Книга Признания мастера ценообразования. Как цена влияет на прибыль, выручку, долю рынка, объем продаж и выживание компании - Герман Симон

Общее название этой категории исследовательских методов – совмещенная оценка. Впервые его стали использовать в 1970-е годы. Как вы понимаете, с тех пор метод был усовершенствован благодаря новым знаниям и развитию вычислительных возможностей. Изобретение персонального компьютера стало поворотным моментом, так как, в отличие от стандартного бумажного опросника, он позволил адаптировать каждое исследование под каждого отдельного респондента. Программа, предлагающая варианты на выбор, адаптируется к предыдущим ответам респондента, чтобы каждая следующая альтернатива была сложнее. Этот адаптивный подход также позволяет воссоздать реальный опыт покупки и собрать еще более достоверные данные. Сегодня эти методы эффективно помогают менеджерам рассчитывать кривые спроса и оптимальные цены.

Ценовое тестирование

Сложные методы исследований блестяще имитируют опыт реальных покупок. Но это все-таки имитация. Всегда существует доля ошибки в любой модели исследования. Люди далеко не всегда ведут себя так, как говорят. Именно поэтому невозможно обойтись без так называемых «полевых» опытов. Компания систематически меняет реальную стоимость товаров на полках или онлайн и тщательно отслеживает реакцию потребителей на ценовые изменения. Возможность собирать реальные, достоверные данные – важное преимущество данного подхода. Раньше, кстати, проводить такие эксперименты в больших масштабах было крайне тяжело и дорого, то есть компании редко использовали полевые испытания для ценообразования. Современные технологии – такие, как сканирующие программы и онлайн торговля, – позволяют проводить тестирование быстрее, проще и дешевле, чем когда-либо. Думаю, в ближайшие годы они станут незаменимым инструментом ценообразования.

Миф о больших данных: как с помощью маркетинговых данных рассчитывать кривые спроса и ценовую эластичность

Заголовки важнейших бизнес-публикаций убеждают нас в том, что мы наконец-то живем в эпоху «больших данных». Я занимаюсь математической стороной экономики еще с колледжа, так что вы, возможно, думаете, что я рад расцвету этой новой, многообещающей эры. Однако моя реакция больше напоминает дежавю, чем радость.

Открытия в экономике 1970-х годов и стремительная эволюция и персонализация вычислительных способностей пробудили робкую надежду на то, что «большие данные» навсегда изменят маркетинг и ценообразование. Мы научились точно рассчитывать кривую спроса и ценовую эластичность, потому что наконец смогли отслеживать колебания в ценах, доле рынка и объеме продаж, быстро анализировать данные и использовать их для своей выгоды.

Однако большие надежды закончились разочарованием.

Разочарование не было связано с доступностью данных, их глубиной и многообразием или способностью «перемолоть» их. Разочарование вызывала актуальность этих данных. Мы проводим различие между свежими маркетинговыми данными с «живых» рыночных исследований, о которых мы говорили выше, и статистическими данными за прошлый период деятельности компании не в рамках конкретного эксперимента.

Еще в 1962 году Лестер Г. Телсер, профессор Чикагского университета, утверждал, что рыночные данные за прошлый период практически неактуальны для прогнозирования будущего поведения.[125] Причина – в значительных колебаниях. На рынке с высокой ценовой эластичностью, вероятно, разница между ценами конкурентов небольшая. Даже без точных расчетов конкуренты знают, что изменение цен может оказать большое влияние на объем продаж. Так что никто не рискует. Если одна компания изменит свои цены, остальные, скорее всего, последуют за ней, так что соотношение цен вряд ли изменится. С эконометрической точки зрения, можно сказать, что независимая переменная (цена) остается в слишком строгих рамках, чтобы позволить достоверно прогнозировать кривую спроса.

На рынке с низкой ценовой эластичностью действительно наблюдаются значительные колебания цен и ценовой разницы, но они мало влияют на объем продаж. В данном случае эксперт по эконометрике сказал бы, что независимая переменная (объем продаж) остается в слишком жестких рамках, чтобы верно подсчитать ценовую эластичность.

Simon-Kucher & Partners тоже питала большие надежды в период подъема «больших данных», и для нас урок оказался непростым. Когда мы основали фирму в 1985 году, мы планировали применять эконометрические методы к статистическому анализу рынка за прошлый период, чтобы принимать оптимальные ценовые решения. Сооснователь фирмы Экхард Кухер посвятил свою докторскую диссертацию этой теме. С тех пор фирма реализовала более 5000 проектов по ценообразованию во всех основных отраслях, и я бы сказал, что примерно в 100 проектах мы использовали эконометрику как ключевой метод. Профессор Телсер был прав.

Я бы дополнил его наблюдения своим собственным выводом. Я заметил, что компании уделяют меньше внимания ценообразованию, когда дела идут в гору и рынок стабилен. Нужны значительные структурные изменения на рынке – появление нового конкурента, уход конкурента, появление новых технологий или каналов распространения, чтобы вынудить компании уделить внимание ценам, провести анализ или пригласить консультанта. Такое происходит, когда истекает срок действия фармацевтических патентов, и на рынок выходят непатентованные средства; когда физические товары продаются по Интернету, или когда компании агрессивно внедряют новые каналы распространения. Когда происходит такое структурное изменение, статистические маркетинговые данные не дают никаких надежных сведений о настоящем и будущем поведении потребителей. Следствие этих наблюдений касается цен на новые товары, которые тоже зачастую представляют собой «структурный прорыв». Если вы рассчитываете цену на новый товар, например Apple iPhone, то статистические данные за прошлый период в лучшем случае принесут незначительную пользу, а в некоторых случаях – вообще никакую.

За многие годы работы я обнаружил, что сочетание методов, о которых мы говорили, дает самый надежный результат. Ни один метод сам по себе не обладает таким количеством преимуществ, чтобы рекомендовать именно его. Когда один метод проверяет другой, это дает определенный диапазон данных, которые можно использовать, чтобы свести к минимуму количество вариантов. Если все методы показывают одинаковые тенденции и результаты, можно с полной уверенностью говорить о том, что вы правильно определили то, как клиенты отреагируют на ценовые изменения, а цена, которую вы выбрали, действительно оптимальная.

Итак… а как же цены конкурентов?

В большинстве предыдущих примеров я максимально все упростил, чтобы объяснить вам основную мысль. Для этого мы исключили целую тему – как конкуренты отреагируют на ваши действия. В контексте ценовых решений возникают две сложности, когда мы учитываем реакцию конкурентов: количественный эффект ценовых изменений конкурентов на ваши продажи и качественная задача – определить, как отреагируют конкуренты. Первое сравнительно легко объяснить и подсчитать, а со вторым будет сложнее.