Utilizing machine learning in data-driven pricing
Niinistö, Joonas (2020)
Kandidaatintyö
Niinistö, Joonas
2020
School of Engineering Science, Tuotantotalous
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2020050725676
https://urn.fi/URN:NBN:fi-fe2020050725676
Tiivistelmä
The rapidly increasing volume and variety of data and the continuous development of the technologies used for data processing have enabled the use of dynamic data-driven pricing. While pricing can be considered as one of the most important factors influencing profitability, many companies fail to take advantage of well-implemented pricing. This bachelor’s thesis aims to determine how data from different sources and the use of machine learning can be utilized in pricing.
At the beginning of the study literature related to pricing, machine learning and data analytics is examined. Study then explores the added value of dynamic data-driven pricing achieved through machine learning and large amounts of data. Based on these, dynamic data-driven pricing process is built at the end of the work.
The biggest benefit of data-driven pricing can be seen in reasonable reactions to changes in external and internal operating environment. In the best case, data-driven pricing allows to offer the right price to the right customer at the right time. Machine learning makes these price changes even more dynamic and allows to consider multiple influencing factors simultaneously. The benefits of dynamic data-driven pricing are significant, but especially if poorly implemented, it can cause major problems. Data volyymien kasvu ja sen käsittelyyn käytettävien teknologioiden kehitys ovat mahdollistaneet viime vuosina dynaamisen datavetoisen hinnoittelun. Vaikka hinnoittelua voidaan pitää yhtenä tärkeimmistä liiketoiminnan kannattavuuteen vaikuttavista tekijöistä, monet yritykset jättävät hyvin toteutetun hinnoittelun tuomat hyödyt käyttämättä. Tässä kandidaatin tutkinnossa pyritään määrittämään, miten dataa ja koneoppimista voidaan hyödyntää hinnoittelussa ja mitä haasteita niiden käyttäminen ja käyttöönotto asettaa.
Työn alussa tarkastellaan hinnoittelua, koneoppimista ja data-analytiikkaa käsittelevää kirjallisuutta. Tämän jälkeen syvennytään koneoppimisen ja suurien datamäärien avulla saavutetun dynaamisen datavetoisen hinnoittelun tuottamaan lisäarvoon. Teoriaosuuden pohjalta työn lopussa määritellään dynaamisen hinnoittelun prosessi.
Datavetoisen hinnoittelun suurimpana hyötynä voidaan nähdä perustellut reaktiot ulkoisen ja sisäisen toimintaympäristön muutoksiin. Parhaassa tapauksessa datavetoinen hinnoittelu mahdollistaa oikean hinnan tarjoamisen oikealle asiakkaalle oikeaan aikaan. Koneoppiminen tekee hinnan muutoksista entistä dynaamisempaa ja mahdollistaa yhä useamman hinnoitteluun ja kysyntään vaikuttavan tekijän huomioimisen. Dynaamisen datavetoisen hinnoittelun tuomia hyötyjä voidaan pitää varsin kattavina, mutta varsinkin huonosti implementoituna se voi aiheuttaa suuriakin ongelmia.
At the beginning of the study literature related to pricing, machine learning and data analytics is examined. Study then explores the added value of dynamic data-driven pricing achieved through machine learning and large amounts of data. Based on these, dynamic data-driven pricing process is built at the end of the work.
The biggest benefit of data-driven pricing can be seen in reasonable reactions to changes in external and internal operating environment. In the best case, data-driven pricing allows to offer the right price to the right customer at the right time. Machine learning makes these price changes even more dynamic and allows to consider multiple influencing factors simultaneously. The benefits of dynamic data-driven pricing are significant, but especially if poorly implemented, it can cause major problems.
Työn alussa tarkastellaan hinnoittelua, koneoppimista ja data-analytiikkaa käsittelevää kirjallisuutta. Tämän jälkeen syvennytään koneoppimisen ja suurien datamäärien avulla saavutetun dynaamisen datavetoisen hinnoittelun tuottamaan lisäarvoon. Teoriaosuuden pohjalta työn lopussa määritellään dynaamisen hinnoittelun prosessi.
Datavetoisen hinnoittelun suurimpana hyötynä voidaan nähdä perustellut reaktiot ulkoisen ja sisäisen toimintaympäristön muutoksiin. Parhaassa tapauksessa datavetoinen hinnoittelu mahdollistaa oikean hinnan tarjoamisen oikealle asiakkaalle oikeaan aikaan. Koneoppiminen tekee hinnan muutoksista entistä dynaamisempaa ja mahdollistaa yhä useamman hinnoitteluun ja kysyntään vaikuttavan tekijän huomioimisen. Dynaamisen datavetoisen hinnoittelun tuomia hyötyjä voidaan pitää varsin kattavina, mutta varsinkin huonosti implementoituna se voi aiheuttaa suuriakin ongelmia.