Використання технологій Big Data в системі динамічного ціноутворення підприємств роздрібної торгівлі
Ключові слова:
цифровізація торгівлі, аналітичні платформи, штучний інтелект, прогнозування попиту, цінова еластичність, автоматизація управління, поведінкова аналітика, інформаційні системи, конкурентний моніторинг, електронна комерція.Анотація
Зростання обсягів інформації, зміна поведінки споживачів, посилення конкурентного середовища та динамічність ринкових процесів формують потребу у використанні аналітичних систем, здатних забезпечувати оперативне прийняття цінових рішень у режимі реального часу. Метою статті є дослідження особливостей використання технологій Big Data в системі динамічного ціноутворення підприємств роздрібної торгівлі, формування логіко-структурної моделі функціонування ціноутворення на основі Big Data, розробка алгоритму автоматизованого ціноутворення та системи оцінювання ефективності впровадження цифрових аналітичних інструментів у процеси управління цінами.
У дослідженні використано методи систематизації, узагальнення, структурно-логічного моделювання, аналітичного та порівняльного аналізу. Інформаційною основою стали наукові праці з питань цифровізації роздрібної торгівлі, динамічного ціноутворення, Big Data та використання штучного інтелекту (ШІ) в торговельній діяльності. Для формалізації процесу визначення оптимальної ціни використано елементи економіко-математичного моделювання.
У статті систематизовано підходи до використання Big Data в системі управління цінами підприємств роздрібної торгівлі й охарактеризовано еволюцію динамічного ціноутворення від традиційних моделей до автоматизованих ШІ-рішень. Запропоновано архітектуру інформаційного забезпечення системи динамічного ціноутворення, що інтегрує ERP-, CRM-, POS-системи, веб-аналітику та зовнішні цифрові джерела даних у межах єдиного інформаційного середовища. Розроблено логіко-структурну модель функціонування системи ціноутворення на основі Big Data та методичний алгоритм автоматизованого ціноутворення, який охоплює процеси збору, аналітичної обробки, прогнозування попиту, аналізу еластичності й автоматичного оновлення цін у цифрових каналах продажу. Запропоновано адаптивну модель розрахунку оптимальної ціни з урахуванням попиту, конкурентного середовища, товарних залишків і поведінкових чинників. Сформовано систему оцінювання ефективності ціноутворення на основі Big Data за допомогою фінансових, поведінкових, операційних і конкурентних показників діяльності підприємства.
Посилання
Окрепкий Р. Б., Дудар В. Т. Інноваційні підходи до ціноутворення та управління асортиментом на основі штучного інтелекту. Інноваційна економіка. 2025. № 3. С. 49–54. URL: https://inneco.org/index.php/innecoua/article/view/1557 (дата звернення: 20.03.2026).
Ціхановська О., Сисоєва І. Використання технологій Big Data у ціноутворенні підприємств в умовах переходу до циркулярної економіки. Вісник Хмельницького національного університету. Серія: Економічні науки. 2026. Т. 352, № 2. С. 270–278. DOI: https://doi.org/10.31891/2307-5740-2026-352-35
Dynamization of retail pricing: from traditional price determinants to automation based on artificial intelligence / C. Daase et al. Proceedings of the 27th International Conference on Enterprise Information Systems (ICEIS 2025). 2025. Vol. 1. P. 617–629. DOI: https://doi.org/10.5220/0013441000003929
Hou H., Wu F., Huang X. Dynamic pricing strategy for content products considering consumer fairness concerns and strategic behavior. Industrial Management & Data Systems. 2024. Vol. 124, No. 11. P. 3164–3196. DOI: https://doi.org/10.1108/IMDS-09-2023-0669
Pillai K. K. N., Amma S. K. Multi-agent reinforcement learning for dynamic pricing: balancing profitability, stability and fairness. arXiv. 2026. DOI: https://doi.org/10.48550/arXiv.2603.16888
