и, с другой стороны, путем предоставления персонализированной цены каждому отдельно взятому покупателю. Дик Бергеман и Деран Озмен в своей статье “Optimal Pricing Policy with Recommender Systems” уделили внимание рассмотрению первой стороны вопроса, т. е. неопределённости [1]. Свяжем данную неопределенность с двумя факторами: во-первых, неопределенность в отношении своего собственного вкуса и, во-вторых, неуверенность в просматриваемом товаре. Более поздние исследования были посвящены, как уже было упомянуто ранее, выставлению персонализированной цены внутри рекомендательного блока. Тосихиро Камишима и Шотаро Акахо посвятили свою статью “PersonalizedPricingRecommenderSystem” описанию рекомендательной системы, способной проводить ценовую дискриминацию на основе данных о текущем покупателе [2].

Общие положения

Говоря об оптимальном ценообразовании, необходимо вспомнить различия между тремя известными родами ценовой дискриминации, определенными ранее упомянутыми К. Шапиро и Х. Вэрианом. Итак, дискриминация первого рода — каждому покупателю предлагается своя цена (изымается весь потребительский излишек); второго рода — назначение различных цен в зависимости от объемов покупки (например, версификация товаров); третьего рода — групповая дискриминация (выделение нескольких групп и назначение персонализированной цены каждой из них). На данном этапе анализа нас будет интересовать дискриминация первого рода, другими словами, назначение персонализированных цен.

В случае с введением ценовой дискриминации первого рода возникает ряд проблем. Даже если не учитывать тот факт, что это нелегально, есть проблема определения готовности текущего покупателя платить за товар, то есть невозможно различить тип покупателя при одном взгляде на него. Другими словами, персонализированное ценообразование требует эффективного измерения потребительских предпочтений. Для этого ритейлер должен в некотором роде проводить маркетинговые исследования для определения индивидуальных стратегий ценообразования. Не вдаваясь в термины теории сигналов и сканирования, следует сказать, что различить тип текущего покупателя в офлайн-магазине зачастую невозможно. Однако, совсем иначе дело обстоит с онлайн-торговлей. У онлайн-ритейлеров есть целый ряд инструментов для осуществления ценовой дискриминации. Так, дискриминация первого рода может быть достигнута, например, с помощью технологии анализа истории покупательских привычек. Огромные Интернет-магазины, такие как Amazon, легко анализируют операции с использованием данных по истории покупок текущих клиентов. Говоря об Amazon, следует отметить, что Amazon принимает участие во многих видах персонализированных маркетинговых и ценовых схем, ведь они имеют целую инфраструктуру для сбора и анализа информации о поведении потребителей. В то же время, в случае офлайн-торговли таких механизмов сбора информации о транзакциях клиентов не существует, исключая, разве что программы лояльности и дисконтные программы клиента, в которых обычно участвует малая доля всех потребителей.

Теперь необходимо понять какие именно системы сбора информации о клиентах существуют у Amazon. Итак, внутри компании активно используется рекомендательная система коллаборативной фильтрации товаров для определения рекомендаций для книг, видео и многих других товаров. Что же такое коллаборативная фильтрация товаров? Есть два способа внедрения таких рекомендательных блоков. Не вдаваясь в подробности моделирования и машинного обучению, я просто поясню работу таких систем на двух простых примерах. Во-первых, это простые системы фильтрации, сравнивающие меру близости двух покупателей между собой и выстраивающие рекомендации на основе этой близости. Например, если Аня любит фильмы Стивена Спилберга, а другие люди, которые купили те же фильмы Стивена Спилберга, что и Аня, также купили фильмы Квентина Тарантино, то рекомендательный сервис будет предлагать Ане купить фильмы, снятые Тарантино. Во-вторых, системы коллаборативной фильтрации могут включать в себя различные рейтинги. Например, Аня купила и поставила ее новому смартфону IPhone 6 оценку в 5 звезд. Кроме того, Аня и многие другие покупатели, купившие и высоко оценившие IPhone 6, также приобрели к нему кожаный чехол Case. На основе этого рекомендательная система будет впоследствии предлагать всем покупателям, просматривающим IPhone 6, в дополнение купить чехол Case.

