Динамическое ценообразование: что это и принципы

Автор

Управление доходами авиакомпаний: правило бронирования Литтлвуда в BOAC, управление доходностью в American Airlines; теория — Гильермо Галлего и Гаррет ван Райзин (Guillermo Gallego, Garrett van Ryzin), 1972; 1992; 1994

Уровень

401 · Экспертный

Подходит

растущая компания, корпорация

Время на внедрение

от двух до четырёх недель на правила и ограничители, затем тест на протяжении нескольких полных циклов спроса

Что понадобится

фиксированный или скоропортящийся запас: места, номера, окна записи, окна доставки или товар с крайним сроком · история продаж по датам, ценам и остаткам и первая оценка эластичности спроса по цене · себестоимость единицы, чтобы нижняя граница цены лежала выше затрат на каждую продажу · назначенный владелец правил цен и юрист, который прочитал нормы о раскрытии информации и о конкуренции для ваших рынков

Динамическое ценообразование — это изменение цены одного и того же предложения во времени, по правилу или алгоритму, вслед за спросом, остатками и состоянием рынка. Единого изобретателя у него нет. Корни лежат в управлении доходами авиакомпаний. В обзоре Джеффри Макгилла и Гаррета ван Райзина история области начинается с правила бронирования 1972 года, которое предложил Литтлвуд из BOAC: принимать бронь по сниженному тарифу, пока её выручка выше ожидаемой выручки от более поздней брони по полному тарифу. Интенсивное развитие в Северной Америке авторы относят к апрелю 1977 года, когда American Airlines ввела тарифы Super Saver. Ниже — когда метод окупается, почему клиенты сопротивляются и где закон ставит границы. Страница даёт общую информацию и не заменяет консультацию юриста.

Откуда идея: скоропортящаяся мощность

Лучше всего динамические цены работают там, где запас фиксирован и «сгорает». Пустое кресло после вылета ничего не стоит, поэтому вопрос в том, какую цену показать сейчас, зная, сколько единиц осталось и сколько времени в запасе. Галлего и ван Райзин формализовали это в 1994 году для продавца, который распродаёт фиксированный запас до крайнего срока: авиабилеты, гостиничные номера, сезонная одежда. Ден Бур разбирает более позднюю линию работ, где спрос изучается по данным о продажах. Классическое изложение — книга Таллури и ван Райзина, она охватывает и управление количеством, и управление ценой.

Самый известный случай — American Airlines. В 1992 году Смит, Леймкулер и Дарроу (Smith, Leimkuhler, Darrow) описали её систему, и компания оценила измеримую выгоду в $1,4 млрд за три года. Это оценка самой компании, поэтому читайте её как заявление, а не как измерение.

Как движется цена

Цену двигают два механизма, и они могут работать вместе: первый следит за временем и остатками, второй — за живыми сигналами спроса. Первый снижает или повышает цену по мере приближения даты или сокращения запаса. Второй реагирует на бронирования, поиск или публичную цену соперника.

Как это работает при пиковом спросе, видно на примере такси-агрегаторов. Кастильо, Кнёпфле и Вейл (Castillo, Knoepfle, Weyl) показали: когда цена в загруженные часы слишком низка, свободные водители исчезают, а машины отправляют на длинные подачи, из-за чего заработок падает и водители уходят с линии. Платформе с одной фиксированной ценой пришлось бы держать её очень высокой всё время. Повышенный тариф (surge pricing) этого избегает. Коэн с коллегами использовали алгоритм Uber, чтобы оценить спрос, и получили потребительский излишек от UberX около $2,9 млрд в четырёх городах США в 2015 году. У двух авторов были связи с Uber.

Чтобы понять, насколько далеко можно двигать цену, нужна оценка эластичности спроса по цене. Верхняя граница зависит от ценности для покупателя, о ней говорит ценностное ценообразование.

Почему клиенты сопротивляются

Клиенты судят об изменении цены по причине, и повышение, которое использует внезапную нужду, выглядит несправедливым. В телефонных опросах 1986 года, которые провели Канеман, Кнетч и Талер в Торонто и Ванкувере, 82% из 107 респондентов назвали несправедливым, что хозяйственный магазин утром после метели поднял цену снеговой лопаты с $15 до $20. Вывод авторов: люди принимают повышение, которое переносит возросшие затраты, и отвергают то, которое присваивает сдвиг спроса.

Знакомство с практикой смягчает реакцию. Вирц и Каймс (Wirtz, Kimes) провели в 2007 году два эксперимента и обнаружили: подача и то, кому выгодно, влияли на оценку справедливости, когда люди знали практику хуже, и не влияли, когда знали хорошо. Ошибка стоит дорого. В 28-месячном рандомизированном полевом эксперименте с более чем 50 000 клиентов Андерсон и Симестер выяснили: клиенты, которые позже увидели, что розничный продавец отдаёт товар дешевле, покупали после этого меньше, и сильнее всего это касалось лучших клиентов.

