Максимизация контрибуционной маржи является логически обоснованным методом ценовой оптимизации. Одно из его достоинств – простота. Здесь не требуется ни уравнений, ни усложненных математических методов оптимизации. Нужно только рассчитать значения контрибуционной маржи для небольшого количества альтернативных цен, а затем сравнить их. Сам процесс поэтому весьма практичен. Он, безусловно, превосходит метод принятия решений «издержки плюс».
Рис. 5.3. Максимизация контрибуционной маржи
Рис. 5.4. Структура системы принятия решений
5.4.2. Системы поддержки принятия решений
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)],
