Pricing Analytics เปลี่ยนข้อมูลให้เป็นกำไรสูงสุด ในธุรกิจบริการและขนส่ง

Analytics สามารถแบ่งได้เป็น descriptive, predictive, และ prescriptive ตามลำดับ จาก Descriptive Analytics ของพฤติกรรมลูกค้า ข้อมูลการจองตั๋วหรือห้องพักในธุรกิจบริการ การตอบสนองต่อ promotion หรือ marketing campaign, ทำให้เห็นรูปแบบหรือลักษณะของลูกค้าจากข้อมูลในอดีต เช่น ลูกค้าที่จองตั๋วเครื่องบินเพื่อไปประชุมธุรกิจ มักไม่จองคร่อมเสาร์อาทิตย์ หลังประชุมเสร็จในวันธรรมดามักเดินทางกลับในวันนั้น, รถไฟเที่ยวชานเมืองเดินทางเข้าเมืองเวลาเช้ามีสัดส่วนผู้โดยสารเป็นคนทำงานสูงกว่าเที่ยวอื่น, ลูกค้าที่จองเป็นหมู่คณะสำหรับโรงแรมอาจมีโอกาสการมาแสดงตัว (show-up) สูงกว่าลูกค้าพักคนเดียว

หลังจากทราบลักษณะลูกค้าแล้ว, Predictive Analytics พยากรณ์ (forecast) ปริมาณความต้องการของแต่ละกลุ่มลูกค้า สำหรับแต่ละ product และในเวลาต่างๆ กัน พร้อมทั้งทำนายแนวโน้มได้ว่าลูกค้าจะมีการตอบสนองอย่างไร เช่น

หากลดราคาตั๋ว 50% จะสามารถทำให้ลูกค้าเพิ่มขึ้นได้มากเท่าใด? ลูกค้ากลุ่มนี้ sensitive หรือยืดหยุ่นกับการเปลี่ยนแปลงของราคา (elasticity) มากน้อยเท่าใด
หากโรงแรมมีโฆษณาพักห้าคืนฟรีหนึ่งคืน จะดึงดูดลูกค้าใน segment นี้มากขึ้นเพียงใด?
หากเครื่องบินให้ลูกค้าจองเกิน 10 คนสำหรับเครื่องออกเวลาเช้าสุดจากกรุงเทพไปเชียงใหม่ โอกาสที่จะมีคนมาแสดงตัวเกินจำนวนที่นั่งจะเป็นเท่าใด?
หากโรงแรมในเมืองกันที่ไว้ให้ลูกค้า walk-in เป็นจำนวน 10 ห้อง ความน่าจะเป็นที่ห้องเหล่านี้จะถูกขายได้หมดในคืนนี้เป็นเท่าใด และโอกาสที่จะมีห้องเหลือเกิดเป็นเท่าใด?

Predictive Analytics ทำให้เล็งเห็นโอกาสเพิ่มรายได้ทางธุรกิจ, ในขณะที่ Prescriptive Analytics บอกวิธีว่าทำอย่างไรถึงจะได้รายได้สูงสุด จุดมุ่งหมายของ Pricing Analytics คือตั้งราคาอย่างไรเพื่อให้ธุรกิจได้กำไรรวมสูงสุด โดยการสร้าง product ให้โดนกลุ่มลูกค้า และขายด้วยราคาที่เหมาะสมในช่วงเวลาขายที่ดีที่สุด คณิตศาสตร์โดยเฉพาะอย่างยิ่ง optimization สามารถใช้คำนวณหาราคาที่ทำให้ได้กำไรสูงสุด, ช่วยตัดการเดาสุ่มออกไปโดยเฉพาะอย่างยิ่งเมื่อ product มีจำนวนมากๆ, ช่วยให้สามารถปรับเปลี่ยนราคาได้รวดเร็วทันต่อการเปลี่ยนแปลงของตลาดหรือพฤติกรรมลูกค้า ต่อไปนี้เป็นตัวอย่าง Pricing Analytics ที่สามารถนำคณิตศาสตร์เข้ามาช่วยในการตัดสินใจตั้งราคาให้กับธุรกิจบริการและขนส่ง เปลี่ยนจากข้อมูลลูกค้าให้มาเป็นกำไรสูงสุด