Динамические и персонализированные цены

Юридическая граница проходит между динамическими ценами, где все покупатели в один момент видят одну цену, и персонализированными, где цена зависит от данных о конкретном человеке. Эти понятия часто путают.

Директива Omnibus добавила в закон о правах потребителей обязанность сообщать информацию, статью 6(1)(ea) Директивы 2011/83/EU: сообщать потребителю, если цена персонализирована на основе автоматизированного принятия решений. В пункте 45 преамбулы сказано, что обязанность не должна распространяться на «динамическое» ценообразование или ценообразование «в реальном времени», где такой персонализации нет. Руководство Комиссии 2021 года повторяет эту границу и добавляет, что обязанность охватывает только сам факт персонализации, но не её критерии.

Соединённые Штаты начали следовать за ЕС. По данным Skadden, закон штата Нью-Йорк о раскрытии алгоритмических цен (Algorithmic Pricing Disclosure Act) вступил в силу 10 ноября 2025 года и требует уведомлять, что цена установлена алгоритмом на основе персональных данных; гражданский штраф — до $1000 за нарушение. Окупается ли персонализация, остаётся открытым: Дюбе и Мисра в полевом эксперименте обнаружили, что она повысила прибыль, но сократила суммарный потребительский излишек, хотя более 60% потребителей выиграли.

За подачей тоже следят. Британское Управление по конкуренции и рынкам (CMA) в сентябре 2024 года открыло дело о Ticketmaster и выясняло, получали ли покупатели ясную и своевременную информацию о динамических ценах. Дело закрыто 25 сентября 2025 года обязательствами компании, среди них — уведомление за 24 часа до применения многоуровневых цен.

Алгоритмы и сговор

Программы ценообразования уже распространены: Чен, Мислав и Уилсон (Chen, Mislove, Wilson) выявили в 2016 году более 500 продавцов Amazon Marketplace, применявших алгоритмические цены. Такие программы могут и поднимать цены одновременно без всяких встреч, поэтому о юридических границах подробно говорится в материале о конкурентном ценообразовании. Кальвано с коллегами обнаружили в симуляции, что алгоритмы Q-обучения научились назначать цены выше конкурентных, не обмениваясь сообщениями. В реальности Ассад, Кларк, Ершов и Сюй изучали немецкие бензоколонки: внедрение подняло маржу примерно на 9% там, где была конкуренция, а на дуополных рынках — примерно на 28%, когда обе станции перешли на программу.

Регуляторы реагируют прежде всего на обмен данными. В ноябре 2025 года Министерство юстиции США подало предлагаемое мировое соглашение: по версии ведомства, программа RealPage для аренды использовала закрытую информацию арендодателей. Подавайте в модель только свои данные и публичные цены.

Ограничители, с которыми цену можно отстоять

Коридор цен, правило шага и названная причина отличают инструмент выручки от проблемы с доверием.

Проверьте правила на датах или рынках до запуска, следите за повторными покупками наравне с выручкой и заранее продумайте якорение цен: видимая опорная цена влияет на то, как читается изменение, см. ценовой якорь и эффект приманки. План Growth Lab начинается с коридора цен и листа правил, описанных выше, см. Growth Lab.

Как применять: Динамическое ценообразование: что это и принципы по шагам

1. Проверьте, что запас фиксирован или скоропортящийся. Перечислите то, что нельзя сохранить или вовремя пополнить: места на рейсе, окна приёма в клинике, гостиничные ночи, окно доставки. Если дополнительные единицы дёшевы и появляются мгновенно, динамические цены мало что дадут. Результат: список предложений, у которых непроданная единица пропадает, а распроданная дата означает упущенный спрос.
2. Оцените, как спрос реагирует на цену. Возьмите прошлые изменения цен и акции или проведите небольшой тест и оцените эластичность по каждому предложению и периоду. Пиковые даты обычно отличаются от спокойных. Результат: примерная реакция спроса по каждому предложению, с диапазоном, а не одним числом.
3. Выберите сигналы, которые двигают цену. Возьмите несколько неперсональных сигналов: дни до даты, доля оставшегося запаса, прогноз спроса и публичную цену соперника. Данные о конкретном покупателе не используйте. Результат: короткий список сигналов, у каждого есть источник и владелец.
4. Задайте нижнюю и верхнюю границу. Нижняя граница лежит выше себестоимости единицы и выше цены, которую вы сможете объяснить нынешним клиентам. Верхняя — это цена, которую покупатели ещё сочтут справедливой, исходя из ценности предложения. Результат: коридор цен, записанный до запуска любого алгоритма.
5. Напишите правила движения цены. Определите размер шага, как часто цены могут меняться и что видит клиент, купивший раньше. Много маленьких шагов защитить проще, чем скачок после новости. Результат: лист правил, где для каждого состояния спроса и остатков указано, какая цена показывается.
6. Раскройте причины и проверьте справедливость. Объясните на странице простыми словами, почему цены различаются, например: «дешевле в непиковые часы». Проверьте правила на датах или рынках и смотрите на жалобы и повторные покупки наравне с выручкой. Результат: отчёт о тесте, в котором есть реакция клиентов, а не только выручка.
7. Проверьте риск персонализации и сговора. Убедитесь, что все, кто смотрит на одно предложение в одно время, видят одну цену, либо что вы сообщаете о персонализации. Убедитесь, что алгоритм учится на ваших данных и публичных ценах, а не на закрытых данных соперников. Результат: подписанный чек-лист и дата квартального пересмотра.

