El objetivo principal de los equipos de revenue management es implementar una política de precios que maximice el ingreso (o el beneficio, si tienen integrados en sus sistemas información de costes). Sin embargo, identificar dicha política de precios es realmente complicado debido a los diferentes factores que son afectados por los cambios de precios y que acaban finalmente repercutiendo al ingreso.
Veámoslo desde un punto de vista algo más esquemático:
Notación: P=Precio, I=Ingreso, X=Otros factores.
Si lo que ocurriera es que cuando se modifican los precios solo existe un efecto directo al ingreso, es decir, P -> I, estaríamos en un escenario ideal en el que se simplifica mucho el modelo causal de cambios de precios. Sin embargo, este escenario no es más que una simplificación que no se ajusta a la realidad. Existen diversos factores que influyen en el ingreso y que son afectados por cambios de precio. Es decir, un modelo causal más realista es que P -> I y P -> X -> I (por simplicidad, por el momento no entraré en la posibilidad realista que existan efectos con dirección inversa a los mencionados como por ejemplo que I -> P).
En este artículo, nos centraremos en los retos que hay que enfrentar a la hora de implementar una política de precios óptima, la cual requiere inferir correctamente el modelo causal de los cambios de precios. Más concretamente, veremos que estimar correctamente la elasticidad de demanda, contabilizar el impacto de la política de precios sobre la percepción de los clientes a largo plazo y modelar la reacción de la competencia son, con diferencia, los retos técnicos más difíciles de resolver.
Esta dificultad surge por dos motivos: uno es la complejidad matemática del sistema causal y el otro es la incapacidad de proporcionar al sistema los datos necesarios para que se puedan hacer las inferencias pertinentes. En cuanto al primero, se arregla fácilmente contando con un equipo técnico competente como el que tenemos en Damavis. Sin embargo, el segundo motivo puede tener difícil solución en caso de que no haya forma de capturar todos los datos necesarios.
Reto de estimar la elasticidad de demanda
La elasticidad de demanda nos informa de cómo varían porcentualmente las unidades vendidas al cambiar los precios. Un modelo clásico para estimar este efecto es un modelo log-log, el cual nos permite inferir tanto los efectos P -> I como P -> X -> I. Sin embargo, este reto a su vez presenta algunos desafíos a la hora de implementarlo, principalmente basados en la dificultad de obtener todos los datos necesarios para inferir el modelo causal.
Lo primero a tener en cuenta es que es necesario que hayan ocurrido cambios de precio para un mismo contexto. Por ejemplo, supongamos que una empresa pone dos precios, uno para temporada baja y otro para temporada alta. En este escenario, dado un contexto, ¿hay cambios de precios? La respuesta es que no. La temporada es el contexto, y en este escenario, dada la temporada, los precios no varían. Esto es un impedimento para inferir el impacto de modificaciones de precios dada una temporada, debido a que nunca hemos observado ningún cambio de precio.
Además, el modelo debe contener todas aquellas variables que, en caso de ausencia, generan sesgo por variable omitida. Estas variables son aquellas que están correlacionadas con el precio y afectan a la variable dependiente, que en nuestro caso es el ingreso.
Un ejemplo claro es el precio de la competencia. Los cambios de precios de la competencia, los cuales normalmente están correlacionados los nuestros precios, suelen tener un alto potencial de impacto en nuestro ingreso (si los precios de la competencia son muchos más atractivos que los nuestros, podemos perder ventas y, consecuentemente, ingreso). El precio de la competencia es un ejemplo de factor contenido en X. La dificultad está en tener accesible el dato de qué cambios han hecho y en qué momento, y no siempre es un dato fácil de obtener.
Por supuesto, hay muchos más factores contenidos en X que no son fácilmente accesibles y que son cruciales para obtener un modelo no sesgado. Algunos de estos factores son los cambios en los ingresos de los consumidores, la evolución de sus preferencias, modificaciones en regulaciones e impuestos, evolución de la estructura de mercado (por ejemplo, cantidad y semejanza de nuevos competidores), entre muchos otros. Como podemos ya intuir, no es trivial tener acceso a información precisa que cuantifique estos factores.
