AI價格優化

呂文惠 2021-06-23 數位行銷電子商務人工智慧大數據 產業動態
瀏覽人數:324

產品或服務的訂價是企業基於本身營利目標、消費客群、市場需求、競爭環境等整體資訊下,所設定消費者獲取產品或服務所必須支付的代價。訂價的高低以及消費者對訂價的接受程度關係企業獲利的多少、市占率的增減,也影響產品或服務的品牌價值,是企業必須面臨的難題。

近來,隨著人工智慧(Artificial Intelligence, AI)技術與應用蓬勃發展,零售服務業開始探索與導入以AI協助優化產品或服務價格的應用。根據相關產業研究顯示,雖然COVID-19疫情使2020年全球零售產業受到重創,但人工智慧應用於零售業的腳步並未停滯,如圖1所示,全球人工智慧導入零售應用的市場預計將由2020年20億美元的規模成長至2027年的200億美元[1],年複合成長率達到39%。其中,價格優化(Price Optimization)就是AI智慧零售應用中的一項重點[2]。

全球AI智慧零售市場規模預測2020-2027

資料來源:Global Market Insights [1],本研究整理

圖1 全球AI智慧零售市場規模預測2020-2027

 一、AI價格優化之定義與優點

所謂價格優化,就是透過數學模型分析判斷消費者對於不同價格、不同管道購買產品或服務的反應,從而訂定可滿足企業營運目標的價格;模型分析所基於的資料包含市場調查結果、營運成本、歷史價格與銷售資料等[3]。以AI輔助進行價格優化時,演算法經過企業參數輸入以及訂價與銷售成果回饋的訓練後,可以協助企業在不同市場與外部環境以及產品服務規格下,預測消費者需求在不同價格下的變動,從而快速擬定適合的訂價或折扣幅度,以達成企業設定的營運目標如提高營利、搶占市場、吸引客群、清除存貨、提高品牌價值等。相較於人工訂價,採用AI價格優化具備以下幾項主要優點[4]:

  1. 提供客觀訂價:由於以AI進行價格優化是基於演算法,不會受到人為偏好的影響,因此可提出客觀的價格設定。
  2. 進行複雜運算:AI可針對複雜的訂價結構、大量的資料來源,以優於人腦的能力進行運算,也可避免人為估算的錯誤。
  3. 預測能力:AI演算法與歷史資料、現況資料的結合,可以掌握價格與需求變動的特徵與趨勢,並針對特定市場環境提供需求與價格的預測。

 二、AI價格優化之流程與資料來源

AI價格優化之主要流程包含[5]:

  1. 蒐集彙整資料:AI需要足夠的多元資料進行訓練,以訂定合理的價格。
  2. 設定價格優化的策略目標與限制條件:策略目標方面,獲利最大化、增加顧客忠誠度或吸引特定族群等都是可以設定的目標;限制條件方面,則是外在或企業本身軟硬體環境對價格訂定所造成的限制,如店內人數上限或平均供貨時間等。
  3. 建構模型與訓練:涵蓋深度學習或增強式學習等不同機器學習類型。基於策略目標,可以有不同的模型選擇,也需要不同類型的資料進行訓練。
  4. 確認及調整訂價:AI所產生的訂價可以是單一價格,也可以是一個價格範圍,需要經過業者進一步驗證、調整與確認。

在上述流程中,資料是AI建模與訓練學習的關鍵,這些資料大致可區分為內部資料與外部資料[5][6]:

  1. 內部資料:可由業者企業內部取得的資料
    • 商品屬性:包含商品型號、品牌、規格、外觀、成本、獲利上限、底價等,是將產品歸類與決定價格範圍的基本資料。
    • 營運與存貨狀況:包含店內存貨、整體供貨量、營運成本、管銷成本等,可用於對照市場需求決定適合的訂價。
    • 交易資料:包含銷售端的交易數量、產品銷售數量、歷史訂價等資料,以及進貨端製造成本與進貨成本等;在即時動態訂價的應用情境中,消費者資料也將納入考量,以決定切合消費者需求的訂價。
    • 線上瀏覽紀錄:對電子商務零售業者而言,消費者查詢與瀏覽商品、購物車物品增減等紀錄也可納入作為AI分析學習的資料。
  2. 外部資料:業者必須由企業以外獲取的資料
    • 競爭者資料:包含競爭對手的規模、營運狀況,以及商品的價格、簡介、運費、成本、使用者評價等,可透過網路爬蟲(Crawler)在線上進行蒐集。
    • 區域性趨勢:包含稅率、習俗、偏好、居民屬性等對不同類型商品需求與購物意願具有影響力的因素。
    • 節日與季節性資料:不同時間、不同外在環境可能影響消費者的購物意願與需求。
    • 顧客意見回饋:包含對所購買產品的評價、對其他產品的需求、期望與建議,以及對過往的實體或線上購物體驗等。

三、AI價格優化之標的、主要技術與應用領域

Gartner在一份報告中,將價格優化以「UPPMO」(Unified Pricing, Promotion, Markdown Optimization)這個概念代表[7],指出AI價格優化將會應用於零售業者的各種通路,並聚焦於協助業者擬定以下的標的:

  1. 初始價格(Initial price):初始售價的估算。
  2. 正常價格(Regular price):平日價格的調整。
  3. 促銷價格(Promotion price):配合促銷設定折扣價。
  4. 過季/清倉折扣價(Markdown price):商品過季後設定較大之折扣以快速出清商品。
  5. 情境化即時訂價(Contextualized real-time pricing):藉由顧客的手機掌握顧客資料與購物管道,提供相對應的優惠折扣價。

