Kuluttajille on tyypillistä pyrkiä löytämään paras hinta-laatusuhde tehdessään ostopäätöksiä. Tämän vuoksi he vertailevat tuotteiden ominaisuuksia ja hintoja useiden eri myyjien välillä yleensä hakukoneiden avulla ennen ostopäätöstään ja pelkästään suomessa tehdään päivittäin yli 30 miljoona hakua. Esimerkiksi suomalaiset asiakkaat vertailevat hintoja usein eurooppalaisista verkkokaupoista ja jopa Kiinasta asti. Näin ollen internet on tehnyt tuotteiden ja hintojen vertailusta ennennäkemättömän helppoa. Internetin myötä kuluttajakaupan kilpailusta on myös tullut yhä globaalimpaa.

Verkko-ostajat ovat tutkitusti keskimäärin hintaherkempiä kuin kivijalkakauppojen asiakkaat (Degeratu et al, 2000), joten hinnoitteluratkaisut ovat tärkeässä roolissa digitaalisessa kaupassa. Pysyäkseen mukana asiakkaiden valintaprosessissa yrityksen on oltava kilpailukykyinen hintojen, tuotevalikoiman sekä palvelukyvyn suhteen. Useat verkkokaupat hyödyntävät dynaamista, eli usein vaihtelevaa, hinnoittelumallia kiinteän hinnan sijaan vastatakseen tähän haasteeseen.

Verkkokaupan nopea yleistyminen antaa kauppiaille mahdollisuuden hyödyntää aiempaa laajemmin digitaalista asiakasdataa markkinointinsa tehostamiseen mm. tarkan kohdentamisen, personoinnin sekä dynaamisen hinnoittelun keinoin. Asiakkaiden ostohistoriaa algoritmien avulla analysoimalla voidaan arvioida, kuinka paljon kukin asiakassegmentti tai jopa yksittäinen asiakas on valmis maksamaan myytävistä tuotteista ja palveluista eri tilanteissa. Tätä informaatiota voidaan hyödyntää hinnoittelun tehostamisessa ja muilla markkinoinnin osa-alueilla kuten myynnin konversio-optimoinnissa.

Siirtyminen dynaamiseen eli joustavaan hinnoitteluun voi lisätä verkkokaupan myyntiä ja kannattavuutta toimialasta riippuen 8–25 % (Sahay, 2007). Schlosser & Boissier, (2018) pystyivät nostamaan tutkimuksessaan myynnin kannattavuutta yli 20 %. Wun, Lin ja Da Xun (2013) tutkimuksen mukaan dynaaminen satunnainen hinnoittelu voi tuoda jopa 33 % enemmän voittoa kuin staattinen hinnoittelu. Dynaaminen hinnoittelu hyödyntää asiakkaiden toisistaan poikkeavia tarpeita ja hintaherkkyyttä auttaen myymään juuri oikeat tuotteet oikeaan hintaan ja aikaan kullekin asiakkaalle (Kimes, 2002).  Dynaamisen hinnoittelun avulla voidaan ohjata myös rajallisten resurssien kysyntää normaalisti hiljaisemmille ajanjaksoille ja säätää kapasiteetin käyttöastetta yrityksen tarpeiden mukaan (Sahay, 2007).

Dynaamista hinnoittelua käyttävät yritykset säätävät hintojaan aktiivisesti ja usein automaattisesti markkinatilanteen muutosten perusteella. Hintoja muokataan mm. kysynnän ja tarjonnan muutosten, alueellisten hinta- ja kysyntäerojen, kilpailijoiden hintojen ja asiakkaiden ominaisuuksien, käyttäytymisen ja maksuhalukkuuden mukaan pyrkien maksimoimaan myynnin määrä ja tuotot eri kysyntätilanteissa (Kannan & Kopalle, 2001). Dynaamisen hinnoittelun pioneereja ovat olleet lentoyhtiöt ja hotelliketjut ja nykyisin se on levinnyt kaikkialle digitaaliseen liiketoimintaan Uberista eri alojen verkkokauppoihin.

