Реализация AI-динамического ценообразования в мобильном приложении

Реализация AI-динамического ценообразования в мобильном приложении

Динамическое ценообразование — это не «поднять цену когда спрос высокий». Это алгоритм, который в реальном времени балансирует между максимизацией выручки и сохранением конверсии. Слишком агрессивная стратегия убивает доверие; слишком консервативная — оставляет деньги на столе.

В мобильных приложениях эта задача имеет дополнительное измерение: цена, показанная пользователю, должна быть консистентна в рамках сессии. Пользователь не должен видеть, как цена изменилась между просмотром карточки товара и экраном оплаты.

Где и как применяется

E-commerce и маркетплейсы

Классический сценарий: цена билетов, гостиниц, доставки, ride-sharing. Факторы, влияющие на цену: текущий спрос (количество активных сессий на этот товар), остаток на складе, время до истечения предложения, поведение конкурентов (парсинг публичных цен), сегмент пользователя.

Модели ценообразования

Три основных подхода по возрастанию сложности:

Rule-based: «если остаток < 5 единиц — +15% к базовой цене». Быстро реализуется, легко объяснить бизнесу, плохо адаптируется к сложным паттернам спроса.

Regression/ML: модель предсказывает оптимальную цену по вектору признаков. XGBoost с признаками спроса, времени и конкурентной среды даёт хорошую baseline-точность.

Reinforcement Learning: агент обучается в среде, получая reward за конверсию и/или выручку. Сложнее в реализации и отладке, но лучше в долгосрочной оптимизации. Подходит для зрелых продуктов с большим трафиком.

Ключевые технические моменты

Консистентность цены в сессии

Цена фиксируется при первом просмотре товара и не меняется до конца сессии (или определённого TTL). Реализуется через кэш цен на сервере с ключом {user_id}_{item_id}_{session_id}.

// Android: получение цены с кэшированием в рамках сессии
class PricingRepository(
    private val pricingApi: PricingApi,
    private val sessionId: String
) {
    private val priceCache = HashMap<String, PricedItem>()

    suspend fun getPrice(itemId: String, userId: String): PricedItem {
        // сначала проверяем локальный кэш сессии
        priceCache[itemId]?.let { return it }

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

Признаки для модели ценообразования

@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 скоропортящихся

    # User segment
    user_ltv_bucket: int  # 0-4 (low to high value)
    user_price_sensitivity: float  # эластичность из истории

    # Time context
    hour_of_day: int
    day_of_week: int
    is_payday_week: bool  # 1-7 и 25-31 числа месяца

    # Competitive
    competitor_price_delta: Optional[float]  # % разница с конкурентом

user_price_sensitivity — важный признак, который часто упускают. Он вычисляется по истории: насколько часто пользователь покупал после снижения цены vs при полной цене. Пользователи с высокой эластичностью получают персонализированные скидки; нечувствительные к цене — нет.

A/B тестирование стратегий ценообразования

Тестировать ценовые стратегии сложнее, чем UI-изменения. Cannibalization bias: пользователь в контрольной группе видит одну цену, в тестовой — другую, но они конкурируют за один и тот же инвентарь. Правильный подход — гео-разделение или временнóе разделение (holdout weeks).

// iOS: отображение цены с badge если она динамическая
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: "RUB")))
                    .strikethrough()
                    .foregroundColor(.secondary)
                    .font(.subheadline)
            }

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

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

Таймер до истечения цены создаёт urgency без манипуляции — пользователь видит реальное ограничение, а не фиктивный countdown.

Процесс работы

Аудит данных: история продаж, текущие признаки спроса, доступность конкурентных цен.

Построение baseline rule-based стратегии и сбор данных для ML-модели.

Обучение и валидация модели на офлайн-данных.

Разработка pricing API + client-side кэш сессии.

Online-тестирование с гео-разделением и мониторингом выручки + конверсии.

Ориентиры по срокам

Rule-based динамическое ценообразование с API — 1 неделя. ML-модель с feature engineering и offline-валидацией — 3–4 недели. Полная система с online A/B тестированием и мониторингом — 6–8 недель.