A dinamikus árazó modellünk lényege, hogy levegyük a válladról az árképzés terhét, és olyan döntéseket hozzunk helyetted, amit emberként már nem lehet pontosan, következetesen és hosszú távon jól megoldani.
A dinamikus árazó modell egy olyan matematikai rendszer, amely:
rendszeres időközönként (pl. óránként, 6 óránként, naponta) optimalizálja a termékeid árait,
minden terméknél azt keresi, hogy hol a legtöbb profitot termelő, stabil ár
úgy módosítja az árakat, hogy közben a vásárló fair, érthető, optimális árakkal találkozzon.
Nem ígér végtelen profitot. A végeredményt továbbra is befolyásolja:
mennyire jó áron szerzed be a termékeket,
mennyire átgondoltak a bolt működési költségei,
milyen a marketing és a forgalom.
Amit viszont ígérhetünk: az adott helyzetből a lehető legtöbbet hozzuk ki matematikailag,
következetesen, emberi hiba és hasraütés nélkül.
Képzeld el, hogy három terméked ára így néz ki:
Mit látunk ebből?
Termék 1: kicsit csökkentjük az árat → olcsóbb, több vevő, összességében több profit.
Termék 2: emeljük az árat → az adatok azt mutatják, hogy ennyit is hajlandóak fizetni érte, fölösleges olcsóbban adni.
Termék 3: jelentősebb emelés → valószínűleg eddig aluláraztad.
A modell nem “akciózásgépet” játszik, és nem is mindig csökkent – oda viszi az árat, ahol több pénzt keresel úgy, hogy a vevő is elégedett marad.
Jogos a kérdés:
„Nem lenne jobb, ha stabil árakkal dolgoznék? Nem zavarja ez a vevőket?”
Emberileg eldönthetetlen, hol az optimális ár.
Már pár terméknél sem átlátható, hogy melyik hol termelne több profitot.
Több száz vagy ezer terméknél már teljességgel lehetetlen.
Nézzünk meg egy terméket.
Az alábbi táblázatban láthatóak az eladási adatok:
Mit gondolsz?
Ezek alapján biztosan meg tudnád mondani, hogy a következő időszakban:
emelni kellene az árat vagy csökkenteni?
ha igen, pontosan mennyivel?
és ezt hogyan indokolnád, nem csak megérzésre?
Emberként itt már csak tippelni tudunk.
A fix ár kényelmes, de nem optimális.
Nem reagál a kereslet változására, szezonalitásra, kampányokra, inflációra.
A piac folyamatosan mozog.
Karácsony, Black November, Black Friday, húsvét, trendek, konkurencia, logisztikai változások.
Ezeket kézzel lehetetlen folyamatosan jól lekövetni.
Akciózás emberi alapon szinte kezelhetetlen.
Nem tudod:
mikor akciózz,
mennyivel akciózz,
meddig akciózz,
és közben ne rombold a márka hitelességét.
A modell ezeket a problémákat oldja meg:
win-win szemlélettel dolgozik:
neked több, stabilabb profit,
a vevőnek érthető, korrekt ár,
és közben nem megy bele árletörésbe, nem gyárt felesleges „-70%” sokkokat.
Fontos: a modell NEM árletörésre épít, nem húzza le a piacot, hanem rendezettebbé teszi.
A saját modellünk fejlesztése előtt több hónapon át elemeztük a piacon elérhető árazó megoldásokat (szabályalapú rendszerek, konkurens figyelő, A/B tesztelő, AI/ML árazó). A következtetésünk egyértelmű volt: ezek nem alkalmasak arra, hogy hosszú távon stabil, bizonyíthatóan jó árakat adjanak.
Szabályalapú és A/B tesztelő rendszerek
kézzel kell kitalálnod a szabályokat → ugyanaz a teher, csak bonyolultabb felületen,
nem tanul a valós vásárlói viselkedésből,
ha változik a piac, könnyen rossz irányba húz,
minden webshop más, mégis ugyanazt a sablont erőlteti.
Eredmény: sok beállítás, kevés valódi optimalizáció.
Versenytárs-figyelő rendszerek
árverseny spirált indít: mindenki lejjebb megy, az árrés eltűnik,
figyelmen kívül hagyja a saját adataidat (márka, vevőid fizetőképessége),
más rossz döntéseit másolja, nem optimumot keres,
hosszú távon árrombolásba és bizalomvesztésbe visz.
Eredmény: nem nyersz, csak lassabban veszítesz.
