Заголовки важнейших бизнес-публикаций убеждают нас в том, что мы наконец-то живем в эпоху «больших данных». Я занимаюсь математической стороной экономики еще с колледжа, так что вы, возможно, думаете, что я рад расцвету этой новой, многообещающей эры. Однако моя реакция больше напоминает дежавю, чем радость.

Открытия в экономике 1970-х годов и стремительная эволюция и персонализация вычислительных способностей пробудили робкую надежду на то, что «большие данные» навсегда изменят маркетинг и ценообразование. Мы научились точно рассчитывать кривую спроса и ценовую эластичность, потому что наконец смогли отслеживать колебания в ценах, доле рынка и объеме продаж, быстро анализировать данные и использовать их для своей выгоды.

Однако большие надежды закончились разочарованием.

Разочарование не было связано с доступностью данных, их глубиной и многообразием или способностью «перемолоть» их. Разочарование вызывала актуальность этих данных. Мы проводим различие между свежими маркетинговыми данными с «живых» рыночных исследований, о которых мы говорили выше, и статистическими данными за прошлый период деятельности компании не в рамках конкретного эксперимента.

Еще в 1962 году Лестер Г. Телсер, профессор Чикагского университета, утверждал, что рыночные данные за прошлый период практически неактуальны для прогнозирования будущего поведения. Причина – в значительных колебаниях. На рынке с высокой ценовой эластичностью, вероятно, разница между ценами конкурентов небольшая. Даже без точных расчетов конкуренты знают, что изменение цен может оказать большое влияние на объем продаж. Так что никто не рискует. Если одна компания изменит свои цены, остальные, скорее всего, последуют за ней, так что соотношение цен вряд ли изменится. С эконометрической точки зрения, можно сказать, что независимая переменная (цена) остается в слишком строгих рамках, чтобы позволить достоверно прогнозировать кривую спроса.

На рынке с низкой ценовой эластичностью действительно наблюдаются значительные колебания цен и ценовой разницы, но они мало влияют на объем продаж. В данном случае эксперт по эконометрике сказал бы, что независимая переменная (объем продаж) остается в слишком жестких рамках, чтобы верно подсчитать ценовую эластичность.

Simon-Kucher & Partners тоже питала большие надежды в период подъема «больших данных», и для нас урок оказался непростым. Когда мы основали фирму в 1985 году, мы планировали применять эконометрические методы к статистическому анализу рынка за прошлый период, чтобы принимать оптимальные ценовые решения. Сооснователь фирмы Экхард Кухер посвятил свою докторскую диссертацию этой теме. С тех пор фирма реализовала более 5000 проектов по ценообразованию во всех основных отраслях, и я бы сказал, что примерно в 100 проектах мы использовали эконометрику как ключевой метод. Профессор Телсер был прав.

Я бы дополнил его наблюдения своим собственным выводом. Я заметил, что компании уделяют меньше внимания ценообразованию, когда дела идут в гору и рынок стабилен. Нужны значительные структурные изменения на рынке – появление нового конкурента, уход конкурента, появление новых технологий или каналов распространения, чтобы вынудить компании уделить внимание ценам, провести анализ или пригласить консультанта. Такое происходит, когда истекает срок действия фармацевтических патентов, и на рынок выходят непатентованные средства; когда физические товары продаются по Интернету, или когда компании агрессивно внедряют новые каналы распространения. Когда происходит такое структурное изменение, статистические маркетинговые данные не дают никаких надежных сведений о настоящем и будущем поведении потребителей. Следствие этих наблюдений касается цен на новые товары, которые тоже зачастую представляют собой «структурный прорыв». Если вы рассчитываете цену на новый товар, например Apple iPhone, то статистические данные за прошлый период в лучшем случае принесут незначительную пользу, а в некоторых случаях – вообще никакую.

За многие годы работы я обнаружил, что сочетание методов, о которых мы говорили, дает самый надежный результат. Ни один метод сам по себе не обладает таким количеством преимуществ, чтобы рекомендовать именно его. Когда один метод проверяет другой, это дает определенный диапазон данных, которые можно использовать, чтобы свести к минимуму количество вариантов. Если все методы показывают одинаковые тенденции и результаты, можно с полной уверенностью говорить о том, что вы правильно определили то, как клиенты отреагируют на ценовые изменения, а цена, которую вы выбрали, действительно оптимальная.