Примеры

American Airlines и управление доходностью

Смит, Леймкулер и Дарроу описали систему бронирования American Airlines и привели собственную оценку выгоды от неё. Это цифра самой компании, а не независимый аудит. Система разбила задачу на овербукинг, распределение скидок и управление трафиком, а затем собрала ответы в лимиты мест для каждого тарифа.

Surge-цены Uber и «погоня за дикими гусями»

Кастильо, Кнёпфле и Вейл утверждали: когда цены на поездки в загруженные часы слишком низки, свободные водители исчезают, а машины отправляют на далёкие подачи, из-за чего заработок падает и водители уходят с линии. Их средство — повышенный тариф (surge pricing). Коэн с коллегами использовали алгоритм Uber для оценки спроса и потребительского излишка. У двух авторов были связи с Uber.

Стоматология с пустыми окнами по вторникам

Иллюстративный пример, реальная клиника не подразумевается. У клиники 30 окон на профессиональную чистку по вторникам, и 12 из них обычно пустуют, а субботние окна раскупаются. Нижняя граница — 3 500 ₽ при себестоимости 2 000 ₽. Субботу клиника показывает по 5 500 ₽, а вторник предлагает по 4 300 ₽ с причиной, указанной на странице. Заполненное вторничное окно приносит 2 300 ₽ маржинальной прибыли, пустое — ничего. Тест измеряет, не упадут ли записи на субботу.

Когда применять

Применяйте, когда запас мест или времени ограничен и сгорает, спрос колеблется по датам или часам, вы можете измерить реакцию покупателей и объяснить разницу в цене одной фразой. Метод подходит авиакомпаниям, отелям, такси-сервисам, продаже билетов, окнам доставки, клиникам с незаполненными окнами и любому товару с жёстким сроком.

Когда не применять

Откажитесь, если покупатели доверяют вам как постоянному партнёру и сравнивают цены от визита к визиту, если предложение легко нарастить, если цена обсуждается в каждой сделке или если вы пока не можете объяснить изменение простыми словами. Не применяйте метод и там, где потребность срочная, а у покупателя нет альтернативы: именно такие случаи клиенты судят строже всего. Начните с фиксированных тарифов.

Частые ошибки

• Позволять алгоритму поднимать цены в момент наибольшей нужды, например после шторма: Канеман с коллегами выяснили, что большинство опрошенных сочли это несправедливым.
• Использовать персональные данные как сигнал и не проверить, не становится ли цена персонализированной, а значит, подлежащей раскрытию.
• Не задать нижнюю и верхнюю границы: тогда внезапный всплеск спроса или ошибка соперника назначит цену, которую вы не сможете защитить.
• Смотреть в тесте только на выручку. Андерсон и Симестер обнаружили, что клиенты, которые позже видели более низкую цену, покупали после этого меньше.
• Подавать в модель закрытые цены или продажи соперников или пользоваться поставщиком, который их объединяет.

Вопросы и ответы

Что такое динамическое ценообразование?

Динамическое ценообразование — это изменение цены одного и того же предложения во времени по правилам или алгоритму вслед за спросом, остатками, временем или условиями рынка. От персонализированных цен оно отличается тем, что при персонализации двое клиентов в одно и то же время видят разные цены на одно предложение из-за данных о них.

Чем динамическое ценообразование отличается от персонализированного?

При динамическом ценообразовании цена зависит от переменных, не связанных с клиентом: время суток, предложение, цены соперников, поэтому покупатели видят одну цену в один момент. При персонализированном она зависит от профиля покупателя. Руководство Еврокомиссии 2021 года проводит эту границу и требует раскрытия только для персонализации.

Законно ли динамическое ценообразование?