Переходя к возможным способам ценовой дискриминации внутри рекомендательной системы, я также рассмотрю простой пример. Пусть человек купил IPhone 6, однако не купил чехол Case. Для извлечения дополнительного дохода онлайн-система должна быть запрограммирована так, чтобы отправлять письмо по электронной почте с указанием того, что кожаный чехол Case в данный момент продается по сниженной цене (очевидно, что эта цена выше закупочной), до тех пор пока человек не зайдет на сайт по отправленной ссылке и не увидит, что он действительно продается по такой цене. Вся суть дискриминации в том, что все остальные покупатели, которым раньше не был рекомендован кожаный чехол и которые, соответственно, не получали письмо на электронную почту, видят данный чехол на сайте по обычной цене.

Наконец, интересен тот факт, что в одних сферах Интернет-торговли предприниматели уже научилась получать значительный дополнительный доход, используя рекомендательные системы, в то же время другие сферы онлайн-торговли очевидно страдают без сопутствующего дохода. Так, например, для автомобилей или бытовой техники и электроники этот процент минимален, напротив, для книжных или музыкальных онлайн-маркетов доход от работы сервиса стремится к половине от всей выручки магазина. Аналитики и экономисты связывают этот факт с тремя основными воздействующими на индивида факторами: сумма (сумма обратно пропорциональна доли дохода магазина от рекомендательной системы), потребительское восприятие важности товара (обратная зависимость), скидки и распродажи (прямая зависимость). В дальнейшей части работы я перейду непосредственно к анализу основных систем из работ [1] и [2].

Формулирование модели

Как было сказано ранее, статья [1] посвящена ведению оптимальной ценовой политики, связанной с моделированием рекомендательных систем. Во-первых, укажем на то, что с зарождением Интернет-торговли, появилась возможность аккумулировать огромным количеством данных, что, безусловно, является хорошим шансом проводить более персонализированную ценовую дискриминацию. Конечно, одним из особенных способов аккумулирования данными является использование рекомендательных систем. Рекомендательные системы помогают покупателям принимать более осознанные решения, и, таким образом, приносят дополнительную прибыль продавцу. Однако, сразу же выявим проблему, следующую из преимущества:

– преимущество координации, которая исходит из того, что, если продавец имеет большое количество клиентов, то он может делать более точные рекомендации и, таким образом, привлекать больше клиентов;

– кажется, что это превосходно, тем не менее, присутствует и «внутренний эффект конкуренции», который появляется в связи с тем, что при большом количество клиентов, покупающих один конкретный продукт в определенное время, другим приходится откладывать покупку этого продукта и быть направленными на другие продукты для ожидания.

Перейдем к непосредственному описанию модели. Итак, есть один продавец, имеющий рекомендательную систему, обозначим его . Кроме того, на рынке данного продукта есть доминирующая фирма (competitivefringe) без данной системы, обозначим ее . На рынке есть два различных типа продуктов: тип и тип , обозначим тип продукта Помимо этого, существует непрерывный спектр покупателей в промежутке , где каждый покупатель характеризуется его предпочтениями, распределенными равномерно Совокупный объем полезности покупателя типа связан с типом продукта и определен как .

Таким образом, есть два периода предложения продуктов с неопределенностью, связанной с их текущим типом. Рассмотрим первый период. В нем предлагается две версии продукта, различающиеся только вероятностью их выпадения. Версия 1: пусть товар с типом имеет априорную вероятность выпадения , версия 2: вероятность выпадения товара с типом равна где — какое либо число из промежутка . Давайте обозначим данные версии , а вероятность их появления , соответственно. Рассмотрим второй период. В нем вводится новая версия продукта, обозначенная , с вероятностью . В первом периоде ни покупатели, ни продавцы не знают, что может точно быть, однако, они предполагают вероятность, что является или , равную для каждого варианта.

