Кривая спроса в недвижимости: «Как использовать то, чего нет» или Искусство стрельбы по движущимся мишеням

В прошлой статье мы разобрали, почему детерминированной «кривой спроса» в недвижимости не существует. Спрос — это не просто функция от цены, а результирующая влияния бесконечного количества факторов: макроэкономики, ключевой ставки ЦБ, маркетинговых усилий застройщика, навыков команды продаж, действий конкурентов, сезонности, курса доллара и т.д. Что это значит для застройщиков:

https://habr.com/ru/articles/918994/

#недвижимость #ценообразование #математическое_моделирование #математика_и_реальная_жизнь

Динамическое ценообразование в недвижимости: Как поймать то, чего нет, или Искусство стрельбы по движущимся мишеням

Если вы всерьёз рассчитываете построить «стабильную кривую спроса» на рынке недвижимости, то вы взялись за задачу, которая по сложности сравнима с предсказанием погоды на год вперед. Спрос в недвижимости — штука капризная, как погода в Питере. Вот жара и +28, прогноз на неделю - ни облачка... и вдруг гроза, ливень и +12.

https://habr.com/ru/articles/917964/

#недвижимость #ценообразование #продажи #застройщик

[Перевод] Идеальная страница с тарифными планами. Гайд с примерами и рекомендациями

Страница тарифов может быть самой важной страницей вашего сайта. Здесь клиенты принимают ключевое решение: стоит ли ваш продукт запрашиваемых денег? Правильно структурированная страница повышает конверсию до 50%, а публикация цен даже для enterprise-решений становится конкурентным преимуществом. Анализ десятков SaaS-компаний выявил ключевые элементы, превращающие страницу цен в мощный инструмент конверсии.

https://habr.com/ru/articles/907110/

#pricing_page #тарифный_план #b2b #конверсия #freemium #монетизация #ценообразование #saas #продуктовый_маркетинг #ux

Применение ML Pricing в ритейле: хвост виляет собакой

Привет, Habr! Мы Катя и Оля, продакт-менеджеры BigData в компании «Лента», отвечаем за развитие цифровых продуктов блоков «Ассортимент» и «Ценообразование». В этой статье расскажем про внедрение ML-модели и алгоритма ценообразования товаров «хвоста», а также - трудности, с которыми столкнулись.

https://habr.com/ru/companies/lentatech/articles/894582/

#ценообразование #ритейл #цифровой_ритейл #мониторинг_цен #data_science #machinelearning

Кривая эластичности в девелопменте и почему её не существует

Когда речь заходит об ожиданиях от динамического ценообразования (ДЦО), многие застройщики представляют себе безотказную машину, которая 24/7 мониторит спрос, в реальном времени выдаёт оптимальные цены, обеспечивает максимальную прибыль и заставляет конкурентов нервно курить в сторонке. Но, увы, суровая реальность напоминает, что не всё в жизни так просто. Эта статья — первая из серии, где мы разберёмся, как ДЦО может работать на вас, даже если пока кажется, что это больше головная боль, чем инструмент максимизации прибыли. В этом цикле мы разложим всё по полочкам: от теории и мифов до конкретных решений, которые действительно приносят деньги. Приготовьтесь: будет полезно, интересно и немного иронично. Для многих очевидно, что система ДЦО должна подстраиваться под изменяющийся спрос. Поэтому многие девелоперы в поисках максимальной прибыли сначала обратились к классике экономической мысли — вспомнили Курно , Маршалла , кривую спроса-цены и эластичность спроса . В идеальном мире эти инструменты показывают точное сочетание цены и объёмов продаж, которое можно использовать для нахождения «Святого Грааля» максимальной выручки. Однако в суровых реалиях девелопмента эта кривая эластичности работает не столь безотказно. На то есть три основные причины, три группы факторов, которые меняют кривую эластичности: 1. Внутренние факторы: играем на своём поле На первый взгляд, это самая понятная и предсказуемая категория. Всё, что зависит от девелопера, — от качества продукта до навыков продавцов и маркетинговых кампаний. Например, наняли суперагента, который одной фразой превращает «посмотрю позже» в «покупаю сейчас»? Поздравляем, вы только что изменили кривую спроса!

https://habr.com/ru/articles/886786/

#динамическое_ценообразование #недвижимость #недвижимость_и_цены #ценообразование

Как вовремя менять цены при росте курса доллара

Привет, Хабр! Сегодня расскажу, как оперативно обновлять цены в интернет-магазине, чтобы не оказаться в убытке. Для этого будем использовать CMS Битрикс24 в связке с сервисом рассылки SMS-уведомлений

https://habr.com/ru/companies/exolve/articles/882428/

#центробанк #курс_доллара #ценообразование #json #уведомления #matplotlib #битрикс24 #интернетмагазин #вебхуки #sms_api

