Ловушки алгоритмов ценообразования | Harvard Business Review Russia
Маркетинговая стратегия

Ловушки алгоритмов ценообразования

Марко Бертини , Одед Кенигсберг
Ловушки алгоритмов ценообразования
Tsilli Pines

3 июня 2017 года полицейские машины с мигалками летели к Лондонскому мосту: было получено сообщение о теракте. Их увидели тысячи людей — субботним вечером в местных ресторанах и пабах было полно народу. Многим стало не по себе — они решили вызвать такси и отправиться домой. На всплеск заказов отреагировали алгоритмы динамического ценообразования Uber: после поступления первых данных о теракте (22:07) цены поднялись более чем на 200% и держались на этом уровне три четверти часа.

Этот эпизод — лишь один из неприятных примеров скачка цен Uber в моменты, когда людям нужна была помощь. То же самое случилось в 2016 году, когда в Нью-Йорке взорвалась бомба, в 2017-м, когда таксисты протестовали против антииммиграционной политики США, и в 2020-м, когда в Сиэтле произошла перестрелка и пострадали люди (в последнем случае цены взлетели на 500%!). Почти 100 млн активных пользователей Uber негодуют по поводу алгоритмического ценообразования компании. Даже после того, как Uber вручную остановила взвинчивание ставок возле Лондонского моста, цены на такси в окружающих районах еще 50 минут оставались заоблачными.

Экономист, может, и одобрил бы логику ценообразования Uber: чем выше спрос относительно предложения, тем выше цена. Для клиентов же стоимость пользования сервисом выглядит непредсказуемой как рулетка.

ИДЕЯ КОРОТКО

Проблема
Многие компании используют алгоритмы для установления и корректировки цен в реальном времени ради извлечения максимальной прибыли. Но постоянные колебания ставок могут отпугнуть клиентов, подорвать их доверие и повредить репутации бренда.
Причина
Алгоритмы ценообразования взвешивают переменные вроде спроса и предложения, цен конкурентов и сроков выполнения заказов с помощью искусственного интеллекта и машинного обучения. Зачастую они не учитывают психологическое воздействие непредсказуемости цен: потребитель может заподозрить компанию в корысти и задуматься, насколько ценно ее предложение на самом деле.
Решение
Чтобы лучше контролировать производимое динамическим ценообразованием на клиента впечатление и его влияние на отношения с аудиторией, нужно разработать сценарий внедрения алгоритмического ценообразования и назначить ответственного, который вручную скорректирует цену, если алгоритм сойдет с рельсов здравого смысла.

С подобной проблемой сталкивается не только Uber. Динамическое ценообразование с разным успехом применяют фирмы многих отраслей, включая рекламу, электронную коммерцию, развлечения, страхование, спорт, туризм и коммунальные службы. Классический и широко известный пример — Coca-Cola, в конце 1990-х опробовавшая вендинговые машины, которые повышали цену в жаркие дни. Возмущение общественности заставило ее быстро свернуть проект.

Алгоритмы ценообразования призваны помочь фирмам определять оптимальные цены практически в режиме реального времени. Они взвешивают переменные — спрос и предложение, цены конкурентов, сроки выполнения заказов, применяя искусственный интеллект и машинное обучение. К сожалению, порой алгоритмы идут вразнос и выдают нереалистичные суммы: $14 тыс. за шкафчик от Wayfair или почти $24 млн за книгу на Amazon. Но подобными проколами риски передачи права принятия решений компьютерам не ограничиваются.

Постоянные изменения цен подают клиентам мощные сигналы, которыми стоило бы пристально заниматься. Однако многие организации не понимают этого. Они сознают, что цены влияют на решения покупателя, стоит ли приобретать, когда, сколько и что именно, но забывают, что ценовые взлеты и падения портят впечатление о продукте и, что важно, о компании как таковой.

Вывод: внедряя алгоритмические системы, недостаточно учитывать простые математические законы, иначе ваше стремление заработать снизит доверие к вам потребителя. При разумном подходе алгоритмы обеспечат вам максимум выручки, одновременно дав клиентам ощущение адекватности цены.

Ниже мы увидим, какие психологические механизмы включаются тогда, когда вы просите оплату у своего клиента. Мы изучим реальные примеры алгоритмического ценообразования и их пользу или вред для конкретных брендов. Наконец, мы перечислим плюсы введения серьезного надзора и даже вмешательства в работу алгоритма — и расскажем, в частности, почему полезно определить, какой отдел отвечает за ценообразование и какие параметры стоит зафиксировать во избежание проблем.