Предельные издержки независимо от версий и продавцов равны Пусть цена для каждой версии у доминирующей фирмы также равна Мы предполагаем, что скидочной политики нет. Покупателю обязательно купить не больше одного продукта в каждый период, однако версии этого продукта в каждом периоде должны быть разными. Они также предполагают, что за один период полезность покупателя не может быть выше, чем , поэтому покупателю действительно придется покупать по версии в каждом периоде.

В соответствии с моделью, установленной ранее, рассмотрим поведение индивидов в двух периодах. Давайте обозначим меру потребителей, покупающих версию у продавца в первом периоде, как . Между периодами для каждой версии продавец посылает случайный сигнал , где с вероятностью и с вероятностью Основываясь на , с вероятностью и с вероятностью , где — точность посылаемого сигнала, т. е. число из промежутка . Очевидно, что вероятность приема сигнала от какой-либо версии увеличивается пропорционально мере покупателей, покупающих эту версию. Это отражается в эффекте координации, т. е., когда у продавца есть большое количество клиентов, то его рекомендательная система может собирать множество данных. Учитывая такое строение, рекомендательная система представляет собой предварительно совершенный прямой механизм, который вычисляет апостериорные значение и сообщает о них только покупателям, которые купили у него одну из версий в первый период.

В первом периоде продавец объявляет цену для каждой версии, т. е. . Стоимость поиска сайта равна нулю для всех покупателей, таким образом, покупатели могут заходить на все сайты, видеть все цены и каждый покупатель одновременно выбирает версию для покупки и продавца из двух возможных. Во втором периоде продавец объявляет цены для всех версий и показывает рекомендации постоянным клиентам. Покупатели же, в свою очередь, одновременно выбирают версии для покупки и одного из продавцов. Отметим, что поскольку стоимость поиска равна нулю, покупатель может получить рекомендацию от продавца , но купить товар у .

После чего рассмотрим два случая:

– Стандартный случай, когда продавец не использует рекомендательную систему. Математически можно доказать, что здесь покупатель безразличен в выборе между .

– Случай, когда использует рекомендательную систему. Результаты исследований подтвердили тот факт, что продавец имеет дополнительный доход от внедрения системы. Притом, он может взимать плату за эту услугу за счет высоких цен, ведь он уменьшает неопределенность для покупателя и создает дополнительный избыток для распространения. Кроме того, можно утверждать, что для продавца лучше будет захватывать меньше, чем всю долю рынка в случае, если он будет внедрять рекомендательную систему. Таким образом, мы дали ответ на поставленные в самом начале статьи вопросы координации и конкуренции.

Дальнейший анализ

В соответствии со сказанным в введении, статья “PersonalizedPricingRecommenderSystem” [2], написанная Тосихиро Камишима и Шотаро Акахо, посвящена описанию рекомендательной системы, способной проводить ценовую дискриминацию на основе данных о текущем покупателе. Свое повествование начнем с того факта, что на данный момент рекомендательные системы весьма ограничены и не раскрывают полностью весь свой потенциал, по крайней мере, в части ценообразования. В связи с чем предложим свою модель PersonalizedPricingRecommenderSystem (PPRS), т. е. рекомендательной системы, обладающей функцией персонализированного ценообразования. В качестве одного из примеров классического персонализированного ценообразования приведем сети фастфудов, в которых точки продаж, находящиеся в различных регионах, дифференцируют цены на свой товар. Однако, сразу же обозначим одну из основных проблем персонализированных цен — возможность спекуляции (перепродажи) гамбургеров из регионов с дешевой ценой в регионы с более высокой ценой. Решение данной проблемы я вижу в дальнем расположении друг от друга торговых точек с различными ценами, что, с одной стороны, требует от спекулянтов дополнительных издержек на транспортировку и, с другой стороны, уменьшает себестоимость давно приготовленных гамбургеров.