在上述報告中,Gartner挑選出39家提供AI價格優化服務的服務商,並針對這些服務商所採用的技術進行統計,統計結果如圖2所示,可看出機器學習(Machine Learning)、自動機器學習(Automated Machine Learning)、自然語言處理(Natural Language Processing)、圖像分析(Graph Analytics)與深度學習(Deep Learning)等是AI價格優化主要採用的技術。 

AI價格優化服務商主要採用之技術

資料來源:Gartner [7],本研究整理

圖2 AI價格優化服務商主要採用之技術

 圖3進一步整理出上述服務商已將AI價格優化導入應用的行業,可看出超市(Grocery)為目前導入最多的行業,其次為超商(Convenience Store)、消費性電子(Consumer Electronics)、藥局(OTC Drug)、流行服飾(Apparel & Fashion)、居家修繕(Home Improvement)與美妝店(Beauty)等,大都屬於產品品牌、品項種類繁多的業別,正是AI價格優化可以發揮所長的領域。 

已導入AI價格優化服務的行業

資料來源:Gartner [7],本研究整理

圖3 已導入AI價格優化服務的行業

四、AI價格優化之效益

國際顧問公司Deloitte認為AI價格優化可達成的效益包含[8]:

  1. 在維持獲利與獲利率之下,增加營收(Revenue)3~8%。
  2. 在維持銷售量與價格下,增加獲利(Profit)5~20%。
  3. 節省訂價所需的時間和資源。

本研究也透過國際案例之整理,驗證了上述效益。以烏克蘭的AI價格優化的SaaS服務公司Competera為例[9],其服務對象涵蓋超市、超商、消費性電子、流行服飾、居家修繕與美妝店等,其中歐洲知名3C零售商Foxtrot在採用Competera的解決方案後,其產品銷售數量增加了5.8%,平均消費單價增加了7.8%,使整體營收增加了13.6%,淨利(Net Profit)增加了51.5%。另一個案例是美國的AI價格優化服務商DemandTec公司[10],在與義大利連鎖超市Conad Nord Ovest的合作中,DemandTec協助Conad Nord Ovest的市占率增加3%,淨利增加1.5%,而原本需花費2~4週的人工調整訂價也縮短至1週之內完成。

整體而言,AI價格優化可協助零售業者在較短時間內訂定商品價格,減少人力成本的耗費,同時透過適合的價格訂定,增加銷售量與平均消費金額,達成增加營收與獲利。

五、結論

將AI融入訂價策略具有提高訂價效率、減少人力成本、避免人為疏失等優點,而AI對於大量多元資料的學習分析能力,更可應用於市場需求與價格趨勢的預測,有助提高銷售量、合理管理存貨、增加營收與獲利,從而提升零售業者的整體競爭力。因此,面對越來越多元化的零售產業,業者應積極探索AI價格優化的應用,以因應當前快速變動的激烈競爭。

有意導入AI價格優化的零售業者,初期可選擇適合的局部場域進行導入驗證,以零售領域價格調整與優化的專業知識,與AI價格優化服務商合作,廣泛地蒐集與運用多元的內部與外部資料,思考模型的架構與訓練,從而建構完備的價格優化解決方案,作為中長期全面導入的準備。

 

參考資料

  1. Global Market Insights (2021). Artificial Intelligence (AI) in Retail Market Size By Component (Solution [Chatbot, Customer Behavior Tracking, Customer Relationship Management (CRM), Inventory Management, Price Optimization, Recommendation Engine, Supply Chain Management, Visual Search], Service [Professional Service, Managed Service]), By Technology (Machine Learning, Natural Language Processing (NLP), Computer Vision), By Application (Automated Merchandising, Programmatic Advertising, Market Forecasting, In-Store AI & Location Optimization, Data Science), Industry Analysis Report, Regional Outlook, Growth Potential, Competitive Market Share & Forecast, 2021 – 2027. Global Market Insights Report, ID GMI2568. Available at https://www.gminsights.com/segmentation/detail/artificial-intelligence-ai-retail-market
  2. Bhutani, A. & Wadhwani, P. (2021). Artificial Intelligence (AI) in Retail Market size worth $20 Bn by 2027. Global Market Insights Press Release, Feb. 1, 2021. Available at https://www.gminsights.com/pressrelease/artificial-intelligence-ai-retail-market
  3. Wikipedia (2021). Price Optimization. Available at https://en.wikipedia.org/wiki/Price_optimization
  4. Pit, R. (2021). Price Optimization: A Data-Driven Approach. Available at https://www.copperberg.com/price-optimization-a-data-driven-approach-part-1/
  5. Tyrolabs (2020). How Machine Learning is reshaping Price Optimization. Available at https://tryolabs.com/blog/price-optimization-machine-learning/
  6. 7Learnings (2021). How dynamic pricing works: data driven price optimization. Available at https://7learnings.com/blog/how-dynamic-pricing-works-data-driven-price-optimization/
  7. Hetu, R. (2021). Market Guide for Retail Unified Price, Promotion and Markdown Optimization Applications. Gartner Report ID G00719620. Available at https://www.gartner.com/doc/reprints?id=1-24ZZX87A&ct=210107&st=sb
  8. Deloitte (2021). Unified Pricing, Promotion and Markdown Optimization. Available at https://www2.deloitte.com/cz/en/pages/deloitte-analytics/solutions/unified-pricing.html
  9. Competera (2021). Competera Case Studies. Available at https://competera.net/resources/case-studies
  10. DemandTec (2021). Customer Case Study. Available at https://www.demandtec.com/customers/