Aiemmin aktiivinen hintapolitiikka on ollut vaikeaa ja kallista ja käytännössä mahdollista vain suurimmille yrityksille. Tekoälyn, koneoppimisen ja ohjelmistorobotiikan kehittyminen ja halpeneminen ovat muuttaneet tilannetta. Niiden mahdollistama edullinen aktiivinen ja ympärivuorokautinen markkinoiden hintaseuranta sekä nopea ja automaattinen hintojen säätäminen ovat lisänneet merkittävästi verkkokauppojen siirtymistä dynaamiseen hinnoitteluun.

Dynaaminen hinnoittelu perustuu siihen, että tuotteesta saatavissa oleva paras hinta vaihtelee ajankohdan ja asiakkaan mukaan. Dynaaminen hinnoittelu perustuu hintaporrastukseen. Tämä tarkoittaa sitä, että yritys myy samaa tuotetta eri hinnalla eri ajankohtana tai eri asiakkaille. Kysynnän määrään perustuva hintaporrastus tarkoittaa sitä, että hinta on halvempi silloin, kun kysyntää on vähemmän ja korkeampi puolestaan silloin kun kysyntä on vilkasta.

Hintaporrastus voi perustua myös siihen, että eri asiakkaat ovat valmiita maksamaan samasta tuotteesta eri hinnan. Jos hinta olisi kaikille sama, osa asiakkaista jättäisi tuotteen ostamatta ja osa taas olisi valmis maksamaan siitä enemmän, jolloin yritys ei saavuttaisi parasta mahdollista kannattavuutta. Oheinen kuvio havainnollistaa dynaamisen ja staattisen hinnoittelun tuottoeroja. Hintaporrastukseen perustuvan dynaamisen hinnoittelun tavoitteena on saada lisämyyntiä, parantaa kannattavuutta sekä ohjata kysyntää hiljaisiin ajankohtiin, jolloin yritys saa tasoitettua tuotantokapasiteettinsa käyttöastetta. Kysynnän vaihteluihin ja asiakkaiden erilaiseen hintaherkkyyteen pohjautuvaa dynaamista hinnoittelua käytetään usein samanaikaisesti.

Dynaaminen hinnoittelu voi lisätä myyntiä ja kannattavuutta toimialasta riippuen 8–25 %.

Dynaamisessa hinnoittelussa voidaan erottaa ainakin kolme erilaista toimintamallia. Ensimmäisessä mallissa tuotteet tai palvelut hinnoitellaan yksilöllisesti asiakkaille heidän maksuhalukkuutensa mukaan. Tällöin hyödykkeet myydään niille asiakkaille, jotka ovat niistä valmiita maksamaan eniten. Hinnan määrittelyssä voidaan käyttää esimerkiksi huutokauppaa parhaan tuoton saamiseksi.

Toisessa mallissa tuotteet ja palvelut hinnoitellaan asiakassegmenteittäin yleensä segmentin yritykselle tuottaman hyödyn mukaisesti. Tämä hyöty voi olla taloudellinen tai imagollinen. Guptan ja Pathakin (2014) mukaan dynaamista hinnoittelua käytettäessä voidaan eri segmenteille asettaa alussa omat hintatasonsa esimerkiksi niiden ostovoiman perusteella. Kun segmenttiin kuuluvat asiakkaat tekevät ostoksia, antaa se tietoa esimerkiksi koko segmentin hintaherkkyydestä. Ostokäyttäytymisen ennustamisvaiheessa määritellään hyödykkeiden segmenttikohtaiset hinnat ennustamalla, kuinka todennäköisesti segmenttiin kuuluvat asiakkaat ostavat eri tuotteita ja palveluita tietyillä hinnoilla.

Kolmannessa mallissa tuote tai palvelu hinnoitellaan yksilön ostokäyttäytymisen mukaan. Tällöin esimerkiksi asiakkaiden ostomäärä tai hintaherkkyys vaikuttaa heille myytävien tuotteiden ja palveluiden hinnoitteluun. Koneoppimisella voidaan hakea tietoa asiakaskunnan ja yksittäisen asiakkaan mieltymyksistä ja käyttäytymisestä, ja selvittää, kuinka paljon asiakkaat ovat valmiita maksamaan tietystä hyödykkeestä. Tuote hinnoitellaan asiakassegmentin hyväksytyn hintahaarukan yläpäähän ja sitä kautta pyritään maksimoimaan kate. Koska segmentit ja asiakkaiden ostokäyttäytyminen muuttuvat ajan myötä, vaihtelevat myös hinnat. Asiakaskunnan ostokäyttäytymisen analysointi, asiakasprofilointi ja parhaiden asiakkaiden tunnistaminen ovat edellytyksenä jatkuvan asiakas- ja segmenttikohtaisen hinnoittelun käyttöönottamiselle.

