АНАЛИТИЧЕСКИЙ ОБЗОР АВТОМАТИЗИРОВАННЫХ МЕТОДОВ ПРОГНОЗИРОВАНИЯ ЦЕН В РОЗНИЧНОЙ ТОРГОВЛЕ
DOI:
https://doi.org/10.5281/zenodo.18048650Ключевые слова:
динамическое ценообразование, машинное обучение, ритейл, спрос, эластичность.Аннотация
Процесс ценообразования является ключевым для любой компании, так как позволяет непосредственно влиять на основные экономические показатели деятельности компании такие как объём продаж, прибыль, спрос на продукцию, запасы товарно-материальных ресурсов. Следовательно, данные показатели могут регулироваться с помощью грамотного изменения цен на товары. Ручное управление ценами в современных условиях хозяйствования сталкивается с рядом существенных ограничений, обусловленных возрастающей сложностью рыночной среды. По мере роста ассортимента продукции и географии продаж трудоёмкость процесса ручного ценообразования возрастает экспоненциально. Изменяющийся характер эластичности спроса требует постоянного мониторинга и корректировки ценовых стратегий. Динамическое ценообразование приобретает большую популярность среди ритейлеров, что требует разработки программного обеспечения и моделей для автоматизации ценообразования, в том числе с использованием машинного обучения. Современные методы анализа больших данных и машинного обучения позволяют компаниям более точно оценивать эластичность спроса в реальном времени, адаптируя ценовую политику к быстро меняющимся рыночным условиям. Алгоритмы машинного обучения позволяют компаниям лучше понять предпочтения клиентов, их поведение и составить модели покупок, тем самым облегчаются операции персонализированного маркетинга, включающие в себя целевые рекламные акции и индивидуальные предложения продуктов. Целью настоящего исследования является анализ существующих подходов к ценообразованию, изучение тенденции в ценообразовании на рынке ритейла, а также возможности применения методов машинного обучения в сфере ценообразования. Интеграция в бизнес-процессы ценообразования алгоритмов машинного обучения и анализа данных открывает новые возможности для повышения эффективности и точности прогнозирования, а также обеспечивает способность оперативной адаптации к динамичным рыночным условиям с учетом конкурентного окружения и поведенческих моделей потребителей.
Скачивания
Библиографические ссылки
1. Маренкова Ю.А. Принцип динамического ценообразования / Ю.А. Маренкова // Труды 80 й студ. науч.-практ. конф. РГУПС. – Воронеж, 2021. – Ч. 2. – С. 78–80
2. Рогулин Р.С. Обзор прикладных основ использования аналитики данных и машинного обучения в прогнозировании спроса / Р.С. Рогулин // Экономические и социально-гуманитарные исследования. – 2023. – № 3 (39). – С. 115—126. DOI: 10.24151/2409-1073-2023-3-115-126. EDN: HMWMTX.
3. Киселёва Е.Н. Ценообразование с учётом спроса потребителей / Е.Н. Киселёва, В.В. Длусская // Инновации и инвестиции. – 2022. – № 11. – С. 39–41.
4. Иваненко А.Р., Калабина Е.Г. Внедрение системы динамического ценообразования в ритейле: аналитический обзор практик российских компаний / А.Р. Иваненко, Е.Г. Калабина // Вестник Челябинского государственного университета. – 2024. – № 6 (488). – С. 172–179. DOI: 10.47475/1994-2796-2024-488-6-172-179.
5. Ценообразование: учебник и практикум для академического бакалавриата / И.В. Липсиц. – 4-е изд., испр. и доп. – М.: Издательство Юрайт, 2014. – 368 с.
6. Перекрестная эластичность спроса [Электронный ресурс]. – URL: https://www.semestr.ru/economic/ ks865.php (дата обращения 20.10.2025).
7. Ручное ценообразование против ценообразования с использованием искусственного интеллекта [Электронный ресурс]. – URL: https://www.unite.ai/ru/ (дата обращения 22.10.2025).
8. Комарова В.В. Динамическое ценообразование как современный метод продвижения малого и среднего бизнеса / В.В. Комарова // Управление организационно-экономическими системами: сб. тр. науч. семинара студентов и аспирантов института экономики и управления (22–27 ноября 2021 г.). Вып. 22 / под общ. ред. Д.Ю. Иванова. – Самара: Самар. ун-т, 2022. – С. 351–354.
9. Ban G.Y., Keskin N.B. Personalized dynamic pricing with machine learning: High-dimensional features and heterogeneous elasticity // Management Science. – 2021. – Vol. 67. – № 9. – P. 5549–5568.
10. Введение в рекомендательные системы [Электронный ресурс]. – URL: https://habr.com/ru/articles/476222/ (дата обращения 21.10.2025).
11. Chen K. et al. Dynamic pricing in the presence of reference price effect and consumer strategic behaviour // International Journal of Production Research. – 2020. – Vol. 58. – № 2. – P. 546–561.
12. Den Boer A.V., Keskin N.B. Dynamic pricing with demand learning and reference effects // Management Science. – 2022. – Vol. 68. – № 10. – P. 7112–7130.
13. Обучение с подкреплением для самых маленьких [Электронный ресурс]. – URL: https://habr.com/ru/ articles/308094/ (дата обращения 21.10.2025).
14. Как на самом деле работает динамическое ценообразование на авиабилеты [Электронный ресурс]. – URL: https://www.frequentflyers.ru/2022/09/26/dynamic_pricing/ (дата обращения: 21.10.2025).