Klasszikus „AI” / ML árazók
túl sok paraméter, túl kevés adat → túlillesztés, a múltat bemagolják, a jövőben bizonytalanok,
érzékenyek hiányos, zajos adatokra - az eladási adatok pedig nagyon zajosak,
instabil, ugráló árakat ad, vagy egyszerűen véletlenszerű döntéseket hoz.
Eredmény: látványosnak tűnik, de nem ad megbízható, átlátható döntést.
Ha csak te használod a modellt:
Nem sodródsz bele az árletörő spirálba. A modell nem a konkurens áraihoz igazodik, hanem a saját vevőid viselkedéséből számolja ki az aktuális optimumot.
Eredmény: nagyobb, stabilabb profit, kevesebb felesleges akció – alávágás nélkül.
Ha a konkurensek is használni kezdik:
Ez neked még jobb. A Nash-egyensúly logikája miatt a rendszer nem egymás alá ígér, hanem mindenkinek a saját profitmaximumát keresi. A piac kifelé rendeződik az árspirálból, és felfelé, az optimális ársávba áll be – ahol tartható a nyereség és stabil a kereslet.
Nem összebeszélés: nincs adatcsere, mindenkinek külön, függetlenül számolunk; az egyensúly természetes piaci kimenet.
„Elszállnak az árak?” Nem.
Az árakat a kereslet felső korlátja fogja. A mai piac az árletörés miatt jellemzően az optimum alatt működik; a modell ezt visszatereli az ismeretlen, de létező optimális sávba.
Összefoglalva:
Egyedül is nyersz – és minél többen használják, annál gyorsabban hal ki az árháború, a piac pedig az igazi profitot adó egyensúlyi árakhoz konvergál, koordináció nélkül.
Három dolog kell:
Beszerzési ár (bruttó)
Aktuális eladási ár (bruttó)
Az elmúlt 12 hónap eladási adatai:
mikor történt az eladás,
milyen áron,
hány darab.
Egy egyszerű példa:
A modell megnézi, milyen árakon vették eddig a terméket és milyen időközönként.
Meghatároz egy következő lépést, amellyel közelebb megy az optimális árhoz.
Ezt a lépést óránként / naponta / választott időközönként megismétli, amíg be nem áll egy stabil, jó tartomány.
Ha nincs beszerzési ár → az adott terméket nem optimalizáljuk.
Van tiltólista: ide kerülhet minden fix áras termék, gyártó által meghatározott ár, stb.
A beszerzési ár minimum árként szolgál: a modell semmilyen körülmények között nem megy ez alá.
És mivel a cél a profit, a modell jellemzően nem fog a beszerzési ár közelébe „lekúszni”,
hiszen az neki is „rossz üzlet”.
A rendszer futtatása közben az adataidat a lehető legbiztonságosabban kezeljük:
az adatokat nem tároljuk,
miután az új árak visszaíródtak a boltodba, a futtatási környezet és az adatok törlődnek.
Ha extra biztonságot szeretnél, akkor a termékek azonosítóit (SKU, Cikkszám) előre, egyirányú kódolással (hash) is átalakíthatod, és már csak így, „olvashatatlan” formában küldheted el nekünk.
Ez azt jelenti, hogy:
mi nem látjuk, hogy a „Termék 1” valójában melyik konkrét termék a boltodban,
és az egyirányú kódolás miatt senki nem tudja visszafejteni az azonosítókból az eredeti termékeket.
Példa:
tegyük fel, hogy a bolt neve: „Bolt 1”, az egyik termék neve pedig: „Termék 1”.
ahelyett, hogy a táblázatban termék azonosítóként „Termék 1” szerepelne,
a boltod egy egyirányú kódolási függvénnyel (hash) átalakítja az azonosítót, és már csak így küldi el nekünk: „146532e9958445fd666928434c1bcb4c0884f56cd53cbb2c0a6d405534da3522”
Mi tehát csak azt látjuk, hogy van egy „146532e9958445fd666928434c1bcb4c0884f56cd53cbb2c0a6d405534da3522” nevű tétel, de azt nem tudjuk visszafejteni, hogy ez a „Bolt 1” boltban a „Termék 1”.
Az Amazon kb. 7 percenként frissít – ez mutatja, mennyire fontos a dinamika.
Mi az esetek nagy részében óránkénti optimalizálást ajánlunk.
Lehetőség van:
óránkénti lépésközzel bármilyen beállításra (1 óra, 2 óra, 4 óra, 13 óra, 18 óra, stb.),
naponta,
hetente futtatni – a rendszered frissítési képességeihez igazítva.
Nem okoz problémát. A hirdetési szolgáltatások (Google Merchant Center, Facebook Meta, stb.) képesek automatikusan frissíteni az árakat amint azok megváltoztak a boltban. Ha erre a gyakori frissítésre nincs lehetőség, akkor a hirdetési felület legkisebb frissítési sebességére kell beállítani az optimalizálást.