Finalmente, una dificultad añadida de los modelos de elasticidad, es que, a pesar de tener los datos necesarios para hacer una inferencia correcta del modelo causal, es que los patrones de elasticidad pueden variar en el tiempo. Por eso, tener la capacidad de ser ágiles a cambios de la estructura causal es primordial para usar modelos actualizados.
Reto de inferir el impacto sobre la percepción de los precios de los clientes
Cuando menciono la compañía Ryanair, ¿cuál es tu percepción referente a sus precios? Dicho de otra forma, si quieres hacer un viaje y tienes poco presupuesto, ¿qué aerolínea tienes en mente que tiene sentido usar? Seguramente, entre otras, pensarás en Ryanair. Pero, ¿por qué? Por la percepción que tenemos los consumidores respecto al precio de los billetes de Ryanair, que es que son baratos. Eso no implica que realmente lo sean siempre, pero lo que es seguro es que tenemos esa percepción.
La siguiente pregunta entonces es, ¿esta percepción de los precios se traduce en una modificación de la cantidad de reservas? Seguramente sí y cuantificar este efecto es el reto. Consiste en una inferencia del comportamiento del consumidor a largo plazo y, para colmo, esta percepción puede ir cambiando.
Otro ejemplo es la existencia de consumidores estratégicos, los cuales cambian su comportamiento al detectar patrones de cambios de precios. Un caso es cuando las aerolíneas bajan los precios de los billetes a pocas horas de la salida de los vuelos. A priori, podemos pensar que es una estrategia que maximiza el ingreso debido a que está vendiendo billetes que no habría vendido si no hubiera sido por la rebaja de precios, evitando así algo doloroso para las aerolíneas que es que haya asientos vacíos en el momento del despegue. Esto es porque el coste marginal de llevar un pasajero es cercano a 0, por lo que, en principio, uno puede pensar que prácticamente cualquier ingreso es mejor que dejar el asiento vacío.
Sin embargo, esta estrategia de bajar precios a poca antelación se vuelve un problema en caso de presencia de consumidores estratégicos, que en este caso, a pesar de estar dispuestos a pagar un buen precio por los billetes de avión, esperarían hasta el último momento para hacer la compra. En estos escenarios esta estrategia de precios supone una pérdida de ingresos a la aerolínea. Entonces, es primordial entender y modelar bien el comportamiento de consumidores estratégicos para evitar consecuencias devastadoras de las políticas de precios.
Reto de modelar la reacción de la competencia
Tal y como hemos comentado en la sección de elasticidad, un factor relevante a tener en cuenta a la hora de estimar correctamente la cantidad de ingresos dada una política de precios, es el precio de la competencia.
Sin embargo, hasta ahora no hemos hablado de la relación bidireccional que existe con este factor, es decir, nuestra política de precios afecta a la decisión de la competencia de fijar sus precios y viceversa. Por lo que cada cambio de precio desencadena una secuencia de movimientos que hay que contabilizar. Por ejemplo, si la competencia baja los precios un X%, eso nos podría llevar, por ejemplo, a bajarlos un Y%, lo que provocaría otro movimiento de la competencia de bajarlos un Z% y así sucesivamente hasta encontrar (o no) un punto de equilibrio.
Tener los datos suficientes para poder hacer una buena inferencia entre la relación causal de nuestros precios y los de la competencia supone un nivel de dificultad elevado. Y hay que tener en cuenta que, previo a este reto, está el que ya hemos comentado, que es inferir el impacto del precio de la competencia sobre las ventas de nuestro producto.
Conclusión
Como hemos visto, en un mundo de sistemas de precios dinámicos, es complejo garantizar una política de precios óptima. Son muchas las relaciones de variables que se deben tener en cuenta cuando se modifican los precios. Tanto la estimación de la elasticidad, como modelar la competencia y la presencia de consumidores estratégicos, son retos complejos que, en función del contexto, pueden no tener solución. Pero poniéndome algo filosófico, ¿qué sería de la vida si no tuviéramos retos que afrontar?