1.สายการบิน หลัง deregulation ในสหรัฐอเมริกาปี 1978 ธุรกิจสายการบินบุกเบิกการใช้การจัดการรายได้ (revenue management) และ pricing analytics เพื่อเพิ่มรายได้และประสบความสำเร็จมาก ควรกันที่ไว้ให้ตั๋วราคาแพงเป็นจำนวนเท่าใด? เหลือที่บนเครื่องเท่าใดจึงควรปล่อยตั๋วราคาถูกเพื่อให้ขายที่นั่งได้มากขึ้น? Balance ระหว่างราคาถูกขายได้เยอะ กับราคาแพงขายได้น้อย ที่เหมาะสมควรเป็นเท่าใด? สัดส่วนการขายของตั๋วราคาต่างๆ เปลี่ยนไปตามพฤติกรรมของคนจองเที่ยวบินนั้นๆ Expected Marginal Seat Revenue (EMSR) algorithm ถูกนำมาประยุกต์เพื่อกำหนดราคาตั๋ว real time เพื่อให้กำไรรวมจากทั้งหมดในเครือข่าย (network) สูงสุด ไม่ใช่แค่เฉพาะแต่ละเส้นทาง ตั๋วจากกรุงเทพไป Dubai อาจมีราคาพอๆ กับบินต่อไปจนถึง Paris เลย เพราะสายการบินกันที่ไว้ให้ผู้โดยสารที่ทำรายได้ดี จากกรุงเทพไป Dubai และเดินทางต่อไปยังปลายทางอื่นๆ จึงใช้ราคามาช่วย manage demand ของตั๋วเส้นทางระยะสั้น

กรณีมีการจองเกิน (overbooking) หากต้องการให้กำไร (รายได้ลบค่าใช้จ่ายกรณีมีผู้โดยสารที่ถูกปฏิเสธไม่ให้ขึ้นเครื่อง) สูงสุดควรให้จองเกินในเที่ยวบินนี้เป็นจำนวนเท่าใด? หากต้องการให้โอกาสที่คนถูกปฏิเสธไม่เกินหนึ่งในหมื่น ควรให้จองเกินเท่าใด? หนึ่งข้อมูลที่จำเป็นของ overbooking คือ อัตราการมาแสดงตัวของคนที่จองตั๋ว หากใช้ descriptive และ predictive analytics จัดกลุ่มพยากรณ์ได้ว่าลูกค้ากลุ่มนี้มีแนวโน้มการมาแสดงตัวเท่าใด ก็จะสามารถใช้ prescriptive analytics ต่อยอดได้ว่าควรจองเกินเท่าใด

Big Data และ Analytics นอกจากจะช่วยแบ่งกลุ่มลูกค้าอย่างชาญฉลาด (intelligence market segmentation) แล้วยังช่วยให้เพิ่มรายได้จาก ancillary purchases ได้โดยนำมาช่วยโฆษณา in flight แนะนำการบริการที่เหมาะกับลูกค้าขึ้น เช่น ซื้อตั๋วเพื่อเดินทางธุรกิจ อาจสนใจใช้บริการผ่านตรวจคนเข้าเมืองให้ประหยัดเวลา หรือที่นั่งซึ่งมี leg room มากขึ้น, เดินทางเป็นครอบครัวอาจสนใจบริการที่รวม entertainment เข้าไปด้วย Algorithm เหล่านี้ประสบความสำเร็จมากในการแนะนำสินค้าที่เกี่ยวข้องให้ลูกค้า Amazon และ Netflix เพื่อแนะนำหนังและรายการบันเทิง ซึ่งดูผ่าน Online