Кроме того, можно утверждать, что уже были предприняты попытки внедрения рекомендательных систем с персонализированным ценообразованием, однако эти попытки были неудачны. Можно предположить, что проблемы, обнаруженные в результате их внедрения, можно избежать, если быть более “искренними” с клиентами и более открытыми в отношении продолжительности программ скидок. Под искренностью понимается тот факт, что системы должны уведомлять своих клиентов, как только начинаются соответствующие программы. В качестве мер борьбы с проблемой расплывчатых сроков скидок, предложим показывать предмет по сниженной цене только в том случае, если клиент видит его впервые, в следующий раз — предмет будет показан без скидки. Если сообщить клиентам об этом, то это поможет избежать проблем с так называемыми задержанными покупками. Кроме того, я считаю, что это может положительно повлиять на ранее выявленную проблему спекуляций. Ведь единоразовая скидка будет препятствовать делать покупку спекулянту, так как обычно ему необходимо время для поиска каналов сбыта приобретаемого продукта.

Соответственно, нам следует описать предлагаемую модель рекомендательной системы персонализированного ценообразования. Под персонализированным ценообразованием в данном случае понимается назначение скидок определенным группам клиентов. Поэтому можно выделить три группы покупателей, основываясь на их реакции в системе:

– стандартные (standart) — те, кто готов купить товар по стандартной цене;

– чувствительные к скидкам (discount) — те, кто готов купить товар только со скидкой;

– безразличные (indifferent) — те, кто не купит товар ни по стандартной цене, ни по скидке для себя.

Очевидно, что извлечение максимальной прибыли предполагает назначение скидки только чувствительным к скидке клиентам, а стандартной цены — стандартным пользователям. Безразличным клиентам также следует назначать стандартную цену, ведь они все равно не купят при обычных условиях, но при скидках могут купить с целью перепродажи. Построим матрицу выигрышей, основываюсь на ранее выявленных типах:

Таблица 1

Как можно проследить в Табл. 1, суммарные выигрыши владельца системы от покупки стандартными и чувствительными клиентами равны , соответственно, причем . Выигрыш , рассматриваемый в ситуации, когда безразличный покупатель не покупает товар, можно определить как потенциальный выигрыш от того, что он не купил товар с целью дальнейшей перепродажи, и продавец не потерял будущего потенциального клиента, ясно, что .

После чего, определив и описав модель, давайте укажем на три классические проблемы в моделировании PPRS:

– Неоднозначность наблюдений (Ambiguity in Observation) определяется тем, что система точно не знает какого типа клиент перед ней (неопределенность);

– Проблема нарушения баланса классов (The Class Imbalance Problem) заключается в том, что в одном классе экземпляров гораздо больше, чем в другом, поэтому новый пользователь, попадающий в систему, имеет высокую вероятность быть неправильно классифицированным;

– Проблема эксплуатационно-разведочного компромисса (An exploitation–exploration Trade-Off) возникает в случае сбора данных для прогнозирования. Для проверки правильности текущего предсказания, системе необходимо собирать обучающие данные, идентифицируя покупателей неправильно. Однако, когда система определяет чувствительного к скидкам покупателя как стандартного, то продавец теряет часть прибыли, равную Соответственно, если система будет принимать такие решения слишком часто общая прибыль продавца будет снижена. Таким образом, баланс между сборам данных для прогнозирования и максимизацией прибыли и получил название проблемы эксплуатационно-разведочного компромисса.

Решение данных проблем я вижу в использовании многоступенчатой классификации. Под многоступенчатой классификацией понимается классификацию состоящую из двух стадий: предварительного обследования (prescreening) и основного скрининга (mainstage). Цель предварительного обследования заключается в выявлении безразличных клиентов, что помогает в борьбе с проблемой нарушения баланса классов, ведь большинство пользователей без дополнительных знаний о них определяются как безразличные. Основная стадия подразделяется еще на две подстадии: стандартная и скидочная, притом на стандартной стадии пользователи могут определиться как стандартные или могут перейти в скидочную стадию, где они будут определены либо как скидочные, либо как безразличные клиенты. Более того, подход многоступенчатой классификации помогает в решении проблемы неоднозначности наблюдений, так как в результате работы нескольких стадий количество собираемых данных для анализа увеличивается, что помогает более точно определять тип покупателя. Для наглядности изобразим дерево последовательности ходов данной игры:

Рис. 1.

