BIG DATA HYÖDYNTÄMINEN HINNOITTELUSSA


Tänä päivänä useat yritykset hinnoittelevat tuotteensa ”perinteisin” menetelmin. Tuotteen hinta muodostetaan laskemalla kaikki valmistamiseen käytetyt varat ja lisätään päälle toivottu voittomarginaali. Suurasiakkaille sen sijaan on ostomääriin perustuvat alennusprosentit ja lisäksi myös muiden vastaavien tuotteiden hinta vaikuttaa loppuhintaan. Vuosittain hintaa tarkistetaan perustuen hinnannosto ”indeksiin”. Edellä oleva esimerkki toki oikoo monia mutkia suoriksi.

Big datan aikakaudella hinnan muodostamisen ei tarvitse olla esimerkin kaltainen. Yritysten on mahdollista analysoida keräämäänsä dataa ja muodostaa asiakas- ja tuoteklustereita, joiden välillä hinta on optimoitavissa. Jos aiemmin hinta oli kaikille kuluttajille aina sama, on nykyisin mahdollista erilaisten promootioiden avulla kohdentaa hinta yksilöllisesti lakien ja asetusten sallimissa rajoissa. Lentoyhtiöt ovat harjoittaneet dynaamista hinnoittelua jo pitkään, muiden liikennöintiyhtiöiden seuraten heidän malliaan viime vuosien aikana. Yhdysvalloissa ammattilaissarjojen urheilujoukkueet ja Suomessa mm. huvipuistot ovat alkaneet hinnoitella lipputuotteitaan dynaamisesti. Lipun hintaan vaikuttaa ostoajankohdan lisäksi sää, kävijäennuste, sosiaalisessa mediassa (ottelu)tapahtumaan liittyvä keskustelu ja lipun hinta toissijaisilla markkinoilla (lähinnä vain Pohjois-Amerikassa). Kaikkea näitä on mahdollista seurata automaattisesti järjestelmän muokatessa itsenäisesti lippujen hintoja algoritmiin kirjoitettujen parametrien mukaisesti.

Verkkokaupat keräävät asiakkaistaan runsaasti dataa liittyen verkko- ja ostokäyttäytymiseen. Verkkokauppojen algoritmien on mahdollista tunnistaa, milloin ensi kertaa sivustolle tuleva kävijä on siirtymässä pois sivuilta ja laittaa heille ponnahdusikkunan muodossa suurempi tarjousprosentti. Lisäksi verkkokauppojen ei tarvitse teettää markkinatutkimusyrityksillä kyselyjä, miten ihmiset suhtautuvat hinnoitteluun ja sen muutoksiin, sillä he saavat kyseisen datan suoraan omilta sivuiltaan analysoidessaan, kuinka asiakkaat reagoivat hinnanmuutoksiin. Big datan, koneälyn ja prosessointitehon lisääntyessä olemme tulossa pisteeseen, että jokaiselle asiakkaalle on laskettavissa oma henkilökohtainen hintansa. Tällaista hinnoittelumallia on Yhdysvalloissa kokeiltu jo toimistotarvikkeiden ja digitaalisten hyödykkeiden osalta.


Kirjoittaja: Nino Ruusunen, Itä-Suomen yliopisto


Lähteet:

Erevelles, S., Fukawa, N. & Swayne, L. (2016) Big Data consumer analytics and the transformation of marketing. Journal of Business Research, 69, p. 897-904.

Fan, S., Lau, R.Y.K. & Zhao, J.L. (2015) Demystifying Big Data Analytics for Business Intelligence Through the Lens of Marketing Mix. Big Data Research, 2, p. 28-32.

Mikians, J., Gyarmati, L., Erramilli, V. & Laoutaris, N. (2012) Detecting price and search discrimination on the Internet. Proceedings of the 11th ACM Workshop on Hot Topics in Networks, p. 79-84.