Реалізація AI-динамічного ціноутворення у мобільному додатку

Реалізація AI-динамічного ціноутворення в мобільному додатку

Динамічне ціноутворення — це не «підняти ціну коли попит високий». Це алгоритм, який у реальному часі балансує між максимізацією виручки та збереженням конверсії. Занадто агресивна стратегія руйнує довіру; занадто консервативна — залишає гроші на столі.

У мобільних додатках це завдання має додатковий вимір: ціна, показана користувачу, повинна бути консистентною в межах сеансу. Користувач не повинен бачити, як ціна змінилася між переглядом карточки товару та екраном оплати.

Де та як застосовується

E-commerce та маркетплейси

Класичні сценарії: ціни авіаквитків, готелів, доставки, ride-sharing. Фактори, які впливають на ціну: поточний попит (кількість активних сеансів на цей товар), залишок на складі, час до закінчення пропозиції, поведінка конкурентів (парсинг публічних цін), сегмент користувача.

Моделі ціноутворення

Три основних підходи у порядку зростання складності:

Правила: «якщо залишок < 5 одиниць — +15% до базової ціни». Швидко реалізується, легко пояснити бізнесу, погано адаптується до складних паттернів попиту.

Регресія/ML: модель передбачає оптимальну ціну за вектором ознак. XGBoost з ознаками попиту, часу та конкурентного середовища дає хорошу baseline-точність.

Reinforcement Learning: агент навчається в середовищі, отримуючи награду за конверсію та/або виручку. Складніше в реалізації та відладці, але краще у довгостроковій оптимізації. Підходить для зрілих продуктів з великим трафіком.

Ключові технічні моменти

Консистентність ціни в сеансі

Ціна фіксується при першому перегляді товару та не змінюється до кінця сеансу (або визначеного TTL). Реалізується через кеш цін на сервері з ключем {user_id}_{item_id}_{session_id}.

// Android: отримання ціни з кешуванням в межах сеансу
class PricingRepository(
    private val pricingApi: PricingApi,
    private val sessionId: String
) {
    private val priceCache = HashMap<String, PricedItem>()

    suspend fun getPrice(itemId: String, userId: String): PricedItem {
        // спочатку перевіряємо локальний кеш сеансу
        priceCache[itemId]?.let { return it }

        val priced = pricingApi.getPrice(
            PriceRequest(
                itemId = itemId,
                userId = userId,
                sessionId = sessionId,
                timestamp = System.currentTimeMillis()
            )
        )
        priceCache[itemId] = priced
        return priced
    }
}

Ознаки для моделі ціноутворення

@dataclass
class PricingFeatures:
    # Demand signals
    views_last_1h: int
    add_to_cart_rate_1h: float
    active_sessions_on_item: int

    # Supply
    stock_level: int
    days_until_expiry: Optional[int]  # для швидкопсуваних

    # User segment
    user_ltv_bucket: int  # 0-4 (низька до високої вартості)
    user_price_sensitivity: float  # еластичність з історії

    # Time context
    hour_of_day: int
    day_of_week: int
    is_payday_week: bool  # 1-7 та 25-31 числа місяця

    # Competitive
    competitor_price_delta: Optional[float]  # % різниця з конкурентом

user_price_sensitivity — важлива ознака, яку часто упускають. Вона обчислюється з історії: наскільки часто користувач купляв після зниження ціни vs при повній ціні. Користувачі з високою еластичністю отримують персоналізовані знижки; нечутливі до ціни — ні.

A/B тестування стратегій ціноутворення

Тестувати цінові стратегії складніше, ніж UI-зміни. Cannibalization bias: користувач у контрольній групі бачить одну ціну, у тестовій — іншу, але вони конкурують за один і той же інвентар. Правильний підхід — гео-розділення або часове розділення (holdout weeks).

// iOS: відображення ціни з badge якщо вона динамічна
struct ProductPriceView: View {
    let pricedItem: PricedItem

    var body: some View {
        HStack(spacing: 6) {
            if let original = pricedItem.originalPrice, original > pricedItem.currentPrice {
                Text(original.formatted(.currency(code: "USD")))
                    .strikethrough()
                    .foregroundColor(.secondary)
                    .font(.subheadline)
            }

            Text(pricedItem.currentPrice.formatted(.currency(code: "USD")))
                .font(.headline)
                .foregroundColor(pricedItem.isDiscounted ? .red : .primary)

            if pricedItem.priceExpiresIn < 600 {  // <10 хвилин
                Text("⏱ \(pricedItem.priceExpiresIn / 60) хв")
                    .font(.caption)
                    .foregroundColor(.orange)
            }
        }
    }
}

Таймер до закінчення ціни створює терміновість без маніпуляції — користувач бачить реальне обмеження, а не фіктивний countdown.

Процес роботи

Аудит даних: історія продажів, поточні сигнали попиту, доступність конкурентних цін.

Побудова baseline правилової стратегії та збір даних для ML-моделі.

Навчання та валідація моделі на офлайн-даних.

Розробка pricing API + client-side кеш сеансу.

Online-тестування з гео-розділенням та моніторингом виручки + конверсії.

Орієнтири за часом

Правилова динамічна ціна з API — 1 тиждень. ML-модель з feature engineering та offline-валідацією — 3–4 тижні. Повна система з online A/B тестуванням та моніторингом — 6–8 тижнів.