Описанная выше архитектура представлена на Рис. 2 (на диаграмме стадии изображены внутри прямоугольников, типы покупателей — внутри овалов).

Рис. 2.

В результате, можно утверждать, что ценовая дискриминация, предложенная ими внутри рекомендательной системы персонализированного ценообразования, поможет увеличить прибыль Интернет-магазина. Как видно из Рис. 3, кроме серого прямоугольника, равного прибыли принципала в случае без ценовой дискриминации, он получает дополнительную прибыль от продажи своей продукции клиентам скидочной группы, которая изображена черным прямоугольником.

Рис. 3.

Выводы

В результате написания данной работы, мной были исследованы вопросы, посвященные персонализированному ценообразованию внутри рекомендательных систем Интернет-магазинов. Одним из пяти Интернет-трендов, упомянутых финансово–экономическим журналом Forbes, является индивидуальный подход к клиенту («The Best Service is Still No Service For Many») [7]. В случае Интернет-магазина следует рассматривать процесс персонализации Интернет-страницы, который предлагают рекомендательные системы. Как оказалась, рекомендательные системы — это не просто прихоть клиента, но и действительно действенный инструмент Интернет-маркетинга. Исследования, освещенные в данной статье, показывают, что, во-первых, рекомендательные системы помогают клиенту делать выбор более интуитивно, уменьшая неопределенность в отношении выбора между аналогичными товарами, и, во-вторых, помогают получать удовлетворения от участия в различных скидочных программах, предлагаемых поставщиками рекомендательных систем. Более того, в случае использования рекомендательных систем продавец может получать дополнительный доход за счет оперирования более высокими ценами как плата за услугу интуитивности выбора.

Литература:

1. Bergemann, D. Optimal Pricing Policy with Recommender Systems / Bergemann D., Ozmen D. // EC '06 Proceedings of the 7th ACM conference on Electronic commerce, [Электронный ресурс], 2004, Режим доступа: http://www.eecs.harvard.edu/p2pecon/confman/papers/s6p2.pdf
2. Kamishima, T. Personalized Pricing Recommender System / Kamishima T., Akaho S. // Japan 2nd Intl Ws on Information Heterogeneity and Fusion in Recommender Systems In conjunction with RecSys, [Электронный ресурс], 2011, Режим доступа: http://ir.ii.uam.es/hetrec2011/res/papers/hetrec2011_paper09.pdf
3. Shapiro, C. Information Rules, A strategic Guide to the Network Economy / Shapiro C., Varian R. // Harvard Business School Press, [Электронный ресурс], 1999, — C. 42–50, Режим доступа: http://www.uib.cat/depart/deeweb/pdi/acm/arxius/premsa/information-rules VARIAN SHAPIRO.pdf
4. Avery, C. The Market for Evaluations / Avery C., Resnick P., Zeckhauser R. // American Economic Review, [Электронный ресурс], 1999, — С. 564–584, Режим доступа: http://www.eecs.harvard.edu/cs286r/courses/spring03/papers/marketevaluations.pdf
5. Schmitz, A. Creating Services and Products / Schmitz A. // [Электронный ресурс], 2012, — Chapter 2, Режим доступа: http://2012books.lardbucket.org/books/creating-services-and-products/s05-fundamentals-of-product-and-pr.html
6. Dandekar, P. Privacy Auctions for Recommender Systems / Dandekar P., Fawaz N., Ioannidis S. // Stanford University Press, [Электронный ресурс], 2012, Режим доступа: http://arxiv.org/pdf/1111.2885v2.pdf
7. Blake, М. Five Trends Shaping The Future
8. Of Customer Service In 2015, [Электронный ресурс], 2014, Режим доступа: http://www.forbes.com/sites/blakemorgan/2014/12/22/five-trends-shaping-the-future-of-customer-service-in-2015/