Mussi M., Restelli M. Online dynamic pricing of complementary products. arXiv. 2025. DOI: https://doi.org/10.48550/arXiv.2511.22291
Apte M., Kale K., Datar P., Deshmukh P. Dynamic retail pricing via Q-learning – a reinforcement learning framework for enhanced revenue management. arXiv. 2024. DOI: https://doi.org/10.48550/arXiv.2411.18261
Liu Q., Song Y. Pricing strategy optimization by machine learning in e-commerce. Proceedings of the 2nd Guangdong-Hong Kong-Macao Greater Bay Area International Conference on Digital Economy and Artificial Intelligence (DEAI ’25). New York : Association for Computing Machinery, 2025. P. 760–765. DOI: https://doi.org/10.1145/3745238.3745358
Zelenyi D. Using big data for demand forecasting and dynamic pricing. Economic Forum. 2025. Vol. 15, No. 2. P. 45–55. DOI: https://doi.org/10.62763/ef/2.2025.45
Несенюк А. Роль інноваційно-технологічних факторів у формуванні конкурентної стратегії торговельних підприємств. Економіка та суспільство. 2025. № 81. DOI: https://doi.org/10.32782/2524-0072/2025-81-56
Тренди в ціноутворенні: як залишатися конкурентоспроможним? PriceControl. 2025. URL: https://pricecop.net/uk/blog/trendy-v-tsenoobrazovanyy/#content-list-title-2 (дата звернення: 22.03.2026).
Оптимізація цін: гайд для e-commerce. Pricer24. 2025. URL: https://pricer24.com/uk/blog/optymizacziya-czin-gajd-dlya-e-commerce/ (дата звернення: 22.03.2026).
Big data в B2B: як великі дані пришвидшують розвиток компаній. YouControl Market. 2026. URL: https://youcontrol.market/blog/big-data-v-b2b-iak-vieliki-dani-prishvidshuiut-rozvitok-kompanii/ (дата звернення: 22.03.2026).
BenMark G., Klapdor S., Sundararajan R. How retailers can drive profitable growth through dynamic pricing. McKinsey & Company. 2017. URL: https://www.mckinsey.com/industries/retail/our-insights/how-retailers-can-drive-profitable-growth-through-dynamic-pricing (дата звернення: 22.03.2026).
Cabrey E. Amazon, Walmart, and Kroger among retailers shifting prices most often. Retail Brew. 2026. URL: https://www.retailbrew.com/stories/2026/03/06/amazon-walmart-and-kroger-among-retailers-shifting-prices-most-often (дата звернення: 22.03.2026).
Лега О., Макарчук А., Прийдак Т., Кухарук С. Моделювання та прогнозування економічних показників підприємства в інформаційно-аналітичних дослідженнях. Сталий розвиток економіки. 2026. № 1 (58). С. 207–215. DOI: https://doi.org/10.32782/2308-1988/2026-58-28.
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, No. 3. P. 99–108. DOI: https://doi.org/10.55737/qjss.370771519.
Immadisetty A. Dynamic pricing strategies in retail: leveraging real-time data analytics for competitive advantage. Journal of Recent Trends in Computer Science and Engineering (JRTCSE). 2025. Vol. 13, No. 1. P. 53–65. DOI: https://doi.org/10.70589/JRTCSE.2025.13.1.8.
Algorithmic pricing: implications for marketing strategy and regulation / M. Spann et al. International Journal of Research in Marketing. 2025. DOI: https://doi.org/10.1016/j.ijresmar.2025.05.001
Dynamic pricing for perishable goods: A data-driven digital transformation approach / T. A. Syed et al. International Journal of Production Economics. 2024. Vol. 277. Article 109405. DOI: https://doi.org/10.1016/j.ijpe.2024.109405
Nowak M., Pawłowska-Nowak M. Dynamic pricing method in the e-commerce industry using machine learning. Applied Sciences. 2024. Vol. 14, No. 24. Article 11668. DOI: https://doi.org/10.3390/app142411668
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, No. 4. P. 580–593. DOI: https://doi.org/10.1016/j.jretai.2023.11.003
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Роман Петрович Прохорук
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
