AI價格優化

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]。

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。 

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。 

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/