Динамическое ценообразование для системы Crypto.tickets
Динамическое ценообразование - это услуга, основанная на алгоритмах искусственного интеллекта, которая позволяет увеличить прибыль с продажи билетов через систему Crypto.tickets.
Использование системы ценообразования доступно в двух основных вариантах, которые можно использовать совместно:
- Предложение стартовых цен на каждое фиксированное место доступное на мероприятии для тех типов мероприятий, где есть места дифференцируемые между друг другом (театр, концерт в помещении, спортивный матч и тд)
- Динамическое изменение цен на билеты в течении времени их продажи с целью максимизации общей прибыли от продажи билетов.
Системы ценообразования использует следующую информацию:
- Исторические, детальные, данные по продажам билетов на те или иные типы мероприятий и конкретных площадок
Обширную сегментацию использующую, в том числе внешнюю, информацию по:
- Типам мероприятий
- Типам площадок
- Историческим ценам на билеты по похожим эвентам
- Пользовательскую сегментацию
Изменение спроса в зависимости от:
- Изменения цен на разные сегменты билетов
Маркетинговой активности организаторов:
О планах по изменению цен на билеты
По запуску маркетинговых кампаний (рекламы)
Конкуренции между различными мероприятиями
Стадии жизненного цикла продажи билетов на мероприятие (начало или конец продаж)
Информацию по ограничениям вводимым организаторам мероприятия:
Минимальная и максимальная цена на те или иные билеты
По заполненности мероприятия
По прибыли от мероприятия
Возможные ограничения на частоту и величину изменения цен
Построенная модель ценообразования использует алгоритмы обучения с подкреплением (deep reinforcement learning) при предложении цен на билеты в зависимости от текущей ситуации. Модель предлагает такие изменения, которые максимизируют функционал прибыли по факту окончания продаж билетов на мероприятие.
Если подробнее, то используется модель Deep Reinforcement Learning (Q-learning, где Q - функция предсказания прибыли от продажи билетов в зависимости от выбранной стратегии ценообразования) адаптированная под непрерывные действия (continuous states and actions). Q-функция представляет собой:
Остальные детали (структура нейросети, особенности обучения) являются коммерческим секретом.
Общая схема применения модели ценообразования следующая:
Чтобы узнать больше о нашем проекте, изучите материалы и ссылки ниже:
Crypto.tickets
Whitepaper
Facebook