ПСИХОЛОГИЧЕСКОЕ ВОЗДЕЙСТВИЕ АЛГОРИТМИЧЕСКОГО ЦЕНООБРАЗОВАНИЯ

Давайте начнем с примера автостраховщика Root Insurance, продающего свои полисы жителям 30 американских штатов. Чтобы клиенты лучше понимали принципы ее бизнеса и больше ей доверяли, компания разработала программу динамического ценообразования с персональным и понятным подходом к каждому водителю. В отличие от конкурентов, Root Insurance не сегментировала цены на основе крупных и практически безличных массивов данных о рисках на основе демографии. Вместо этого она предложила клиентам приложение для смартфонов, изо дня в день оценивающее поведение конкретного пользователя. Алгоритм обрабатывает поступающую информацию и определяет индивидуальные показатели безопасности. Далее Root Insurance рассчитывает условия страховки, исходя преимущественно именно из качества вождения (с учетом таких традиционных факторов, как кредитная история и статистика страхового мошенничества). Чтобы снизить крен в сторону более обеспеченных клиентов, страховщик не учитывает в скоринговой системе критерии образования и занятости (как это делают почти все остальные), а к 2025 году обещает исключить из расчета даже кредитную историю. При этом компания страхует только прошедших проверку безопасности. Root Insurance утверждает: отсеяв плохих водителей, она смогла сократить выплаты при ДТП и снизить цену страховки для всех клиентов.

Эта модель — пример улучшения отношений с клиентами с помощью прозрачного алгоритма ценообразования. Во-первых, прежде чем страхователь видит ценник, он получает информацию о том, что в нем учитывается. Во-вторых, он понимает, почему ему предложили именно эту цену, а другому клиенту — другую. В-третьих, он знает, что со своей стороны сделала компания для снижения окончательной цены страховки.

Ключ к успеху алгоритмического ценообразования — демонстрация клиенту взаимных выгод, которые оно обеспечивает. Дело в том, что переплачивать всегда больно — причем в буквальном смысле этого слова. Исследования, проведенные нейробиологами Университета Карнеги — Меллона, Стэнфорда и MIT, показали: когда мы видим товар с завышенным ценником, в нашем мозгу активируются болевые центры.

В момент, когда человека просят заплатить (неважно, когда и как это происходит), отношения между ним и компанией немедленно переключаются из режима общих интересов в режим согласования противоположных интересов. В худшем случае клиент тут же отвернется от вас. Задача клиентоцентричной организации — свести к минимуму риски и ограничить ущерб (ухудшение тщательно выстраиваемых отношений) от повысившихся в силу рыночных факторов цен.

До широкого распространения алгоритмов ценообразования цены были стабильнее во времени и по рынку. Потребители имели вполне определенные ожидания и не рассматривали цены как имеющие отношение к ним лично. Если цены менялись и оказывались не такими, как ожидалось, покупателю было проще объяснить себе их рост: он верил, что такое решение для всех покупателей сразу приняла выверенная стратегия корпорации.

Технологии сделали несоответствия реальных цен ожидаемым более частыми, менее оправданными с точки зрения клиента и более масштабными — это раздражает людей и мешает им смириться с происходящим. При всем том многие фирмы решили: если клиент стабильно ожидает конкретной цены и ее же и получает, наверняка она существенно занижена. Следуя рыночным нормам, компании все чаще обращаются к алгоритмам и стремятся извлечь максимум выгоды. Сегодня даже самые неповоротливые отрасли В2В заменяют свои таблицы Excel мощными инструментами алгоритмического ценообразования. Технологии позволили фирмам углубить отношения с клиентами — и одновременно поставить их себе на пользу, повышая доходность клиентов и удерживая их. Такая ситуация, однако, часто заставляет потребителей сомневаться, все ли в порядке и можно ли вообще доверять бизнесу. Люди становятся чувствительнее к цене и изо всех сил пытаются осмыслить, почему все дорожает. Что цены говорят о качестве и востребованности товара или услуги? Или, быть может, о мотивах и ценностях продавца? Или о его отношении к лояльным клиентам?

Если в результате изменений будет достигнута равновесная цена, подобные вопросы могут стать менее актуальными. Но если частота и масштаб колебаний останутся необъяснимыми, вопросы продолжат терзать покупателя и в отсутствие разъяснений от продавца вынудят его прийти к собственным заключениям. Тогда клиент начнет реагировать не на сигналы от фирмы, а на сигналы от алгоритма, как он их понимает. Это несет значительные риски для любого бизнеса. В худшем случае алгоритм превратит тонкую ситуацию сообщения клиенту цены в ситуацию потери сделки.