2. รถทัวร์ Megabus เชื่อมระหว่างเมืองใหญ่ในสหรัฐอเมริกาและอังกฤษ, Intercape ในนิวซีแลนด์และแอฟริกาใต้, PolskiBus ในโปแลนด์ เหล่านี้ได้เริ่มนำการจัดการรายได้และกลยุทธ์ด้านราคาเหมือนในสายการบินมาประยุกต์ใช้กับการตั้งราคาตั๋วรถโดยสารระหว่างเมืองใหญ่ ราคาตั๋วเปลี่ยนไปตามเวลาที่จอง โดยมากหากจองก่อนจะได้ราคาถูกกว่าจองใกล้วันเดินทาง สำหรับรถทัวร์จากเมือง A ไป B ออกเดินทาง 20.00น. เมื่อขายตั๋วไปได้เท่าใด จึงควรปรับราคาสูงขึ้น และเพิ่มขึ้นเท่าใด?

3. รถเช่า เป็นอีกหนึ่งธุรกิจที่นำการจัดการรายได้และ Pricing Analytics มาใช้ค่อนข้างแพร่หลาย ราคารถเช่าแตกต่างกันตามประเภทของรถ จำนวนวันที่เช่า การประกันภัย จุดรับและคืนรถ จำนวนวันที่จองล่วงหน้าก่อนใช้บริการ จาก descriptive analytics ทำให้ทราบว่าลูกค้าส่วนมากของบริษัทรถเช่ามีการรับและคืนรถที่สนามบิน, ในช่วง low season, ราคาของ walk-up อาจได้ราคาถูกกว่าที่จองล่วงหน้า เพราะต้องปรับราคาตามคู่แข่งรถเช่าเจ้าอื่นๆ ที่อยู่ในสนามบิน กรณีที่ walk-up ราคาถูกใน low season นี้แตกต่างกับกรณีของโรงแรมที่ walk-in จะได้ rack rate ซึ่งเป็นราคาบนสุด Pricing analytics สามารถช่วยตั้งราคาของ walk-up ได้ โดยใช้ค่าพยากรณ์ความต้องการของลูกค้ากลุ่มต่างๆ ในแต่ละ season ที่วิเคราะห์ไว้ด้วย predictive analytics

4. รถไฟ การจัดการรายได้ถูกเริ่มนำมาใช้กับรถไฟ AmTrak ในสหรัฐ US, VIA Rail Canada และ Eurostar เป็นต้น การแบ่งราคาเป็นไปตามกลุ่มลูกค้า เช่น เด็กและคนชรา, ต้นทางปลายทาง และความเร็วของรถไฟ ราคาตั๋วของ Rail Canada เปลี่ยนแปลงขึ้นลงตามเวลาการจอง จำนวนที่นั่งที่เหลืออยู่ก็เป็นส่วนหนึ่งที่ทำให้ราคาตั๋วแตกต่างกันได้ ตั๋วจาก A ผ่าน B ไปปลายทาง C จะขายได้ก็ต่อเมื่อมีที่นั่งเหลือทั้งขาจาก A ไป B และขาจาก B ไป C ตั๋วลดราคาของ A ไป C อาจทำรายได้มากกว่าตั๋วราคาเต็มจาก B ไป C ก็ได้ ควรตั้งราคาตั๋วอย่างไรให้กำไรรวมจากทั้ง network สูงที่สุด