Asiakasdatan hyödyntäminen hinnoittelussa ja konversio-optimointi

Segmentti- ja asiakasperusteinen dynaaminen hinnoittelu edellyttää yleensä asiakkaiden profilointia. Asiakasprofiloinnin alussa on tärkeää kerätä asiakkaasta mahdollisimman paljon tietoa mahdollisimman monesta lähteestä profiloinnin perustaksi.

Profilointia tehdään yleensä seuraavilla kolmella eri tavalla. Ensimmäinen tapa on kerätä asiakkaan itse antamat tiedot. Tietoja saadaan asiakkaalta, kun hän esimerkiksi rekisteröityy verkkokauppaan ja täyttää vaadittavat henkilökohtaiset tietolomakkeet. Toinen tapa on kerätä tietoa julkisista datalähteistä, kuten sosiaalisesta mediasta ja julkisista rekistereistä, kuten verottajalta. Kolmas tapa on käyttäjän tekninen jäljittäminen evästeiden tai selaimen tunnistamisen avulla. Kerättyä asiakastietoa voidaan käyttää dynaamisen hinnoittelun perusteena, mikäli tunnistetaan, että eri profiilin omaavilla asiakkailla on erilainen hintaherkkyys ja ostokäyttäytyminen.

Asiakkaiden käyttäytymisdata on erittäin tärkeää dynaamisessa hinnoittelussa. Datan pohjalta voidaan tunnistaa tilanteita, jolloin asiakkaat ovat valmiita maksamaan premiumhintaa esimerkiksi tuotteiden korkean kysynnän vuoksi. Samoin data paljastaa eroja yksittäisten asiakkaiden ostokäyttäytymisessä ja hintaherkkyydessä mahdollistaen jopa asiakaskohtaisen hinnoittelun.

Asiakasdataa voidaan hyödyntää myös konversio-optimoinnissa. Se voi paljastaa esimerkiksi tilanteen, jossa asiakkaalle kannattaa tarjota pientä alennusta myynnin aikaansaamiseksi. Tällainen tilanne on esimerkiksi silloin, kun asiakas on useamman kerran tarkastellut verkkokaupassa samaa tuotetta, mutta ei ole vielä ostanut. Samassa yhteydessä kannattaa yleensä korostaa tarjouksen lyhyttä voimassaoloaikaa ja saada näin aikaan edun menettämisen pelko. Saman vaikutuksen voi saada aikaan myös nostamalla tuotteen hintaa väliaikaisesti ja laskemalla sitä taas normaaliksi. Esimerkiksi joidenkin suomalaisten verkkokauppojen on arvioitu toimineen näin ennen alennusmyyntien alkamista.

Asiakasdata antaa tietoa myös siitä millaisia tuotepaketteja erityyppisille prospekteille kannattaa tarjota ja mihin hintaan. Asiakkaiden ostohistoriasta pystytään ennustamaan heidän käyttäytymistään. Useat verkkokaupat muodostavat tuotteistaan pareja tai ryhmiä sen mukaan, mitä tuotteita yleensä ostetaan yhdessä. Tuotepaketointi voi tuoda lisämyyntiä ja vaikeuttaa asiakkaiden hintavertailuja mahdollistaen paremman katteen. Toisaalta useiden yhdessä ostettujen tuotteiden ryhmiä on vaikeaa löytää, ja ne voivat perustua vain muutamaan ostokertaan. Toimintatavan heikkoutena on se, ettei sillä pysty ennustamaan asiakkaan muita ostoksia.

