En sectores como la hostelería y la aviación, los sistemas de Dynamic Pricing son la base de la gestión de ingresos.
¿Qué es Dynamic Pricing?
Un sistema de precios dinámicos o Dynamic Pricing son una serie de reglas algorítmicas que ajustan los precios en tiempo real en función de ciertos factores. Dichos factores pueden ser la demanda del mercado, el comportamiento de los clientes o la competencia, entre otros.
En este sentido, un sistema de Dynamic Pricing permite fijar el precio mediante la previsión de la curva de demanda, aplicándole una función y maximizando el beneficio esperado. Sin embargo, aquí subyace el problema de la estimación causal. ¿Qué efectos producen los cambios de precio en la demanda?
Conseguir un precio de venta óptimo no es fácil. Los especialistas en datos deben ir más allá de la mera predicción y llegar a la inferencia causal. De lo contrario, corremos el riesgo de equiparar la correlación con la causalidad. Con lo cual, terminaremos tomando decisiones de precios que pueden funcionar muy mal o, incluso, ser contraproducentes.
Predicción y causalidad: diferencias y puntos en común
Imaginemos que estamos entrenando un modelo de Machine Learning con datos históricos de reservas de hotel entre los que se incluyen precios. El modelo reconoce la correlación negativa entre el precio y la demanda. En caso de que mañana los precios disminuyeran un 10%, la demanda tiene potencial para aumentar, pero, ¿hasta qué punto?
Principalmente, la dificultad radica en que el modelo nunca ha aprendido las relaciones «causales». Es consciente de cómo varía la demanda con el precio en el pasado, pero desconoce qué pasaría si fijáramos este precio. Esta es, en sí misma, la definición del problema contrafactual. Se proporcionan datos y precios que muestran lo que pasó, pero no lo que habría sucedido si se hubieran fijado precios alternativos.
Esta diferencia es fundamental. Los precios rara vez se asignan de forma aleatoria. Los fijan los revenue managers tras estudiar diversas variables como la demanda, la estacionalidad o las acciones de la competencia. La consecuencia que se deriva es que el precio es endógeno. Además, está relacionado con factores no observados que también influyen en la demanda. Esto puede complicar el análisis y una correlación simplista entre el precio y las reservas dará lugar a una estimación sesgada.
Estimación de la elasticidad-precio
Fijar mejores precios implica que se debe estimar la elasticidad-precio, las relaciones causales entre precio y demanda.
En este sentido, la elasticidad nos indica cómo cambia la demanda cuando se produce una ligera variación en el precio. Si estimamos esta función con la suficiente precisión, podremos simular el impacto de distintos precios en los ingresos totales y elegir el que maximice el beneficio. Sin embargo, es de vital importancia que en este proceso contemos con cierta causalidad de nuestra parte, en lugar de mera predicción.
¿Cómo lo conseguimos?
Estrategias de inferencia causal
A continuación, analizaremos las distintas estrategias de inferencia causal existentes para conocer en qué consiste cada una de ellas.
Variables instrumentales (IV)
Si existen sospechas de que el precio está condicionado por la demanda latente u otros factores no observables, esta estrategia dicta que se pueden aplicar variables instrumentales para aislar los efectos de la variación exógena del precio.
Por ejemplo, los cambios repentinos en los precios de la competencia, las variaciones inesperadas en los costes del combustible o una alteración súbita en los patrones climáticos pueden servir como indicadores.
Experimentos aleatorios de fijación de precios
Los experimentos aleatorios de fijación de precios son la mejor forma de hacer estimaciones. La asignación de precios aleatorios a segmentos de clientes nos ayuda a observar directamente sus efectos.
Estos experimentos pueden ser muy sencillos. Por ejemplo, comparar distintos precios para billetes de avión o habitaciones de hotel similares entre sí proporcionará una estimación clara de la elasticidad.
Diferencia en Diferencias (DiD)
En casos en los que se implementa una nueva estrategia de precios para un mercado y no para otro, se comparan los precios de los mercados tratados y los de control antes y después de los cambios para determinar los efectos causales.
Métodos de puntuación de propensión
Esta técnica parte de la creación de un experimento aleatorio a partir de datos de observación mediante el equilibrio de variables de desviación entre los grupos de precios. Dichos factores pueden ser, por ejemplo, la fecha, el canal o el tiempo previo a la estancia, entre otros.
Causal Forests y Double Machine Learning
Se trata de una serie de métodos avanzados para estimar los efectos heterogéneos del tratamiento utilizando modelos flexibles y manteniendo la imparcialidad, siempre que se den las condiciones clave.
El problema de los precios estáticos
Existe una limitación evidente cuando el precio no cambia lo suficiente como para poder estimar su efecto. Si una aerolínea o una cadena hotelera mantiene los precios relativamente estáticos (ya sea por política interna de la empresa u otros motivos), apenas hay variaciones que aprovechar. En caso de que no haya variaciones, la inferencia causal se vuelve muy afectada. Sería como querer inferir el efecto de un medicamento cuando todo el mundo recibe la misma dosis.
Hay ocasiones en los que los precios cambian pero por respuesta a las señales de demanda. Por ejemplo, el aumento de los mismos en fechas en las que se prevé una alta demanda. En este caso, un análisis simplista sugeriría que los precios altos provocaron una mayor demanda. Esto constituiría una clara distorsión.
En este punto, es donde la experimentación juega un papel importante. Una fijación de precios aleatoria podría ser suficiente según el grado de riesgo empresarial existente. Incluso en el caso de que una fijación de precios aleatoria solo afecte a una parte del inventario, las estimaciones de elasticidad que de ello se derivan pueden llegar a influir en la toma de decisiones a mayor escala.
Equilibrio entre ingresos y aprendizaje
Por otra parte, existe un dilema entre aprovechar el conocimiento sobre la relación entre precios y demanda (obtener ingresos a corto plazo) y explorar los precios para mejorar el modelo (aprender para obtener beneficios a largo plazo).
Se trata de la eterna disyuntiva entre exploración y explotación. Los algoritmos Multi-Armed Bandit ofrecen un enfoque basado en criterios para abordar esta cuestión. Hacen posible la realización de experimentos controlados que favorecen a los grupos que se sabe que son más rentables. Al mismo tiempo, recopilan información sobre los demás grupos.
En esta Introducción a Multi-Armed Bandit puedes encontrar información detallada sobre el algoritmo.
Conclusión
La fijación dinámica de precios es un perfecto ejemplo de la importancia la causalidad. Los modelos predictivos pueden tener la capacidad de predecir la demanda. Sin embargo, sin efectuar una evaluación causal de los precios, es posible que terminen ofreciendo recomendaciones incorrectas. En este sentido, los científicos de datos han de ser conscientes de las hipótesis de las que parten sus modelos. Además, han de considerar las restricciones que conlleva el uso de datos observacionales.
En un contexto tradicional, la inferencia causal es una herramienta para responder a una pregunta clave. ¿Qué pasa con la demanda cuando se sube el precio? Sin embargo, las posibles soluciones dependen de un cuidadoso planteamiento (ya sea mediante experimentos, cuasi-experimentos o modelos inteligentes). Y también de que el proceso de aprendizaje exige cambios. En un contexto en el que los precios permanecen estáticos, no se puede aprender nada.
Si este artículo te ha parecido interesante, te animamos a visitar la categoría Data Science para ver otros posts similares a este y a compartirlo en redes. ¡Hasta pronto!
