Ассортимент крупного маркетплейса неоднороден по двум независимым измерениям, вкладу позиций в выручку и предсказуемости спроса, поэтому единая ценовая политика к нему неприменима. Цель исследования – построить классификацию стратегий динамического ценообразования по сегментам матрицы ABC-XYZ и предложить формализованную методику их приоритизации при ограниченном инженерном и аналитическом ресурсе команды ценообразования. Описаны три стратегии, покрывающие основные типы сегментов: соинвестирование скидок на товары-локомотивы, ценообразование товаров с коротким остаточным сроком годности и ступенчатая уценка deadstock; для каждой указаны источники данных, расчетная логика и условия применимости, построена матрица их соответствия девяти сегментам ABC-XYZ. Для задачи выбора порядка внедрения предложена модифицированная методика ICE-скоринга (Impact, Confidence, Ease) с декомпозицией компонентов на измеримые метрики, привязанные к конкретным системам-источникам, переходом от среднего арифметического к мультипликативной свертке и калибровкой весов на исторических A/B-тестах крупного омниканального маркетплейса. На данных одной товарной категории получено ранжирование трех стратегий; анализ чувствительности к вариации весов в диапазоне ±25 % подтвердил устойчивость порядка. Структура расчета переносима между платформами при условии независимой калибровки весов на собственных исторических данных.
A large marketplace assortment is heterogeneous along two independent dimensions – revenue contribution and demand predictability – and therefore cannot be managed by a single pricing policy. The purpose of the study is to build a classification of dynamic pricing strategies by segments of the ABC-XYZ matrix and to propose a formalised methodology for their prioritisation under the limited engineering and analytical resources of the pricing team. Three strategies covering the main segment types are described: discount co-investment for flagship items, perishable pricing for goods with a short remaining shelf life, and stepwise deadstock markdown; for each strategy data sources, decision logic, and applicability conditions are specified, and a mapping of strategies to the nine ABC-XYZ segments is built. For the rollout-order problem a modified ICE scoring methodology (Impact, Confidence, Ease) is proposed, involving the decomposition of components into measurable metrics linked to specific source systems, a switch from arithmetic mean to multiplicative aggregation, and calibration of weights on historical A/B tests of a large omnichannel marketplace. Applied to anonymised data of one product category, the method yields a ranking of the three strategies; sensitivity analysis under weight perturbations of ±25 % confirms the stability of the order. The calculation structure is portable across platforms provided that weights are independently calibrated on each platform’s own historical data.
1. Kopalle P. K., Pauwels K., Akella L. Y., Gangwar M. Dynamic pricing: Definition, implications for managers, and future research directions // Journal of Retailing. 2023. Vol. 99. Is. 4. P. 580–593. URL: https://www.sciencedirect.com/science/article/abs/pii/S0022435923000544 (дата обращения: 15.05.2026). DOI: 10.1016/j.jretai.2023.11.003.
2. Neubert M. A Systematic Literature Review of Dynamic Pricing Strategies // International Business Research. 2022. Vol. 15. Is. 4. P. 1–17. URL: https://www.ccsenet.org/journal/index.php/ibr/article/view/0/46903 (дата обращения: 15.05.2026). DOI: 10.5539/ibr.v15n4p1.
3. Schlosser R., Boissier M. Dynamic Pricing Under Competition on Online Marketplaces: A Data-Driven Approach // Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York: ACM, 2018. P. 705–714. URL: https://dl.acm.org/doi/10.1145/3219819.3219833 (дата обращения: 15.05.2026). DOI: 10.1145/3219819.3219833.
4. Чачис Д. Ю. Искусственный интеллект в динамическом ценообразовании и разработке персонализированных предложений // Вестник науки 2025. Т. 3. № 12 (93). С. 1423–1427. URL: https://cyberleninka.ru/article/n/iskusstvennyy-intellekt-v-dinamicheskom-tsenoobrazovanii-i-razrabotke-personalizirovannyh-predlozheniy (дата обращения: 15.05.2026).
