Il dynamic pricing nel settore del travel nasce con l’obiettivo di calcolare in ogni momento il prezzo in grado di ottimizzare una risorsa fisica, come l’occupazione di un posto a sedere su un aerero, il posto di un bagaglio da stiva o una camera d’hotel, in funzione dell’avvicinarsi della data in cui verificherà l’evento.
Dunque, questo approccio al pricing nasce in quegli ambiti in cui non era possibile contingentare le risorse come se fossero delle scorte e, quindi, in quei mercati in cui non vendere un prodotto significa vederne annullato il valore senza però annullarne i costi.
L’intelligenza artificiale per rispondere alla complessità
Il concetto di prezzo dinamico si lega quasi automaticamente a due concetti base dell’economia: quello dell’elasticità della domanda al prezzo (di cui abbiamo già parlato in questo articolo ) e al tema della gestione ottimizzata delle risorse.
Applicare un prezzo dinamico che tenga conto delle variazioni domanda in relazione alle variazioni del prezzo di un prodotto o servizio significa quindi individuare un pricing in grado di adeguarsi alle caratteristiche dei consumatori, capace di cambiare in funzione sue evoluzioni e del tempo e che consente all’azienda di trovare il punto di massimizzazione dei propri utili.
Invece, la gestione delle risorse attraverso il dynamic pricing consente di stimolare la domanda quando risulta meno accentuata, di favorire gli acquisti con largo anticipo, di gestire in maniera efficiente gli sprechi e quindi di ottimizzare i risultati complessivi in funzione della disponibilità residua.
Come è noto, il prezzo dinamico è stato teorizzato ed utilizzato per la prima volta nel comparto aereo negli anni ’80 e ancora oggi questa strategia tariffaria si conferma come una potente arma in grado di massimizzare occupazione e fatturato nel mondo travel.
Il dynamic pricing come soluzione ai tre principali rischi nel travel
Alla base di questa strategia la correttezza e l’affidabilità della previsione di domanda che assumono una rilevanza fondamentale. Solo a queste condizioni dynamic pricing consente di risolvere i tre principali rischi degli operatori del settore:
- Rischio di dilution: accettare la richiesta ad un prezzo scontato prevedendo che successivamente non ci sarà la possibilità di vendere ad un prezzo più elevato. Si rischia così di perdere ricavi qualora le previsioni di domanda siano state pessimistiche. Più genericamente, vendere ad un cliente un prezzo più basso rispetto a quello che lo stesso sarebbe stato disposto a pagare.
- Rischio di spill: rifiutare domanda, avendo raggiunto troppo presto la capacità disponibile, quindi non catturando quella parte di domanda che si presenta a ridosso della data e che per sua natura esprime un valore molto alto, in quanto meno sensibile al prezzo.
- Rischio di spoilage: lasciare beni o servizi invenduti, prevedendo che si presenterà nuova domanda più a ridosso. Si decide così di rifiutare un acquisto in anticipo a prezzi più bassi, in attesa di una domanda a più alto valore. Nel caso le previsioni siano sbagliate, il rischio è quello di non arrivare alla massimizzazione dell’occupancy.
Effettuare precise analisi di questo tipo però, nel contesto odierno, si scontra spesso con una vasta complessità di variabili che porta verso un sempre più elevato coinvolgimento dell’intelligenza artificiale nella definizione del pricing (Per approfondimenti segnaliamo il testo Dynamic Pricing. Logiche e strumenti per una struttura variabile per prezzo).
L’intelligenza artificiale per rispondere alla complessità del contesto
AI e il machine learning consentono di automatizzare formule complesse per la determinazione dinamica del prezzo, consentendo di tenere conto di un elevato numero di variabili simultaneamente. Infatti, attraverso l’intelligenza artificiale è possibile supportare le scelte della revenue strategy sulla base di una solida base di dati. In questo modo il prezzo diventa una leva fondamentale attraverso cui attirare, stimolare e massimizzare la propria domanda potenziale.
Tra i primi player ad aver sviluppato algoritmi di intelligenza artificiale nella vendita online vi sono Airbnb ed Amazon. Airbnb ha realizzato un sofisticato algoritmo di dynamic pricing nel settore turistico per gli host che utilizzano la piattaforma. In questo caso le variabili principali che impattano sul prezzo finale suggerito sono la stagionalità annuale e settimanale e la presenza di eventi e festività, a queste si aggiungono circa altre 70 variabili per cui è stata analizzata un’incidenza sulla domanda. In questo modo è stato possibile massimizzare le prenotazioni per le date disponibili per ciascuna destinazione offerta.
Amazon, invece, è stato tra i primi player ad utilizzare algoritmi di AI nell’industria retail, dinamicizzando il prezzo in funzione delle caratteristiche del consumatore, dell’andamento della domanda e della quantità di articoli presenti in stock.
Ciò che queste note case-history mettono in evidenza è la direzione verso cui le strategie di pricing stanno andando, anche per il comparto del travel. Si tratta di un nuovo approccio, fortemente data-driven, che consente di fornire il prezzo che ottimizza la funzione di domanda, che tiene conto della willingness-to-pay dei consumatori, della sensibilità nei confronti del prezzo e di tutti quei fattori che quotidianamente impattano le scelte d’acquisto.
Travel: dynamic pricing come strategia più profittevole
Infatti, giunti a questo straordinario livello di innovazione, le strategie alternative al dynamic pricing si riducono. Si può continuare a vendere ad un prezzo fisso, ignorando completamente le caratteristiche, le esigenze e le opportunità della domanda, oppure si può scegliere di farsi guidare dalle evidenze che le analisi evolute dei dati ci offrono. Solo in questo modo è possibile intraprendere un percorso di crescita e di sviluppo in termini di massimizzazione degli obiettivi commerciali, come raccontato nella nostra esperienza al fianco di un tour operator.