Példa:
ha a Google Merchant Center 6 óránként frissíti az árakat,
akkor a modellt is 6 óránként futtatjuk,
így a hirdetésben és a webshopban szereplő ár összhangban lesz.
Különösen fontos :
a modell nem kiváltja, hanem megerősíti a hirdetéseidet,
a hirdetési kampányok a modell használata közben is folyamatosan fussanak.
Nem. És ez nagyon fontos. A rendszer nem írja át minden körben az összes árat.
Ha egy terméknél már megtalálta az optimális árat, és az továbbra is jól teljesít, változatlanul hagyja – akár sok futáson keresztül.
Csak akkor nyúl bele, ha az adatok alapján erre valódi ok van:
lassul az eladás,
változik a kereslet vagy a szezon,
látszik, hogy egy kicsit magasabb vagy alacsonyabb ár több profitot hozna,
szükség van kontrollált, rövid ideig tartó „akciós” árszintre, hogy megmozgassa a keresletet.
Tehát: stabil ott, ahol jó az ár – intelligensen változik ott, ahol pénzt hagynál az asztalon.
A modell sokszor nem „szép kerek” árakat ad, hanem:
14.76
1327
2593 stb.
Beépítettünk:
pszichológiai (9-re végződő) kerekítést (pl. 1439, 1.99),
0-ra vagy 5-re végződő kerekítést (pl. 1405, 120),
de ezek használatát csak speciális esetekben javasoljuk.
Kutatásaink alapján:
online vásárlásnál az ár végződése érdemben nem befolyásolja a döntést,
fontosabb az, hogy az ár logikus, következetes és versenyképes legyen.
Az árak pszichológiai kerekítésének az offline (valós boltok) esetében lehet még létjogosultsága, bár ezt semmilyen kutatás nem igazolta számunkra. Ha szeretnéd, a modell tud alkalmazkodni a kívánt megjelenéshez – de a profit szempontjából a „szép szám” másodlagos.
Vannak termékek, amelyek újak, vagy egyszerűen még nem volt rájuk vásárlás. Emberileg ilyenkor általában:
„érzésre” belövünk egy árat,
és várunk – hetekig, hónapokig – anélkül, hogy bármit tanulnánk belőle.
A modell ezzel szemben tudatosan felderít:
kiszámol egy árintervallumot (range-et), amely ezen a terméken reálisan szóba jöhet,
ezen belül véletlenszerűen választ árakat a futások során.
Ez nem hiba, hanem információelméleti szempontból a legjobb stratégia: így tudjuk a leghatékonyabban feltérképezni, hogy a vevők milyen árat fogadnak el.
Példa:
A termék induló ára: 15 000 Ft, még nincs eladás.
Az első optimalizáláskor a modell 18 000 Ft-ot javasol.
Első ránézésre mondhatod: „Ez túl magas, így senki nem veszi meg.”
De valójában nem tudjuk: lehet, hogy megvennék ezen az áron is. Ezt fel kell deríteni.
Ha továbbra sincs eladás, a következő futásnál a modell például 12 600 Ft-ot ajánl.
Ez egy alacsonyabb ár, megnézzük, hogy ezen az árszinten elindul-e a kereslet.
A lényeg:
emberileg nem tudjuk, hol van az az ár, amit a vevők elfogadnak,
ezért a modell az elején tudatosan próbálkozik mind magasabb, mind alacsonyabb irányban,
amint legalább két eladás történik, már elegendő információ van ahhoz, hogy a rendszer:
elhagyja a „felderítő” szakaszt,
és precízen, stabilan optimalizálja a termék árát.
Így az új termékeknél nem vaktában lövöldözünk, hanem gyorsan, kontrolláltan megtaláljuk azt az árszintet, ahol a legtöbb profitot hozza – anélkül, hogy hónapokat veszítenél rossz induló árral.
Emberileg lehetetlen az akciózás:
az optimális akciós árat nem ismerjük,
nem tudjuk mikor kéne akcióznunk
nem tudjuk mennyi ideig akciózzunk,
a piacon megszokott akciózás sokszor káros:
Eredeti ár: 2500 → Akciós ár: 1500: a vevő azt érzi, eddig túlárazva volt.
Minden „piros” és akciós: azt üzeni, bajban a bolt.
Rossz terméket, rosszkor, rossz mértékben akciózunk → elbukott profit.
