СЦ ДиНА реализует алгоритм динамического ценообразования на нейросетях, обеспечивающий многофакторный анализ статистического материала (так называемый “датасет”) с построением нейросети и выбор наилучшего (оптимального) варианта цены из набора вариантов. 

Алгоритм, реализуемый СЦ ДиНА, относится к методам статистического подхода к ценообразованию.

Существует (по используемым типам моделей предметной области) три подхода к ценообразованию: подход прямого моделирования рынка, экспертный подход (анализ типа “что будет если”), статистический подход (анализ динамики собственных продаж предприятия с учетом динамики состояния индикаторов рынка).  

Методы прямого моделирования рынка (как имитационные, так и аналитические) могут показаться предпочтительными, но они требуют очень большого количества надежных данных, которые невозможно найти в открытых источниках.

Экспертный подход, за которым стоят так называемые “экспертные системы”, требует наполнения знаниями эксперта той или иной оболочки экспертной системы. Соответственно нужен эксперт и специалист по получению и формализации данных у этого эксперта. Проблема в том, что 1) нужен реальный эксперт, и 2) вряд ли данный эксперт согласиться отринуть от себе то, что составляет ядро его компетенции. Кроме того, экспертные системы нужно поддерживать в актуальном состоянии в связи с изменяющимися условиями рынка, а это требует постоянного контакта с экспертом. Даже простейший метод экспертного подхода – затратный, требует доказательства размера общественно необходимых издержек и предпринимательской прибыли, которую рынок может принять как справедливую. 

СЦ ДиНА является инструментом активного игрока рынка. Это означает, что цены формируются данным игроком и рынок откликается на данные цены снижением или увеличением объемов продаж. Ситуация отличается от пассивного игрока, например, на фондовом рынке, когда трейдер лишь ожидает определенных движений рынка и реагирует на них (реактивное управление), что и образует его торговую стратегию. 

Устанавливаемые при помощи СЦ ДиНА цены могут быть базовыми для какого-либо продукта или индивидуальными для конкретного покупателя. Главное, чтобы базовые цены (если считаются такие) были инструментом управления индивидуальными ценами. Виды рассчитываемых цен всецело определяются той статистикой (датасетом), который используется для обучения нейросети.

Подготовка датасета осуществляется штатными средствами Excel. СЦ ДиНА работает с уже полностью отлаженным датасетом. При этом существует возможность проверки датасет на аномальность значений, что позволяет фильтровать ошибки, возникающие при переносе данных.

Структура датасет полностью определяется предметной областью пользователя.

СЦ ДиНА – это непараметрический статистический инструмент. Преимущество перед существующими параметрическими инструментами (например, методами регрессионного анализа) состоит в том, что нейросетевой анализ позволяет извлечь “каждую каплю” закономерностей, если таковые имеются в датасет. СЦ ДиНА не разделяет динамику данных на трендовую, сезонную, циклическую и случайную составляющую. То есть нейросетевой анализ СЦ ДиНА исключает двухступенчатую процедуру ана-лиз-синтез, что гарантирует от возможных потерь “тонких” закономерностей в исходных данных.

Важно также иметь в виду, что классический регрессионный анализ исходит из гипотезы о конкретном виде функции, связывающей факторные признаки и результативный признак. При этом предполагается, что рассматриваемая зависимость — это именно функция, причем дифференцируемая. Дополнительно предполагается, что как факторные, так и результативный признак являются случайными величинами с нормальным законом распределения вероятностей. 

В действительности эти условия регрессионного анализа в совокупности на практике не выполняются. 

Как уже было отмечено выше СЦ ДиНА реализует алгоритм динамического ценообразования. Особенностью именно динамического ценообразования является учет предыдущего состо-яния параметров системы ценообразования. То есть ценообразование рассматривается как переход системы из одного состоянии в следующее. По-этому динамическое и оперативное (внутридневное, ежедневное) ценообразование – это не одно и то же. А такая путаница присутствует в ряде источников информации.

Исходя из представленной концепции динамического ценообразования следуют необходимые условия его применения – система динамического це-нообразования должна характеризоваться инертностью, т.е. переход из одного состояния в другое должен иметь некоторые закономерности, а не представлять собой подобие броуновского движения.Как правило в реальной экономике это условие соблюдается. 

Поэтому динамическое ценообразование получает преимущество перед ценообразованием на основании формулы цены. Это преимущество допол-нительно обеспечивается также относительностью показателей, что исключает влияние фактора масштаба (инфляционные процессы, абсолютные зна-чения емкости рынка и т.п.).Но в силу отмеченного выше динамическое ценообразование требует большого количество статистики, представленной временными рядами значительной протяженности. 
В случае отсутствия достаточного объема исходных данных нейросеть не может быть настроена правильно, т.е. не сможет выявить закономерности зависимости результативного и факторного признаков. Так, например, для выявления влияния сезонного фактора необходимо иметь исходные данные как минимум за три предшествующих года.В такой ситуации может помочь так называемая аугментация (обогащение) данных, т.е. генерирование дополнительных данных на базе уже имеющихся данных. 

СЦ ДиНА может это делать путем линейной интерполяции исходного датасет. Принцип такой интерполяции (см. рисунок ниже) состоит в том, чтобы перейти от календарных месяцев или других календарных отрезков времени, используемых для построения нейросети, к отрезкам времени просто равным длине календарных отрезков. 

Область применения нейросетевого динамического прогнозирования цен ограничивается только возможностью быстрой подготовки статистики и скорости прогноза факторных признаков.Так, например, поскольку основным показателем для прогнозирования является финансовый показатель (маржинальная или иная прибыль за период времени между “замерами” статистики), то требуется время на его подсчет. Кроме того, необходимые данные вообще могут быть недоступны за желаемый “квант” времени (например, час).  

Другой пример, если факторным признаком является официальный курс какой-либо валюты, то он обновляется раз в сутки. Так, что, скажем, в ценообразовании на услуги такси предлагаемый метод вряд ли может быть использован. НО! Нельзя ничего исключать. Повторюсь – все зависит от набора факторных признаков цены и, соответственно, 1) скорости их включения в датасет для построения новой сети (хотя сеть нет необходимости перестраивать под каждый новый элемент датасет) и 2) скорости получения прогноза изменения факторных признаков на следующий квант времени.

Для использования СЦ ДиНА не требуется быть “крутым математиком” и знатоком нейросетей. Но хорошее знание эконометрики необходимо. Необходимо также обладать хорошей экономической логикой. 

Высокому уровню специалистов должен соответствовать и профессиональный инструмент в виде СЦ ДиНА, что в совокупности является предпосылкой для реального роста финансового результата предприятия. 

С пожеланиями такого прогресса, автор проекта СЦ ДиНА   Андреев Д.М.