Dynaaminen hinnoittelu perustuu jatkuvaan testaamiseen ja pyrkii optimaalisen hinnan löytämiseen kullekin kohderyhmälle kussakin tilanteessa datan ja analytiikan avulla. Digitaalisuus tarjoaa verkkokauppiaalle hyvän mahdollisuuden oppia asiakaskäyttäytymisestä ja hintajoustoista järjestämällä hintatestejä pienille asiakasjoukoille ja mittaamalla eri vaihtoehtojen kannattavuutta. Digitaalisessa markkinoinnissa hintoja voi helposti testata verkossa haettaessa oikeaa hintarakennetta. Tällöin kahdelle tai useammalle samaan asiakasryhmään kuuluvalle yleisölle kohdennetaan muuten sama mainos, mutta kullekin näytetään eri hinta. Seuraavaksi mitataan eri verrokkiryhmien konversioasteet, myyntikatteet ja markkinoinnin tuottoasteet ja valitaan yritykselle kannattavin hintarakenne. Dynaamisen hinnoittelun käyttöönottaminen lisää sitä käyttävien yritysten myyntidataa mahdollistaen jatkuvan oppimisen ja jatkossa yhä tehokkaamman hinnoittelun optimoinnin ja usein kilpailuedun staattista hinnoittelua käyttäviin yrityksiin verrattuna. Jatkuva datan kertyminen ja sen analysointi ovat edellytyksiä kilpailuedun säilymiselle, koska tuore data on päätöksenteon kannalta arvokkaampaa kuin vanha.

Dynaamisen hinnoittelun haasteet ja niiden ratkaisu

Dynaamisen hinnoittelun hyödyntämiseen liittyy joitakin haasteita. Mikäli asiakkaat saavat selville, että kauppa myy samoja tuotteita eri hinnoilla eri asiakkaille ja eivät hyväksy sitä, voivat he vaihtaa toimittajaa. Useat asiakkaat suhtautuvat negatiivisesti heidän mielestään perusteettomaan hintaporrastukseen. Esimerkiksi sukupuoleen perustuvat erilaiset hinnat tuomitaan laajalti. Samaten Krämerin ja Kalkan (2016) tutkimuksen mukaan suuri enemmistö verkkokauppa Amazonin asiakkaista ei hyväksy ajatusta, että hinnoittelu perustuisi asiakkaiden henkilökohtaisiin ostokäyttäytymisen pohjalta luotuihin profiileihin tai heidän käyttämiinsä laitteisiin. Tällainen voi karkottaa asiakkaat, jolloin dynaamisella hinnoittelulla saavutettu hyöty voi kääntyä jopa negatiiviseksi. Jopa 50 % Amazonin asiakkaista ilmoitti hylkäävänsä verkkokaupan, jos asiakaskohtaista hintaporrastusta paljastuisi (Krämer & Kalka, 2016).

Tämän vuoksi hinnoittelun erot on pystyttävä perustelemaan hyväksyttävästi tai toimittava niin, että hinnat eivät ole läpinäkyviä ja helposti verrattavia. Internetin aikana asiakkaiden välisen hintatietojen vaihtamista ja tuotteiden jälleenmyyntiä ei voi käytännössä estää. Asiakkaat hyväksyvät samoista tuotteista erilaiset hinnat, jos ne on perusteltu heille hyväksyttävällä tavalla esimerkiksi erilaisella toimitusnopeudella, rajoitetulla takuulla tai aikaan sidotulla alennuskampanjalla ja asiakkailla on valinnanmahdollisuuksia. Myös ostovoimaan perustuvat hintaerot, kuten opiskelija- tai eläkeläisalennukset, on perinteisesti hyväksytty ainakin Suomessa. Jos hintaherkät asiakkaat näkevät todellisia tai kuviteltuja eroja ostettavien hyödykkeiden tai hinnoittelurakenteiden välillä heidän luottamuksensa yrityksen hinnoittelun reiluuteen ja halukkuutensa syventää asiakassuhdetta uusintaostoilla kasvavat (Weisstein et al. 2013). Asiakkaat hyväksyvät dynaamisen hinnoittelun helpommin, jos he voivat osallistua hinnan määräytymiseen (Sahay, 2007) esimerkiksi huutokaupassa tai saalistamalla edullisinta tarjousta. Osa asiakkaista jopa suosii dynaamista hinnoittelua käyttäviä tarjoajia.