A mi modellünk másképp működik:
nem külön „akciós ár” táblázattal trükközik,
hanem a termék árát úgy módosítja, hogy:
épp annyit csökkenjen, amennyi fellendíti az eladást,
épp addig maradjon lent, ameddig szükséges,
közben ne rombolja a márkát és ne keltsen bizalmatlanságot.
A modell:
tudja, mikor érdemes belenyúlni az árba,
tudja, mekkora módosítás indokolt,
és pont addig tartja az „akciós” szintet, amíg az hasznot hoz.
Teher le a válladról → kontrollált, adatalapú akciózás.
A beszerzési ár nálunk:
minimális határ, ez alá nem megyünk,
ebből indulunk ki, erre építünk.
Nem javasoljuk, hogy:
a bolt összes fenntartási költségét, bérköltségét, rezsijét, szállítását „ráöntsd” a beszerzési árra.
Példa:
Termék 1 beszerzési ára: 1340
Kitalálod, hogy minden költséggel együtt legyen 1540.
De lehet, hogy a termék optimális eladási ára 1450 lenne.
Ha 1540-et adsz meg beszerzési árnak, a modell nem tud lemenni 1450-re,
mert azt hiszi, veszteség lenne.
Ezzel valójában:
elzárod előle a jó megoldást,
és azt üzened: „ez a termék drágán lett beszerezve vagy rosszul tervezve”.
A modell:
nem varázsol,
nem tudja kijavítani a rossz beszerzési árat vagy rossz költségstruktúrát,
abban segít, hogy a meglévő helyzetből kihozza a maximum profitot.
A bolt üzemeltetési költségei nem szólhatnak bele a termékek árazásába.
A modell nem tud végtelen szintű profitot termelni, ezért a rossz költségtervezés hibáját és a nem optimális beszerzési árral rendelkező termékekből adódó alacsony árréssel való operálást nem fogja tudni kiküszöbölni.
A fix költségek tervezése a tulajdonos feladata, mi az árképzést tesszük rendbe.
Nem engedjük rá azonnal az egész boltodra. Három lépésben dolgozunk:
Level 1 - technikai teszt
a modell kiválaszt néhány (jellemzően 2–20) leggyorsabban forgó terméket,
ezen kiválasztott termékekhez szükséges felvinni a beszerzési árakat,
egy napig csak ezeket optimalizáljuk,
közben veled együtt ellenőrizzük az adott termékek árazását.
Level 2 - mérés
Level 1 termékei + a modell ismét választ a leggyorsabban forgó termékek közül (jellemzően 5–50 erős termék),
ezen kiválasztott termékekhez szükséges felvinni a beszerzési árakat,
elvégezzük a mérést ami pár héttől egészen pár hónapig is eltarthat a termékek forgási sebességétől függően.
ha a termékek forgási sebessége nagyon lassú (napi egy eladásnál lassabb), akkor javasoljuk a Level 3-ra való lépést, hogy gyorsabban kapjunk mérési eredményt
Level 3 - teljes optimalizálás
a teljes termékpaletta optimalizálását bekapcsoljuk.
Így:
kockázat nélkül, kicsiben bizonyítunk,
átláthatóan megmutatjuk, mit csinál a modell,
és csak akkor lépünk tovább, ha az eredmény egyértelműen látszik.
Az üzlet teljesítményének korrekt mérése emberileg rendkívül összetett feladat. A legtöbb tulajdonos ösztönösen, egyszerű összehasonlításokkal dolgozik – „több volt-e a bevétel, mint múlt hónapban?” –, miközben nem veszi figyelembe a piac hatásait: szezonális ingadozások, infláció, fogyasztói hangulat, külső események.
Ezek nélkül a szempontok nélkül a mérés szinte mindig torz képet ad: úgy tűnhet, hogy a bolt jobban vagy rosszabbul teljesít, miközben csak a környezet változott.
Mi a méréseknél egyben kezeljük az üzlet saját teljesítményét és a piaci hatásokat, és olyan professzionális, statisztikailag megalapozott módszereket használunk, amelyek kiszűrik a véletlent és a külső zajt. Komplex valószínűségi eloszlásokon alapuló hipotézisvizsgálatot használunk, hogy az információs zajból „kilássunk”, és meg tudjuk állapítani, hogy egy növekedés véletlenszerűségből jön-e, vagy ténylegesen az optimalizálás hatása.
Az új mérési technikánk egyik legnagyobb előnye, hogy akkor is tudunk korrekt hatást mérni, amikor már a teljes termékpaletta optimalizálás alatt áll – vagyis nem szükséges külön kontrollcsoport, nem kell mesterségesen „érintetlenül hagyott” termékeket fenntartani csak a mérés kedvéért.