Как правило, да. Право ЕС не требует раскрытия для динамических цен без персонализации на основе автоматизированного принятия решений, но требует его, если цена персонализирована. В Нью-Йорке теперь требуется уведомление об алгоритмических персонализированных ценах. Закон о конкуренции и правила о взвинчивании цен продолжают действовать.

Почему клиенты считают динамические цены несправедливыми?

Канеман, Кнетч и Талер выяснили, что 82% из 107 опрошенных сочли несправедливым повышение магазином цены снеговой лопаты с $15 до $20 после метели. Позже Вирц и Каймс показали, что подача и ограничения влияют на оценку справедливости в основном тогда, когда люди не знакомы с практикой.

Могут ли алгоритмы ценообразования сговариваться?

Исследования говорят, что могут научиться. Кальвано с коллегами обнаружили, что алгоритмы на основе Q-обучения научились назначать цены выше конкурентных, не обмениваясь сообщениями. Ассад с коллегами обнаружили, что маржа на немецких дуополных рынках бензина выросла, когда обе станции перешли на программы ценообразования. Министерство юстиции США заявило, что программа RealPage использовала закрытые данные арендодателей.

Источники

1. Barry C. Smith, John F. Leimkuhler, Ross M. Darrow, Yield Management at American Airlines, Interfaces 22(1), 1992
2. Jeffrey I. McGill, Garrett J. van Ryzin, Revenue Management: Research Overview and Prospects, Transportation Science 33(2), 1999
3. Kalyan T. Talluri, Garrett J. van Ryzin, The Theory and Practice of Revenue Management, Springer, 2004
4. Guillermo Gallego, Garrett van Ryzin, Optimal Dynamic Pricing of Inventories with Stochastic Demand over Finite Horizons, Management Science 40(8), 1994
5. Arnoud V. den Boer, Dynamic pricing and learning: Historical origins, current research, and new directions, Surveys in Operations Research and Management Science 20(1), 2015, University of Twente record
6. Daniel Kahneman, Jack L. Knetsch, Richard H. Thaler, Fairness as a Constraint on Profit Seeking: Entitlements in the Market, American Economic Review 76(4), 1986
7. Jochen Wirtz, Sheryl E. Kimes, The Moderating Role of Familiarity in Fairness Perceptions of Revenue Management Pricing, Journal of Service Research 9(3), 2007, Cornell eCommons record
8. Eric T. Anderson, Duncan I. Simester, Price Stickiness and Customer Antagonism, Quarterly Journal of Economics 125(2), 2010
9. Juan Camilo Castillo, Dan Knoepfle, E. Glen Weyl, Surge Pricing Solves the Wild Goose Chase, working paper, July 2017
10. Peter Cohen, Robert Hahn, Jonathan Hall, Steven Levitt, Robert Metcalfe, Using Big Data to Estimate Consumer Surplus: The Case of Uber, NBER Working Paper 22627, 2016
11. Jean-Pierre Dube, Sanjog Misra, Personalized Pricing and Consumer Welfare, Journal of Political Economy 131(1), 2023
12. Le Chen, Alan Mislove, Christo Wilson, An Empirical Analysis of Algorithmic Pricing on Amazon Marketplace, WWW 2016, project page
13. Directive (EU) 2019/2161 of 27 November 2019 (Omnibus Directive), recital 45 and Article 4
14. Directive 2011/83/EU on consumer rights, consolidated text including Article 6(1)(ea)
15. European Commission, Notice: Guidance on the interpretation and application of Directive 2011/83/EU, 2021, section 3.3.1 Personalised price
16. Skadden, New York Algorithmic Pricing Law Enacted as Other Jurisdictions Weigh Controls on Price-Setting Technologies, January 2026
17. UK Competition and Markets Authority, Ticketmaster: consumer protection case
18. Emilio Calvano, Giacomo Calzolari, Vincenzo Denicolo, Sergio Pastorello, Artificial Intelligence, Algorithmic Pricing, and Collusion, American Economic Review 110(10), 2020
19. Stephanie Assad, Robert Clark, Daniel Ershov, Lei Xu, Algorithmic Pricing and Competition: Empirical Evidence from the German Retail Gasoline Market, CESifo Working Paper 8521, 2020
20. U.S. Department of Justice, Justice Department requires RealPage to end sharing of competitively sensitive information, 24 November 2025

Обновлено 20 октября 2026

Илья ПушинОснователь PUSHERS & COO Fintech ServiceИлья строит операционные системы для растущих компаний в медицине и финтехе. С 2021 года руководит трансграничными платежами в ARBI Exchange, лицензированном обменнике в Таиланде, включая KYC, AML и выход в новые юрисдикции.Об автореLinkedIn