5. Устинов Д. А., Емельянцев Д. О., Дуров И. В., Татаренков А. С. Автоматизация ценообразования в ритейле с применением машинного обучения // Universum: технические науки. 2024. № 6 (123). С. 20–26. URL: https://7universum.com/ru/tech/archive/item/17762 (дата обращения: 15.05.2026).
6. Lagoda L., Klumpp M. Efficient Warehouse and Inventory Management: The Modified ABC XYZ Analysis as a Framework to Integrate Demand Forecasting and Inventory Control // Dynamics in Logistics. LDIC 2024. Springer, Cham, 2024. P. 390–405. URL: https://link.springer.com/chapter/10.1007/978-3-031-56826-8_30 (дата обращения: 15.05.2026). DOI: 10.1007/978-3-031-56826-8_30.
7. Antipov E. A., Pokryshevskaya E. B. Interpretable machine learning for demand modeling with high-dimensional data using Gradient Boosting Machines and Shapley values // Journal of Revenue and Pricing Management. 2020. Vol. 19. Is. 5. P. 355–364. URL: https://link.springer.com/article/10.1057/s41272-020-00236-4 (дата обращения: 15.05.2026). DOI: 10.1057/s41272-020-00236-4.
8. Hyndman R. J., Athanasopoulos G. Forecasting: Principles and Practice. 3rd ed. Melbourne: OTexts, 2021. 442 p. URL: https://otexts.com/fpp3/ (дата обращения: 15.05.2026). ISBN 978-0-9875071-3-6.
9. Lim B., Zohren S. Time-series forecasting with deep learning: a survey // Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences. 2021. Vol. 379. Is. 2194. Art. 20200209. URL: https://royalsocietypublishing.org/doi/10.1098/rsta.2020.0209 (дата обращения: 15.05.2026). DOI: 10.1098/rsta.2020.0209.
10. Macías-López A., Cárdenas-Barrón L. E., Peimbert-García R. E., Mandal B. An Inventory Model for Perishable Items with Price-, Stock- and Time-Dependent Demand Rate considering Shelf-Life and Non-linear Holding Costs // Mathematical Problems in Engineering. 2021. Vol. 2021. Art. 6630938. URL: https://onlinelibrary.wiley.com/doi/10.1155/2021/6630938 (дата обращения: 15.05.2026). DOI: 10.1155/2021/6630938.
11. Mohammadi Z., Barzinpour F., Teimoury E. A location-inventory model for the sustainable supply chain of perishable products based on pricing and replenishment decisions: A case study // PLOS ONE. 2023. Vol. 18. Is. 7. Art. e0288915. URL: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0288915 (дата обращения: 15.05.2026). DOI: 10.1371/journal.pone.0288915.
12. Loh E., Khandelwal J., Regan B., Little D. A. Promotheus: An End-to-End Machine Learning Framework for Optimizing Markdown in Online Fashion E-commerce // Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. New York: ACM, 2022. P. 3447–3457. URL: https://dl.acm.org/doi/10.1145/3534678.3539148 (дата обращения: 15.05.2026). DOI: 10.1145/3534678.3539148.
13. Эллис Ш., Браун М. Взрывной рост. Как современные быстрорастущие компании совершают успешный прорыв. М.: Библос, 2018. 301 с. ISBN 978-5-905641-44-2.
14. Awais M. Optimizing dynamic pricing through AI-powered real-time analytics: the influence of customer behavior and market competition // Qlantic Journal of Social Sciences. 2024. Vol. 5. Is. 3. P. 99–108. URL: https://qjss.com.pk/index.php/qjss/article/view/149 (дата обращения: 15.05.2026). DOI: 10.55737/qjss.370771519.
15. Huber J., Stuckenschmidt H. Daily retail demand forecasting using machine learning with emphasis on calendric special days // International Journal of Forecasting. 2020. Vol. 36. Is. 4. P. 1420–1438. URL: https://www.sciencedirect.com/science/article/pii/S0169207020300224 (дата обращения: 15.05.2026). DOI: 10.1016/j.ijforecast.2020.02.005.