On modelling product prices and new offers: Differentiated pricing in industrial markets

Thumbnail Image

URL

Journal Title

Journal ISSN

Volume Title

Perustieteiden korkeakoulu | Master's thesis

Authors

Date

2021-03-16

Department

Major/Subject

Systems and Operations Research

Mcode

SCI3055

Degree programme

Master’s Programme in Mathematics and Operations Research

Language

en

Pages

68

Series

Abstract

The work focuses on developing methods for pricing self-adhesive label materials. Pricing has been identified as a critical success factor in this business, inducing an interest to develop mathematical models to support pricing decisions. A diverse global customer base and numerous product variations increase the complexity of the problem, as does a desire to apply nonlinear pricing. Unit prices are thus modelled per pricing region and depend on the expected midterm demand of a customer. The thesis presents two pricing approaches: one for established and another for new products. The background of pricing in industrial markets and price differentiation, including nonlinear pricing, is discussed. An introduction to the self-adhesive label business is provided for context. For established products, the proposed procedure utilises linear regression methods to fit a unit price function to aggregated data. Multiple linear regression methods are explored. Unit price curves are derived from price response functions, and a ln-ln transformation is used to fit a nonlinear unit price function with the linear regression methods. Temporal weights are defined and included as sample weights to emphasise more recent observations within the regression process. To model confidence, a bootstrap-based approach for estimating confidence regions is applied. The applicability and suitability of the introduced solutions are showcased on a real-world sample dataset. Proposals on how the approach can be implemented are given. In addition to using the method for obtaining direct pricing suggestions, it could also be used to identify and rank pricing outliers. The approach for obtaining suggestive prices for new offers is based on combining clusterwise linear regression with a classification machine learning algorithm. Unit price curves are fitted using constrained clusterwise linear regression to obtain product clusters. These clusters are used to train a gradient boosting classification algorithm. The resulting model can provide suggestive price levels for products with no sales based on established products' sales data. The model's performance is validated by applying it on a real-world sample dataset using an out-of-sample approach. The effect the chosen number of clusters and classes has on both the clustering and classification performances is investigated. Determining how a suitable number of clusters should be chosen is left out of this thesis's scope. The applied model produces promising results and can be applied as it is. Still, reasonable future improvement prospects are provided. For instance, the model could be applied to more targeted market segments.

Työn tavoitteena on kehittää hinnoittelumenetelmiä itsenäisesti liimautuville tarramateriaaleille. Yrityksestä kumpuava hinnoittelun tärkeyttä korostava lähestymistapa on lisännyt kiinnostusta matemaattisten mallien soveltamiseen hinnoitteluprosessissa. Mallinnettavan ongelman monimutkaisuutta lisäävät hyvin laaja ja globaalisti levittäytynyt asiakaskunta, mallinnettavien tuoteversioiden lukumäärä, sekä tavoite mallintaa epälineaarisia hintoja. Tämä diplomityö esittelee kaksi hinnoittelumenetelmää tarramateriaaleille: ensimmäinen on tarkoitettu vakiintuneille ja toinen uusille tuotteille. Työ käsittelee teollisuushinnoittelun ja hintaerottelun taustoja sekä esittelee tarramateriaalien liiketoiminnan perusteet. Vakiintuneiden tuotteiden hinnoittelua varten sovitetaan yksikköhintakäyrä ryhmitettyyn aineistoon lineaaristen regressiomenetelmien avulla. Regressiomenetelmien oletusten toteutumista tarkastellaan menetelmien soveltuvuuden varmistamiseksi. Sovitettavat yksikköhintakäyrät johdetaan kirjallisuudesta poimituista hinta-kysyntäkäyristä. Valittu epälineaarinen käyrä linearisoidaan ln-ln muunnoksella lineaarisen regression kanssa sovitettavaan muotoon. Havaintojen selitysarvojen oletetaan pienenevän ajan kuluessa, minkä huomioon ottamiseksi esitellään havaintojen iästä riippuvat painot. Mallinnettujen yksikköhintakäyrien luottamusalueiden arviointiin sovelletaan takaisinotantamenetelmää. Kehitettyjen metodien sovellettavuutta esitellään oikean aineiston avulla ja menetelmien muita mahdollisia soveltamistapoja pohditaan. Lähestymistapaa voi esimerkiksi käyttää keskimääräistä alhaisempia hintoja maksavien asiakkaiden tunnistamiseen ja listaamiseen hinnanalituksen merkitsevyyden mukaan. Ehdotettu metodi uusien tuotteiden hintojen mallintamista varten perustuu klusterikohtaisen lineaarisen regression sekä luokittelu-koneoppimismallin yhdistämiseen. Joukko yksikköhintakäyriä sovitetaan klusterikohtaisen lineaarisen regression rajoitetulla versiolla. Käyrien määrittämiä tuoteklustereita hyödynnetään gradienttitehostaman luokittelumallin opettamiseen. Menetelmän uusille tuotteille ehdottamat hinnat perustuvat jo myynnissä olevien tuotteiden myyntitietoihin, materiaalien kohdemarkkinoihin, sekä materiaalien teknisiin ominaisuuksiin. Metodin toimivuus osoitetaan soveltamalla sitä oikeista havainnoista koostuvaan otokseen monikertaista ristiinvalidointia hyödyntäen. Klustereiden ja luokkien määrän vaikutusta klusterointi- ja luokittelutulosten hyvyyteen tutkitaan, mutta sopivan lukumäärä määrittely jätetään laveaksi. Malli tuottaa lupaavia tuloksia ja on soveltamiskelpoinen. Tästä huolimatta työ esittelee mahdollisia parannuskohteita. Tulosten hyvyyttä voitaisiin esimerkiksi parantaa soveltamalla mallia kohdennetummin rajatuille markkinasegmenteille.

Description

Supervisor

Ilmonen, Pauliina

Thesis advisor

Vuori, Matti

Keywords

pricing, price differentiation, self-adhesive label material, weighted linear regression, clusterwise linear regression, classification

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202103212334

Collections

[dipl] Perustieteiden korkeakoulu / SCI