Ennek eredménye: valódi, bizonyítható, üzleti döntésekre alkalmas teljesítménymutatók, akkor is, ha közben a piac vagy a költségek változnak.
Nettó profit / nap (rendelésekből számolva)
Profit stabilitás (az ingadozás csökkenése)
Relatív teljesítmény a piachoz képest
ha a piac esik, te mennyivel esel kevesebbet,
ha a piac nő, te mennyivel nősz nagyobbat.
Piac- és költségkörnyezethez igazított teljesítmény
ha a beszállítói költségek emelkednek, de ugyanazt vagy jobb profitot érsz el, az objektíven erősebb teljesítmény,
a növekedés-számításunk ezt figyelembe veszi, nem „büntet” pusztán a drágulás miatt.
Két egymást erősítő módszert használunk, immár kontrollcsoport fenntartása nélkül:
Előtte–utána (időbeli) mérés, permutációs hipotézisvizsgálattal
összevetjük az optimalizálás előtti és utáni, azonos hosszúságú időszak profitját,
a permutációs teszt megmondja, mekkora az esélye annak, hogy a különbség csak véletlen,
a számítás figyelembe veszi a piaci mozgásokat és a költségkörnyezet változását is.
Dinamikus, kontrollcsoport nélküli összehasonlítás
nem kell külön „nem optimalizált” termékcsoportot fenntartani,
a teljes bolt viselkedését vizsgáljuk, és statisztikai módszerekkel választjuk szét azt,
ami a piac, és azt, ami valóban az árazási modell hatása,
így akkor is tudunk mérni, amikor már minden termék a modell által optimalizált környezetben fut.
Ne állítsd le a hirdetéseket az optimalizálás előtti és a mérés alatti időszakban.
Lehetőleg ne változtass a logisztikán, akciózási politikán, kategóriakínálaton.
Ideális: legalább 1 hónap stabil bázis az indulás előtt.
Ha a beszállítói költségek közben változnak, a mérés ezt kezeli – de minden egyéb tényezőt érdemes minél stabilabban hagyni.
Lényeg: nem „több-e a bevétel, mint múltkor” alapon mérünk, hanem piac-korrigált, statisztikailag igazolt módon mutatjuk meg, mennyit hoz a modell – akár negatív piacon, emelkedő költségek mellett is.
Egy bolt számára a legnagyobb érték, ha pontosan tudja, mi működik és mi nem – ezt a bizonyosságot adjuk mi.
A modell stabil infrastruktúrán fut (Google Cloud), skálázható, megbízható.
Mindig arra törekszik, hogy az árakat jobb optimum felé mozgassa.
Követi a mikro- és makrotrendeket, szezonalitást, folyamatosan alkalmazkodik.
Kifejezetten dinamikus árazásra fejlesztett rendszer, nem melléktermék.
Mérjük a hatását:
automatikus riportokat készítünk,
megmutatjuk, mekkora plusz profit származik a modellből,
termékpontozással jelezzük, mely termékek húzzák a boltot, és melyek ártanak neki.
Az emberi árképzés ma már kevés. Túl sok adat, túl gyors piac, túl sok érzelem.
HONAMA dinamikus árazó modell ezt váltja le egy olyan rendszerrel, amely:
számszerűen mérhetően jobb,
tisztességes a vevővel,
átlátható a tulajdonosnak,
és nem ígér csodát – csak kézzel elérhetetlen pontosságot.
Fontos kiemelni, hogy a modell nem csak növekvő piacon működik jól, hanem akkor is, amikor a piac esik.
A legtöbb egyszerű mérés itt hibázik: ha a forgalom vagy a profit csökken, azt automatikusan kudarcként értékelik, miközben lehet, hogy a piac ennél sokkal rosszabbul teljesít.
Példa:
ha a piac összességében 20%-ot esik,
de a te boltod a modell használatával csak 10%-ot,
akkor ez nem „csak” kisebb veszteség, hanem 10 százalékponttal jobb teljesítmény, mint a piac,
Másképp fogalmazva, egy olyan környezetben, ahol mások 20%-ot buknak, te 10%-kal valójában nyersz hozzájuk képest.
Biocity Hungary Kft. (Szeged, bio termékek, 3200+ aktív termék):
a dinamikus árazás indulása után egy 8 napos időszakban
+52% nettó profit növekedés az előző 8 naphoz képest,
közel 3 hónap távlatában 2,8x-os profit a korábbi azonos időszakhoz mérve,
ami kb. 62% átlagos havi profitnövekedés,
a statisztikai elemzés szerint a hatás >95% valószínűséggel nem a véletlennek köszönhető.
Ez nem elméleti ígéret, hanem éles adat.
