Pro finanční řízení prostřednictvím ceny potřebujeme vědět, jak se poptávka chová při její změně. K tomu slouží model poptávky. Vytvoření modelu poptávky je analytická úloha, což pro nás znamená práci s daty. Jak na to? Nejprve musíme rozhodnout, jaká data použít a jaký typ modelu chceme postavit. Typ modelu je vždy vázaný na strukturu vstupních dat, začněme tedy nejprve od dat. Uvedený graf naznačuje, jaké datové zdroje lze potenciálně použít.

Data mohou být více nebo méně strukturovaná, interní nebo externí, neplacená nebo placená. Nejsnáze použitelná data jsou interní strukturovaná, na obrázku jsou v levém dolním kvadrantu. Současné technologie a trh s daty ale posouvají hranice použitelného čím dál tím více doleva a nahoru, například k využití skenovaných dokumentů nebo textů publikovaných na internetu.

Pokud se zaměříme na interní firemní data, rozeznáme zde dva druhy podle toho, jestli obsahují zákaznický klíč: zákaznická data jsou data na úrovni zákazníka a nižší, anonymní data neumožňují identifikovat zákazníka. Zákaznická data jsou například data z CRM systému, call details records (CDR), aplikační data (žádosti), socio-demografická data aj. Anonymní data mohou být na úrovni vyšší než zákazník (souhrny za obchod, období, produkt), nebo i na úrovni nižší, ovšem bez identifikace zákazníka (typicky např. transakce na pokladnách v maloobchodu). Protože zákazník je nejmenší jednotkou a jedinečným nositelem nákupního chování (poptávky), je uvedené rozdělení dat určující pro úroveň detailu výsledného poptávkového modelu.

Zákaznická data umožňují vývoj prediktivních modelů s výstupem na zákaznické úrovni detailu. Naproti tomu anonymní data dávají modely poptávky v agregované formě, například na úrovni prodejního místa, pobočky, produktu nebo regionu. V obou případech se data dají použít pro modelování poptávky pouze tehdy, když je v nich historicky obsažena dostatečná variabilita cen při jinak stejných podmínkách. V úvahu je zapotřebí vzít také to, v jakém vztahu je v datech obsažený minulý versus budoucí cenový rozsah (uvažovaný pro zamýšlené cenové pohyby v budoucnosti).

Pokud nejsou splněny podmínky pro použitelnost interních dat (malý rozsah, špatná kvalita, nedostatečná variabilita, mimo rozsah), přistupuje se ke sběru dat obvykle metodou zákaznického průzkumu a následné statistické analýzy, přičemž celý proces počínaje definicí zákaznického průzkumu až po výsledný model užitku zákazníka se v tomto případě nazývá conjoint analýza.

Jaký model použít?

Podle charakteru dat se použijí rozdílné typy modelů pro odhad modelu poptávky. Nad zákaznickými daty se budují modely typu propensity to buy. Prakticky to může být jakýkoliv model pro binární vysvětlovanou proměnnou, jako například zobecněný lineární model (GLM, logistická regrese), klasifikační a rozhodovací stromy (CART), neuronové sítě nebo support vector machines. Výhodou propensity modelů je, že umožňují vytvořit i segmentaci zákazníků z pohledu nákupního chování. Sečtením pravděpodobností přes požadovaný zákaznický segment dostaneme požadované očekávané poptávané množství.

Nad anonymními daty se nejčastěji konstruuje agregovaný poptávkový model se spojitou vysvětlovanou proměnnou, jako je lineární regrese, zobecněný lineární model nebo neuronová síť. Agregovaný poptávkový model vysvětluje poptávané (prodané) množství komodity určitého druhu daného výrobce v závislosti na ceně této komodity (elasticita poptávky), na ceně ostatních komodit (substituty nebo komplementy – křížová elasticita poptávky), na užitných hodnotách této komodity (feature based modelling), na lokalitě, na marketingu tohoto výrobce, na marketingu ostatních výrobců (konkurentů), na sezonních vlivech apod.

V conjoint analýze se buduje model užitku (utility model), který je modelem se spojitou vysvětlovanou proměnnou vysvětlující abstraktní veličinu užitek v závislosti na faktorech postihnutých v zákaznickém průzkumu (cena, vlastnosti produktu apod.). Pracuje se výhradně s diskrétními faktory (vybírají se ze seznamu několika málo předdefinovaných hodnot). Teorie conjoint analýzy dává návod i k tomu, jak správně sestavit zákaznický průzkum (design of experiment). Conjoint analýza velmi přirozeně umožňuje v datech rozlišit segmenty zákazníků s rozdílným chováním a preferencemi. Vlastní funkce poptávky se z modelu užitku dá odvodit, pokud známe rozpočtové omezení. Protože však toto omezení můžeme nejčastěji jen odhadovat, představuje tento fakt slabé místo conjoint analýzy pro modelování poptávky.

Stanovení optimální ceny

Model poptávky popisuje, jak se poptávka chová při změně ceny. Neříká nám ale, jak máme stanovit cenu jedné komodity, nebo dokonce jak optimalizovat kompletní ceník. Mluvíme-li o optimalizaci, musíme si nejprve stanovit, co je kritériem optimality. Jako první volba je zde zisk, přesněji řečeno provozní hospodářský výsledek. Může to však být i profitabilita (ROC, ROI, ROA, RAROC, …) nebo obrat (podíl na trhu). Pro optimalizaci ceny potřebujeme také vědět, jak reaguje na změnu ceny a na poptávané množství strana nabídky – jak se přizpůsobí výrobní kapacity a distribuční kanály. Proto vytváříme i tzv. model nabídky, který je ovšem oproti modelu poptávky podstatně jednodušší. Jako poslední komponentu pro optimalizaci ceníku potřebujeme znát omezení: v jakých rozmezích se mohou ceny měnit, jakých hodnot mohou nabývat (zaokrouhlování, „baťovské ceny“) a jaké závislosti musí v ceníku platit (vyšší produktová řada nesmí být levnější než nižší produktová řada).

Máme-li kritérium optimality, model poptávky, model nabídky a omezení, můžeme přistoupit k optimalizaci. K té je zapotřebí specializovaný matematický software, který podporuje řešení optimalizačních úloh. Dnes tuto úlohu dovedeme numericky velmi spolehlivě řešit.

Co říci závěrem? Cenová optimalizace skýtá netušený potenciál, který je podle mého názoru ještě málo využitý. Máte-li chuť si z tohoto ovoce ukousnout, nechť je vám tento text návodem. Zdá-li se vám vzhledem ke zkušenostem vašich analytiků investice do interního projektu příliš riziková, obraťte se na externí odborníky.

Filip Trojan
Autor je manažerem oddělení applied analytics ve společnosti Deloitte.