Чтобы вы могли лучше контролировать воздействие сигналов алгоритма на ваши отношения с клиентом, мы предложим вам четыре совета с примерами — иллюстрациями их практического применения.

1. ПОДГОТОВЬТЕ ПОДХОДЯЩИЙ СЦЕНАРИЙ И НАРРАТИВ

В 2020 году шведский продавец мебели IKEA запустил в Дубае новую инициативу. В течение ограниченного периода времени покупателям разрешили платить за один и тот же товар разные цены, которые зависели от того, сколько они добирались до магазина. Ценник каждого предмета, от сэндвича в ресторане до спального гарнитура, состоял из двух частей: стоимости в местной валюте и количества минут на поездку. Семья, которая ехала до IKEA, скажем, 45 минут, показывала кассиру в телефоне приложение Google Maps с указанием своего маршрута (использовалось приложение Timeline для мобильного телефона, которое точно отражает маршруты предыдущих поездок). Кассир запускал алгоритм, анализирующий затраченное на поездку в магазин время, преодоленную дистанцию и среднюю почасовую оплату труда в Дубае, и исходя из всего этого определял условную стоимость поездки. Затем эту сумму учитывали в ценнике: чем дольше человек ехал, тем бóльшую скидку от изначальной цены получал.

Какой вывод сделали покупатели из программы IKEA? Что их долгие поездки компания готова компенсировать деньгами. Хотя разные клиенты платили разную цену за один и тот же товар и конкретный потребитель при каждом посещении видел новый ценник (в зависимости от того, откуда он приехал), человеку было приятно сознавать, что стоимость покупки зависит от его собственных действий. Насколько же это отличается от чувства беззащитности, которое мы испытываем, наблюдая резкий взлет цен! И лучше всего было то, что ни один покупатель не заплатил больше цены, указанной на сайте компании, ведь программа предполагала только ее уменьшение (а не подъем, например, вследствие повышения спроса). Иными словами, IKEA использовала алгоритм учета расстояния не для наказания, а для поощрения клиентов. Возможно, в тот момент она недополучила часть выручки: покупателей, преодолевших значительное расстояние ради покупки, вознаграждали очень серьезной скидкой, а некоторые товары доставались им вообще бесплатно. Но выбрав верный сценарий использования алгоритмов, предполагающий выгоду для посетителей, компания наверняка привлекла больше клиентов из удаленных от магазина районов и повысила лояльность (а теоретически и пожизненную ценность) всех своих покупателей.

Модели, подобные икеевской, редки. Динамическое ценообразование обычно применяется для достижения краткосрочных финансовых целей. При этом восприятию происходящего клиентами уделяют минимум внимания. Однако объем и интенсивность порожденных алгоритмами изменений цены посылают покупателю сигналы по множеству аспектов: от целей и ценностей компании до качества ее предложения. Эти сигналы способны затмить собою весь нарратив, старательно формируемый брендом для клиентов. В худшем случае алгоритм превратит и без того тонкую ситуацию сообщения потребителю цены в ситуацию отторжения бренда. Именно поэтому фирма не должна отдавать технологии ценообразования на откуп одним специалистам по данным.

Путь к улучшению ситуации лежит не только в технической, но и в организационной и психологической плоскости. Как бы парадоксально это ни звучало, улучшенный алгоритм способен ухудшить ситуацию, сыграв не на тех обстоятельствах и возмутив народ, как это случилось с Uber во время теракта на Лондонском мосту.

Чтобы решить эту сложную организационную задачу, для начала признайте: алгоритмическое ценообразование — не просто средство генерации цен, приводящих в нужный баланс спрос и предложение. На самом деле это принцип, который должен идеально сопрягаться со всей работой компании.

Об авторах

Марко Бертини (Marco Bertini) — профессор маркетинга в ESADE при Университете Рамона-Льюля в Барселоне, приглашенный профессор факультета маркетинга Гарвардской школы бизнеса, старший советник практики маркетинга, продаж и ценообразования Boston Consulting Group.

Одед Кенигсберг (Oded Koenigsberg) — профессор маркетинга Лондонской школы бизнеса.

Полная версия статьи доступна подписчикам
Вы уже подписаны?
Тогда авторизуйтесь
советуем прочитать
Игра на чужом поле
Анна Натитник