5. โรงแรม นำการจัดการรายได้มาใช้แพร่หลายรองมาจากธุรกิจสายการบิน Pricing analytics นำมาช่วยธุรกิจโรงแรมตัดสินใจเหล่านี้: ควรตั้ง rack rate สำหรับปีหน้าเป็นราคาเท่าใด? ควรเปลี่ยนราคาสำหรับห้องประเภทต่างๆ อย่างไร ในแต่ละช่วงวันและเวลาต่างๆ? ห้องแบบ premium ควร markup เพิ่มขึ้นเท่าใด? ทำอย่างไรจึงจะกันที่ไว้ให้คนที่พักยาว ทำรายได้ดี โดยไม่เสียห้องเหล่านั้นให้กับคนที่พักน้อยคืน? ทำนองเดียวกัน ห้องที่ขายต่อคืนด้วยราคา discount แต่หากพักยาว อาจคุ้มกว่าให้จองห้องที่ขายราคาเต็มแต่พักไม่นานก็ได้ หาก online travel agency (OTA) ต้องการจองล่วงหน้า ควรตกลงทำสัญญากันด้วยราคาห้องละเท่าใด และให้ OTA เป็นจำนวนเท่าใด? หากให้ห้องลดราคากับ OTA มากเกินไป ก็อาจทำให้เสียโอกาสที่จะขายห้องซึ่งราคาสูง, แต่หากให้ห้องกับ OTA น้อยเกินไป ก็อาจทำให้ปริมาณความต้องการรวมน้อยเกินไปมีห้องว่างมากเกินไป

นอกจากนี้ยังมีการใช้กลยุทธ์ Dynamic Pricing ปรับเปลี่ยนราคา real time ตาม demand และ supply ใน shared economy เช่น รถแท็กซี่ Uber หรือ ที่พัก AirBnB สำหรับ Uber ค่าโดยสารแต่ละเที่ยวขึ้นอยู่กับต้นทางปลายทาง, ค่าโดยสารเริ่มต้น, ราคาต่อกิโลเมตร, ราคาต่อนาที และตัวคูณ ซึ่งเป็นผลลัพธ์จากการคำนวณด้วย “surge” algorithm (ไม่กล่าวละเอียดในบทความนี้) ตัวคูณนี้ลูกค้าสามารถเลือกได้ว่าจะยอมรับหรือไม่ หากยอมรับที่ตัวคูณสูงขึ้น ก็จะเพิ่มโอกาสการเรียกรถได้ในช่วง peak demand Uber ให้สิทธิเลือกกับลูกค้า แตกต่างกับรถแท็กซี่ที่บางครั้งเลือกไม่รับลูกค้า “ไม่ไปเพราะต้องไปส่งรถ”

ในยุคที่ข้อมูลมีมากมาย ทั้ง structured data จากระบบ CRM หรือ unstructured data เช่นบนโลก online และ social media ธุรกิจบริการและขนส่ง สามารถบูรณาการเทคโนโลยี คณิตศาสตร์ และ business insights ที่มีอยู่ เพื่อเปลี่ยนข้อมูลให้กลายเป็นรายได้สูงสุด นอกจากสายการบิน โรงแรมและรถเช่าที่กล่าวไปข้างต้นแล้ว, ธุรกิจบริการอื่น เช่น สถานที่ท่องเที่ยว, สวนสนุก, cruise, ski resorts, ธุรกิจทัวร์จัดนำเที่ยว, งานสัมมนา concert หรือ สนามแข่งของทีมฟุตบอล ที่มีทรัพยากรจำกัด (มีกำหนดจำนวนคนมากสุดที่สามารถรับบริการได้ ต่อวัน หรือต่อรอบเป็นต้น) ก็สามารถนำการจัดการรายได้และ pricing analytics เข้ามาประยุกต์ใช้ได้เช่นกัน แต่ต้องมีระบบการจองล่วงหน้าที่พร้อมก่อน ไม่ใช่จองคิวซื้อตั๋วด้วยรองเท้า เช่น เกาะขาม (ตามที่ออกในสื่อ)! ข้อมูลการมาจองตั๋วของลูกค้าแต่ละกลุ่ม ณ เวลาต่างๆ ก่อนวันรับบริการจำเป็นมากในการพยากรณ์ให้แม่นยำและหาวิธีทำกำไรได้สูงสุดด้วย predictive และ prescriptive analytics ตามลำดับ Pricing analytics เพิ่มความเข้าใจลูกค้า ช่วยสร้างบริการที่เหมาะสม ลูกค้าก็น่าจะยินดีจ่ายเพื่อบริการที่ประทับใจ, win-win