Machine learning methods for dynamic energy pricing
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
School of Business |
Master's thesis
Authors
Date
2022
Department
Major/Subject
Mcode
Degree programme
Information and Service Management (ISM)
Language
en
Pages
98 + 7
Series
Abstract
The Finnish electricity market is highly competitive. In 2018 there were 72 retail suppliers in Finland offering products to 3.5 million customers. About 10.9 percent of those customers switched their electricity suppliers in 2018. Price comparison tools were popular among customers. Finnish Energy Authority's price comparison tool alone made an average of 150,000-200,000 price comparisons per month in 2018. Selecting the optimal pricing strategy is one of the companies' most critical challenges. No other tool from the marketing mix can increase sales and revenue as rapidly as pricing. Still, pricing remains one of the least mastered and researched areas of marketing. Traditional pricing strategies usually focus only on covering costs, achieving target margins, and meeting the competition. Dynamic pricing is a model where the goal is to calculate the right price (not the cheapest) for the right customer at the right time. By pricing dynamically, the company delays its pricing decisions until the purchase moment or until after market conditions have been revealed. Dynamic pricing is not a new but increased amount of relevant data, and new technologies such as big data technologies and web mining, along with machine learning algorithms, have made it possible to utilize dynamic pricing more effectively. The purpose of this thesis is to investigate how Dynamic Pricing, together with Machine Learning, can help an electricity company to maximize Customer Lifetime Value. The literature review provides insights from existing academic publications regarding data collecti0n, different dynamic pricing models, the risks associated with dynamic pricing, and machine learning. The data analysis of the study follows the dynamic pricing model described in the literature review. Data analysis uses customer data from an actual electricity company. The purpose of the data analysis is to dynamically price the following electricity contracts of electricity customers so that the customers' common Customer Lifetime Value is as large as possible. Also, the study analyses which variables affect customer churn and what characteristics a price-sensitive customer has. This study demonstrates how machine learning can be used to support dynamic pricing in electricity companies by using the Random Forest machine learning algorithm in a dynamic pricing model with third-degree price differentiation.Suomen sähkömarkkinoilla on kova kilpailu. Vuonna 2018 Suomessa oli 72 sähköntoimittajaa, jotka tarjosivat tuotteitaan 3,5 miljoonalle asiakkaalle. Näistä asiakkaista noin 10,9 prosenttia vaihtoi sähköntoimittajaa vuonna 2018. Hintavertailutyökalut olivat asiakkaiden keskuudessa suosittuja. Pelkästään Suomen Energiaviraston hintavertailutyökalu vuonna 2018 keskimäärin jopa 150 000 – 200 000 hintavertailua kuukaudessa. Optimaalisen hinnoittelustrategian valinta on yksi yritysten kriittisimmistä haasteista. Mikään muu markkinointityökalu ei voi lisätä myyntiä ja tuottoa yhtä nopeasti kuin hinnoittelu. Silti hinnoittelu on edelleen yksi vähiten hallituista ja tutkituista markkinoinnin alueista. Perinteiset hinnoittelustrategiat keskittyvät yleensä vain kustannusten kattamiseen, tavoitemarginaalien saavuttamiseen ja kilpailuun vastaamiseen. Dynaaminen hinnoittelu on malli, jossa tavoitteena on laskea oikea hinta (ei halvin) oikealle asiakkaalle oikeaan aikaan. Hinnoittemalla dynaamisesti yritys lykkää hinnoittelupäätöstään ostohetkeen asti tai siihen asti, kun markkinaolosuhteet ovat paljastuneet. Dynaaminen hinnoittelu ei ole uusi, vaan lisääntynyt määrä relevanttia dataa, ja uudet teknologiat, kuten massadatateknologiat ja verkkolouhinta, sekä koneoppimisalgoritmit ovat mahdollistaneet dynaamisen hinnoittelun tehokkaamman hyödyntämisen. Tämän opinnäytetyön tarkoituksena on tutkia, kuinka dynaaminen hinnoittelu yhdessä koneoppimisen kanssa voi auttaa sähköyhtiötä maksimoimaan asiakkaan elinkaariarvon. Tutkimuksen kirjallisuuskatsaus tutkii olemassa olevia akateemisia julkaisuja liittyen datan keruuseen, erilaisiin dynaamisen hinnoittelun malleihin, dynaamiseen hinnoitteluun liittyviin riskeihin sekä koneoppimiseen. Tutkimuksen data-analyysissa noudatetaan kirjallisuuskatsauksessa kuvattua dynaamisen hinnoittelun mallia. Tutkimuksessa käytetään oikeaa sähköyhtiöltä saatua asiakasdataa. Data-analyysin tarkoituksena on dynaamisesti hinnoitella sähköasiakkaiden seuraava sähkösopimus niin, että asiakkaiden yhteinen elinkaariarvo on mahdollisimman suuri. Tutkimuksessa analysoidaan myös sitä, mitkä tekijät vaikuttavat asiakaspoistumaan ja minkälaisia ominaisuuksia on hintaherkällä asiakkaalla. Tutkimuksessa demonstroidaan, kuinka koneoppimismallia voidaan käyttää tukemaan dynaamista hinnoittelua sähköyrityksissä käyttämällä Satunnainen metsä (Random Forest) -koneoppimismallia dynaamisessa hinnoittelumallissa, joka käyttää kolmannen asteen hintaerottelua (price differentiation).Description
Thesis advisor
Malo, PekkaKeywords
dynamic pricing, machine learning, random forest, energy pricing