การกำหนดราคาแบบไดนามิก

ความแตกต่างจากราคาคงที่

ราคาคงที่แบบดั้งเดิมถูกกำหนดจาก "ต้นทุน + มาร์จิน" และเมื่อตั้งค่าแล้วจะไม่เปลี่ยนแปลงเป็นระยะเวลานาน Dynamic Pricing พลิกสมมติฐานนี้ด้วยการขึ้นราคาในช่วงเวลาหรือฤดูกาลที่มีความต้องการสูง และลดราคาในช่วงที่ลูกค้าน้อย เพื่อเพิ่มรายได้ให้สูงสุด

วิธีการนี้มีประวัติยาวนานหลายสิบปีในอุตสาหกรรมการบิน แต่อุปสรรคในการนำไปใช้นั้นสูงมาก เนื่องจากต้องดำเนินการพยากรณ์ความต้องการ การติดตามคู่แข่ง และการจำลองราคาทั้งหมดแบบเรียลไทม์พร้อมกัน

การเปลี่ยนแปลงที่ AI นำมา

ด้วยวิวัฒนาการของโมเดล Machine Learning ต้นทุนในการนำ Dynamic Pricing ไปใช้จึงลดลงอย่างมาก แนวทางที่นิยมคือการนำข้อมูลยอดขายในอดีต สภาพอากาศ ข้อมูลอีเวนต์ และราคาของคู่แข่งมาป้อนเข้าโมเดลเพื่อพยากรณ์ราคาที่เหมาะสมที่สุด

ในอุตสาหกรรมโรงแรมของไทย การนำโมเดลพยากรณ์ความต้องการที่ผสมผสานข้อมูลราคาจาก OTA (Online Travel Agency) กับสถานะการจองของโรงแรมเองกำลังขยายตัวมากขึ้น การรักษาสมดุลระหว่างอัตราการเข้าพักและราคาห้องพักเฉลี่ย (ADR) เป็นความท้าทายด้านการบริหาร และการปรับราคาให้เหมาะสมด้วย AI ได้รับความสนใจในฐานะเครื่องมือที่ช่วยบรรเทาความขัดแย้งระหว่างสองเป้าหมายนี้

กับดักในการนำไปใช้

หากราคาเปลี่ยนแปลงบ่อยเกินไป อาจเกิดความเสี่ยงที่ลูกค้าจะสูญเสียความไว้วางใจ เมื่อสินค้าชิ้นเดียวกันมีราคาเปลี่ยนไปภายในไม่กี่ชั่วโมง จิตวิทยา "ไม่รู้ว่าควรซื้อเมื่อไหร่" อาจเกิดขึ้นและลดแรงจูงใจในการซื้อได้

นอกจากนี้ ยังมีการชี้ให้เห็นถึงความเสี่ยงของ "การสมคบกันของอัลกอริทึม (Algorithm Collusion)" ซึ่งเกิดขึ้นเมื่อคู่แข่งใช้อัลกอริทึมเดียวกันและอ้างอิงราคาซึ่งกันและกัน จนนำไปสู่การแข่งขันลดราคา ในทางปฏิบัติ การออกแบบที่ผสมผสานการกำหนดราคาขั้นต่ำและข้อจำกัดแบบ Rule-based จึงมีความสำคัญอย่างยิ่ง