Прайс-менеджмент - Герман Симон

До сих пор мы рассматривали методы, которые не всегда отвечают сложности ценовых решений в реальной жизни. Возможно, здесь более подходят комплексные системы поддержки принятия решений.

Системы поддержки принятия решений основаны на интегрированной обработке информации о потребительских предпочтениях и потребностях, решении о покупке, рыночной структуре и тенденциях (как для собственных товаров, так и для продукции конкурентов), а также других маркетинговых инструментах (коммуникации, продажах и сбыте). Эта информация, как показано на рис. 5.4, обобщается в системе поддержки принятия решений, позволяя прогнозировать объемы продаж при различных ценах. Здесь можно учитывать большой набор ценовых эффектов: движение потребителей между поставщиками, категориями товаров одного поставщика и в рамках одной категории товара. Если включить в систему издержки, можно рассчитывать прибыли.

Чтобы система поддержки принятия решений отражала реальное решение о покупке, следует учитывать несколько факторов влияния.

• Прежде всего, необходимо в точности определить соответствующий рынок. Если это рынок автомобилей, то там предлагаются только модели класса «премиум» или бюджетные модели тоже? Решения о будущих товарах затрагивают только частных клиентов/потребителей или влияют также на решения о покупке деловых клиентов? От определения соответствующего рынка зависит, какие товары (собственные и конкурентные) будут включены в систему.

• Главные элементы системы поддержки принятия решений – это клиентские предпочтения и потребности, а также процессы принятия решений о покупке. Информация по этим двум аспектам собирается в ходе опросов потребителей.

• Процессы принятия решений о покупке различаются в зависимости от продукта и ситуации. Процесс для продуктов с низкой вовлеченностью отличается от процесса для продуктов с высокой вовлеченностью [10].

• Последний этап разработки системы поддержки принятия решений – это корректировка. Корректируется прогноз доли рынка, сделанный исходя из собранных данных и базовых алгоритмов, чтобы он возможно лучше отражал действительность. Такие корректировки делаются вручную. Итоговые доли рынка формируют базовый сценарий, который используется в дальнейшем моделировании. Это напоминает процесс, принятый в метеорологии, где происходит корректировка сложных моделей прогнозирования погоды с использованием ретроспективных данных, а затем дается прогноз на будущее [11].

В итоге необходимо как можно реалистичнее смоделировать индивидуальный контекст принятия решения клиентом и функцию «цена-отклик». Здесь требуется глубокое понимание релевантных характеристик на уровне индивидуального потребителя. Степень детализации выводов и результатов системы поддержки принятия решений зависит от формулировки вопросов, на которые нужно получить ответ.

Пример: Система поддержки принятия решений для инновации

При запуске нового продукта компании сталкиваются с большой неопределенностью, связанной с оптимальными ценами. Это особенно проявляется в случае инноваций, формирующих новые рынки. Ошибки изначального позиционирования исправлять сложно. В таких ситуациях пользу приносят системы поддержки принятия решений, которые квантифицируют влияние различных ценовых уровней на продажи и прибыли. На рис. 5.5 представлен случай инновационного профессионального устройства для глажения рубашек. В левой части рисунка изображено гладильное устройство и показана спецификация продукта и цена базовой конфигурации. Справа изображены кривые «цена-отклик» для трех вариантов продукта, выведенные с помощью системы поддержки принятия решений. Если включить затраты по разным вариантам, можно рассчитать соответствующую прибыль. Исходя из этого, можно принимать фундаментальные ценовые решения с учетом стратегических целей (целевые объемы и прибыли). Критическими факторами успешности системы поддержки принятия решения являются точное определение потребительской ценности отдельных атрибутов и цен продукта, а также квантификация рыночного потенциала.

Рис. 5.5. Пользовательский интерфейс и функции «цена-отклик» системы поддержки принятия решений для гладильной установки

Обзор

Обобщим выводы о применении систем поддержки принятия решений.

• Системы поддержки принятия решений отлично приспособлены для поддержки принятия комплексных ценовых решений.

• Особую важность представляют два аспекта: (1) адаптация модели к конкретной ситуации и ее корректировка; (2) тщательная методологическая экспертиза. Стандартизированные модели, применяемые без глубокого понимания методологии и системных взаимозависимостей, существенно повышают риск ошибок.

• Чтобы добиться достоверных и надежных результатов, рекомендуем комплексное использование различных источников информации и аналитических методов.

5.4.3. Математическая оптимизация цен

Самая элегантная и точная форма ценовой оптимизации – математическая. Она определяет цену максимизации прибыли путем выражения отношений «цена-объемы» в виде математических функций. Здесь берутся в расчет все цены в определенных интервалах, а не только небольшое количество выбранных ценовых пунктов.

Оптимальная цена определяется не сравнением дискретных значений, а исследованием всей кривой прибыльности. Таким образом, можно вывести простые правила оптимальности для конкретных функций «цена-отклик» и затратности.

5.4.3.1. Монопольный рынок

Сначала рассмотрим случай компании-монополиста. Нам нет необходимости принимать в расчет цены конкурентов. Функция прибыльности выглядит так:

π = R – C = p × q(p) – C[q(p)],