Tehokas tapa välttää asiakkaiden negatiivinen reaktio dynaamista hinnoittelua käytettäessä, on vaikeuttaa hintavertailuja erilaistamalla hyödykkeitä esimerkiksi käyttämällä eri tyyppinumeroita, pakkauskokoja, ja brändejä kuin kilpailijat sekä rakentamalla erilaisia tuotepaketteja ja alennus- ja bonusjärjestelmiä. Joskus yritykset perustavat useita verkkokauppoja eri brändinimillä, jotka kohdentavat markkinointinsa eri asiakassegmenteille myyden käytännössä samoja tuotteita eri hintaan. Näin markkinoille luodaan mielikuva kovasta kilpailusta ja voidaan maksimoida tuotto markkinoilta. Tämän strategian ongelmana on markkinointikulujen kasvu jouduttaessa toimimaan useilla brändeillä.

Koska verkkokaupoissa hinnat voivat vaihdella jopa useita kertoja päivässä voi sattua hinnoitteluvirheitä, joista koituva haitta voi laajeta automatisoidussa kaupankäynnissä. Hinnoitteluvirheitä voi välttää hyvillä prosesseilla ja rakentamalla järjestelmä havaitsemaan mahdolliset hinnoitteluvirheet. Jos kuitenkin virheitä syntyy voi niiden haittoja minimoida, esimerkiksi tekemällä rajoitus, kuinka monta samaa hyödykettä yksittäinen asiakas voi tilata. Järjestelmän tulisi myös ilmoittaa myyjälle, mikäli jotain tuotetta tai palvelua ostetaan odottamattoman paljon, tai jos yksittäinen asiakas tekee poikkeuksellisen paljon ostoksia verkkokaupassa. Näin myyjä voi analysoida tilanteen ja puuttua siihen tarvittaessa.  Samoin liian nopeasti tapahtuvia hinnanmuutoksia tulisi välttää, koska niistä saattaa seurata imagotappioita jos hintojen muutos huomataan nopeasti tai asiakasryhmien välillä on selkeitä viestintämahdollisuuksia.

Mika Määttä, projektipäällikkö, lehtori digitaalinen liiketoiminta ja peliteollisuus

Miikka Blomster, lehtori digitaalinen markkinointi

Lähteet:

Degeraratu, A. M., Rangaswamy, A. & Wu, I. (2000). Consumer choice behavior in online and traditional supermarkets: The effect of brand name, price and other search attributes. International Journal of Research in Marketing, 17 (1), 55-78.

Kannan, P. K., & Kopalle, P. K. (2001). Dynamic pricing on the internet: importance and implications for consumer behavior. International Journal of Electronic Commerce, 5, 63–83.

Kimes, S. E. (2002). Perceived fairness of yield management. Cornell hotel and restaurant Administration Quarterly 43: 21–30.

Krämer, A. & Kalka, R. (2016). How Digital Disruption Changes Pricing Strategies and Price Models. Teoksessa Khare, A., Stewart, B. & Schatz, R. (eds.), Phantom Ex Machina Digital Disruption’s Role in Business Model Transformation. Springer 2016

Sahay, A. (2007). How to reap higher profits with dynamic pricing. MIT Sloan Management Review, 48, 53–60.

Schlosser R & Boissier M (2018): Dynamic Pricing under Competition on Online Marketplaces: A Data-Driven Approach. KDD ’18: The 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, August 19–23, 2018, London, United Kingdom.

Gupta, R., & Pathak, C. (2014). A Machine Learning Framework for Predicting Purchase by Online Customers based on Dynamic Pricing. Procedia Computer Science, 36, 599-605.

Wu, J., Li, L., & Da Xu, L. (2014). A randomized pricing decision support system in electronic commerce. Decision Support Systems, 58, 43-52. ISO 690.

Weisstein F. L., Monroe K. B. & Kukar-Kinney M. (2013). Effects of price framing on consumers’ perceptions of online dynamic pricing practices. Journal of the Academic Marketing Science. (2013) 41:501–514