BIG DATA В АНАЛІЗІ ПОПИТУ ТА ЦІНОУТВОРЕННІ

Анотація

У статті розглянуто наукові та практичні засади використання технологій Big Data в аналізі попиту та ціноутворенні. Доведено, що в умовах цифрової трансформації ринків традиційні підходи до формування цін, які спираються лише на витрати, середню рентабельність і періодичний моніторинг конкурентів, є недостатніми. Сучасний попит формується під впливом складної сукупності факторів, серед яких поведінка споживачів у цифрових каналах, сезонність, промоакції, наявність товарів, ціни конкурентів, макроекономічні показники, регіональні особливості, логістичні обмеження та інформаційні сигнали з онлайн-платформ. Методології обробки великих даних дають змогу об’єднати ці різнорідні джерела даних в єдине аналітичне середовище та використовувати їх для підтримки цінових рішень.

У роботі розглянуто основні групи даних, які застосовуються для прогнозування попиту: транзакційні дані, поведінкові дані, зовнішні ринкові дані та неструктуровану інформацію з відгуків, пошукових запитів і соціальних мереж. Охарактеризовано роль методів машинного навчання, моделей часових рядів, регресійного аналізу, градієнтного бустингу, нейронних мереж і гібридних моделей у виявленні прихованих закономірностей попиту. Особливу увагу приділено оцінюванню цінової еластичності, оскільки вона дозволяє підприємствам визначати, наскільки різні сегменти споживачів реагують на зміну ціни. Запропоновано концептуальну модель застосування Big Data у ціноутворенні, яка охоплює збір даних, очищення, формування ознак, прогнозування попиту, оптимізацію ціни, контроль економічного результату та перенавчання моделей.

Доведено, що динамічне ціноутворення не слід розглядати лише як інструмент максимізації короткострокового прибутку. Воно має враховувати лояльність споживачів, сприйняття справедливості ціни, правові обмеження, ризики алгоритмічної координації та необхідність людського контролю за автоматизованими рішеннями. Наукова новизна дослідження полягає в визначенні шляхів інтеграції методів обробки великих даних  до адаптивних систем ціноутворення, що поєднує аналітичний, оптимізаційний і контрольний рівні. Практичне значення роботи пов’язане з можливістю використання запропонованого підходу в роздрібній торгівлі, електронній комерції, логістиці, сфері послуг і виробничих підприємствах.

References

1.    NIST Big Data Public Working Group. (2015). NIST Big Data Interoperability Framework: Volume 1, Definitions. National Institute of Standards and Technology. https://doi.org/10.6028/NIST.SP.1500-1

2.    OECD. (2023). Algorithmic competition. OECD Publishing. https://www.oecd.org/content/dam/oecd/en/publications/reports/2023/05/algorithmic-competition_2be02d00/cb3b2075-en.pdf

3.    OECD. (2025). Algorithmic pricing and competition in G7 jurisdictions: Emerging trends and responses. OECD Publishing. https://www.oecd.org/en/publications/algorithmic-pricing-and-competition-in-g7-jurisdictions_f36dacf8-en.html

4.    Zelenyi, D. (2025). Using Big Data for demand forecasting and dynamic pricing. Economic Forum, 15(2), 45–55. https://www.econstor.eu/bitstream/10419/323734/1/1932986049.pdf

5.    Safonov, K. (2024). Neural network approach to demand estimation and dynamic pricing in retail. arXiv. https://doi.org/10.48550/arXiv.2412.00920

6.    Shmueli, G., Bruce, P. C., Gedeck, P., & Patel, N. R. (2019). Data mining for business analytics: Concepts, techniques, and applications in Python. Wiley. https://doi.org/10.1002/9781119549840

7.    Provost, F., & Fawcett, T. (2013). Data science for business: What you need to know about data mining and data-analytic thinking. O’Reilly Media.

8.    Kotler, P., & Keller, K. L. (2016). Marketing management (15th ed.). Pearson.

9.    Montgomery, D. C., Jennings, C. L., & Kulahci, M. (2015). Introduction to time series analysis and forecasting (2nd ed.). Wiley.

10.Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer. https://doi.org/10.1007/978-0-387-84858-7

11.Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774. https://doi.org/10.5555/3295222.3295230

12.Lundberg, S. M., Erion, G., Chen, H., DeGrave, A., Prutkin, J. M., Nair, B., Katz, R., Himmelfarb, J., Bansal, N., & Lee, S.-I. (2020). From local explanations to global understanding with explainable AI for trees. Nature Machine Intelligence, 2(1), 56–67. https://doi.org/10.1038/s42256-019-0138-9

13.Mothilal, R. K., Sharma, A., & Tan, C. (2020). Explaining machine learning classifiers through diverse counterfactual explanations. Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency, 607–617. https://doi.org/10.1145/3351095.3372850