15. Как работает динамическое ценообразование [Электронный ресурс]. – URL: https://retailrocket.ru/blog/ kak-rabotayet-dinamicheskoye-tsenoobrazovaniye/ (дата обращения: 21.10.2025).
16. Ритейл, который смог: как Walmart и Amazon зарабатывают с помощью ИИ [Электронный ресурс]. – URL: https://habr.com/ru/companies/minerva_media/articles/914302/ (дата обращения: 20.10.2025).
17. Варнухов А.Ю. Особенности ценообразования на маркетплейсах / А.Ю. Варнухов // Вестник Томского государственного университета. Экономика. – 2025. – № 69. – С. 164–182. DOI: 10.17223/19988648/69/9.
18. Цифровые технологии в X5 Retail Group [Электронный ресурс]. – URL: https://www.tadviser.ru/index.php/%D0%A1%D1%82%D0%B0%D1%82%D1%8C%D1%8F:%D0%A6%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8_%D0%B2_X5_Retail_Group (дата обращения: 20.10.2025).
References
1. Marenkova,Yu.A. (2021) The Principle of Dynamic Pricing In: Proceedings of the 80th Student Scientific and Practical Conference of the Russian State University of Railway Engineering. Voronezh. Part 2, pp. 78–80.(In Russian).
2. Rogulin R.S. (2023) [Review of the applied foundations of using data analytics and machine learning in demand forecasting]. Ekonomicheskie i sotsialno-gumanitarnie issledovaniya = Economic and socio-humanitarian research. 3 (39),115-126. doi: 10.24151/2409-1073-2023-3-115-126 EDN: HMWMTX. (In Russian).
3. Kiseleva, E.N. & Dlusskaya V.V. (2022) [Pricing Taking into Account Consumer Demand].Innovatsii i investitsii = Innovations and Investments. 11,39–41. (In Russian).
4. Ivanenko, A.R. & Kalabina, E.G. (2024) [Implementation of a Dynamic Pricing System in Retail: An Analytical Review of Russian Companies' Practices]. Vestnik Chelyabinskogo gosudarstvennogo universiteta = Bulletin of the Chelyabinsk State University. 6(488), 172–179. DOI: 10.47475/1994-2796-2024-488-6-172-179. (In Russian).
5. Lipsits, I.V. (2014) Pricing: Textbook and Workshop for Academic Bachelor's Degree 4th ed., revised and expanded. Moscow: Yurayt Publishing House.368 p. (In Russian).
6. Cross-elasticity of demand. Retrieved from: https://www.semestr.ru/economic/ks865.php (date of application: 20.10.2025). (In Russian).
7. Manual Pricing vs. Pricing Using Artificial Intelligence Retrieved from: https://www.unite.ai/ru/ (date of application: 22.10.2025). (In Russian).
8. Komarova, V.V. (2022) Dynamic pricing as a modern method of promoting small and medium-sized businesses In: Ivanov, D.Y. Management of organizational and economic systems: collection of scientific papers seminar of students and postgraduates of the Institute of Economics and Management, 22-27 November 2021, Samara, Samar. Univ. Issue 22, pp. 351-354. (In Russian).
9. Ban, G.Y. & Keskin, N.B. (2021) Personalized dynamic pricing with machine learning: High-dimensional features and heterogeneous elasticity In: Management Science. Vol. 67, 9, pp. 5549–5568.
10. Introduction to Recommendation Systems. Retrieved from: https://habr.com/ru/articles/476222/ (date of application: 21.10.2025). (In Russian).
11. Chen, K. et al. (2020) Dynamic pricing in the presence of reference price effect and consumer strategic behaviour In: International Journal of Production Research. Vol. 58, 2, pp. 546–561.
12. Den Boer, A.V. & Keskin, N.B. (2022) Dynamic pricing with demand learning and reference effects In: Management Science. Vol. 68, 10, pp. 7112–7130.
13. Reinforcement learning for the little ones. Retrieved from: https://habr.com/ru/ articles/308094/ (date of application: 21.10.2025). (In Russian).
14. How dynamic pricing for air tickets actually works. Retrieved from: https://www.frequentflyers.ru/2022/09/26/dynamic_pricing/ (date of application: 21.10.2025). (In Russian).
15. How dynamic pricing works. Retrieved from: https://retailrocket.ru/blog/kak-rabotayet-dinamicheskoye-tsenoobrazovaniye/ (date of application: 21.10.2025). (In Russian).
16. Retail that Could: How Walmart and Amazon Make Money with AI. Retrieved from: https://habr.com/ru/companies/minerva_media/articles/914302/ (date of application: 20.10.2025). (In Russian).
17. Varnukhov, A.Yu. (2025) [Features of Pricing on Marketplaces]. Vestnik Tomskogo gosudarstvennogo universiteta. Ekonomika = Bulletin of Tomsk State University. Economics. 69,164–182. DOI: 10.17223/19988648/69/9. (In Russian).
18. Digital Technologies at X5 Retail Group. Retrieved from: https://www.tadviser.ru/index.php/%D0%A1%D1%82%D0%B0%D1%82%D1%8C%D1%8F:%D0%A6%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D1%8B%D0%B5_%D1%82%D0%B5%D1%85%D0%BD%D0%BE%D0%BB%D0%BE%D0%B3%D0%B8%D0%B8_%D0%B2_X5_Retail_Group (date of application: 20.10.2025). (In Russian).
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
Статьи журнала «Новое в экономической кибернетике» находятся в открытом доступе и распространяются в соответствии с условиями Лицензионного Договора с Донецким Государственным университетом, который бесплатно предоставляет авторам неограниченное распространение и самостоятельное архивирование.