Почему GDS лидируют в оптимизации авиаперевозок: пример увеличения прибыльности код-шера

Когда реальность не соответствует ожиданиям — это всегда неприятно. Особенно неприятно, если за ожидаемую реальность заплачены деньги: покупаешь билет одной авиакомпании, но по какой-то причине тебя сажают в самолет совсем другой авиакомпании. Затем делаешь пересадку, а тебя там сажают в самолет какой-то непонятной третьей авиакомпании. Что происходит? Ведь на руках билет авиакомпании, который приобретен как раз потому, что знаешь, чего от нее ожидать, но летишь все равно самолетами совсем других авиакомпаний. Вроде бы покупал билет у крупной и хорошо себя зарекомендовавшей авиакомпании, а уже на борту выясняется, что у этой авиакомпании есть региональные дочерние компании и филиалы, которые далеко не так хороши. Первое знакомство с код-шеринговыми рейсами может оказаться очень неприятным. Неужели авиакомпании не понимают, что такие действия могут заставить путешественников полностью изменить предпочтения? Негативный опыт быстро формирует навык более основательного подхода к оценке возможных альтернатив. Пассажиропотоки — как жидкость, которая течет в большем объеме там, где на ее пути меньше преград. В этом случае даже небольшое расхождение в оценках привлекательности рейсов авиакомпаниями и путешественниками может приводить к значительному перенаправлению пассажиропотоков. Снижение привлекательности рейса одной авиакомпании приводит к так называемому "розливу" части пассажиропотока. Другая авиакомпания может собрать разлитое, предложив более привлекательную альтернативу — сделать захват. Такая модель называется моделью розлива и захвата (сбора) пассажиропотоков и напрямую соотносит прибыль авиакомпаний с положительным опытом путешественников. Данная статья посвящена тому, как сделать код-шеринговые рейсы более привлекательными, а также неплохо на этом заработать (конечно же, не оставив конкурентов без внимания).

https://habr.com/ru/articles/833492/

#Планирование_продаж #Управление_доходами #Логистика #Авиация #ценообразование #алгоритмы #rms

Логистика. Часть 7. Максимизация прибыли: как подход через теорему Байеса поможет авиакомпаниям разбогатеть

В бизнесе именно неопределенность стоит у истоков всех проблем по оптимизации, данные же расположились у истоков решений всех этих проблем. В эпоху расцвета анализа данных и искусственного интеллекта это уже не новость, а прописная истина. Тем не менее существует целый ряд проблем, где данных либо крайне мало, либо нет вовсе. Когда речь заходит о системах управления доходностью (RMS), всегда подразумевается B2C, где много клиентов, а значит должно быть много данных. А как при этом быть с B2B, где количество клиентов за год может запросто исчисляться десятками или даже единицами?

https://habr.com/ru/articles/827102/

#Планирование_продаж #Управление_доходами #Логистика #Авиация #Ценообразование #Алгоритмы #rms

Математическая оптимизация для бизнеса. Часть 1. Пассажирские авиалинии

В рамках серии статей по применению математической оптимизации для решения задач в бизнесе мне хотелось бы кратко, но ёмко раскрыть причины и предпосылки возникновения потребности у бизнеса решений задач такого класса, а также привести конкретные примеры кейсов, которые успешно реализованы в крупнейших компаниях мира. В отдельности каждый кейс заслуживает не менее 50 страниц текста для полноценного описания, я же постараюсь изложить главную суть решений и некоторые технические особенности в формате статей на Хабре. Алгоритмы математической оптимизации относятся к категории Prescriptive – аналитики, наиболее сложного и ценного для бизнеса аналитического сегмента. Данная категория позволяет создавать сложные интеллектуальные системы принятия решения с целью максимизировать экономические, производственные и многие другие KPI в рамках заданных ограничений. Математическая оптимизация имеет своё применение в каждом из видов бизнеса любого масштаба, включая промышленность, производство, розничную торговлю, транспорт и логистика, телеком, агросектор, энергетика, строительство, финансы, банкинг, спорт, кино, медицина, образование и т.д. В текущей статье пойдет речь о задачах в индустрии пассажирских авиалиний.

https://habr.com/ru/companies/axenix/articles/816525/

#математическая_оптимизация #авиалинии #исследование_операций #оптимизация_для_бизнеса #milp #ценообразование #планирование_расписаний #machinelearning #ai