AI ile Fiyatlandırma Optimizasyonu

AI fiyat optimizasyonu nedir?

AI pricing optimization, ürün fiyatını talep, stok, rakip fiyatları ve zaman gibi sinyallere göre veriyle belirleyen ve gerektiğinde gerçek zamanlı ayarlayan bir makine öğrenmesi yaklaşımıdır. Sabit maliyet-artı-marj fiyatlamasının aksine, her ürünün fiyat esnekliğini ölçer ve geliri ya da kârı en üst düzeye çıkaran fiyatı arar. E-ticarette dinamik fiyat, ulaşımda surge pricing, konaklamada yield management hep bu prensibin uygulamalarıdır.

İyi kurgulanmış bir sistem kâr marjını gözle görülür biçimde iyileştirebilir. Bu yazıdaki oranlar sektöre göre değişen örnek/yaklaşık aralıklardır, garanti değildir.

Fiyatlandırma stratejileri

Fiyat esnekliği (price elasticity)

Optimizasyonun temeli, talebin fiyata ne kadar duyarlı olduğunu bilmektir. Esneklik, geçmiş fiyat–satış verisine log-log regresyon uygulayarak tahmin edilir; regresyonun eğimi doğrudan esneklik katsayısıdır:

• |esneklik| > 1 → elastik: talep fiyata duyarlı; fiyat düşünce ciro artabilir.
• |esneklik| < 1 → inelastik: talep fiyata duyarsız; fiyat artışı kârı artırır.
• |esneklik| = 1 → birim elastik: ciro fiyattan bağımsız.

Kâr maksimizasyonu için sık kullanılan markup formülü:

optimal fiyat = maliyet / (1 + 1/esneklik)

Örneğin maliyet 50 TL ve esneklik −2,15 ise formül, kârı yükselten bir referans fiyat üretir. Alternatif olarak farklı fiyatlar için beklenen miktar ve kâr hesaplanıp kârı en yükseğe çıkaran fiyat seçilebilir.

Çok faktörlü dinamik fiyatlandırma

Üretimde tek bir formül yerine, her bağlam sinyali bir çarpan üretir ve ağırlıklandırılarak birleştirilir. Örnek bir ağırlık şeması:

Sonuç mutlaka kısıtlarla sınırlanır: minimum kâr marjı (ör. maliyetin %15 üstü) ve maksimum artış (ör. taban fiyatın %50 üstü). Bu guardrail'ler fiyatın uç değerlere kaçmasını ve müşteri güvenini zedelemesini önler.

Rakip fiyat izleme

Competitor monitoring, rakip fiyatlarını düzenli toplayıp ortalama, minimum ve maksimumu çıkarır; ardından stratejiye göre eylem önerir: match (eşitle), undercut (ör. %5 altına in), veya premium (ör. %5 üstünde konumlan). Fiyat rakip ortalamasının %10 üstündeyse uyarı, %10 altındaysa artış fırsatı sinyali üretilir. Not: veri toplarken rate limiting ve ilgili sitelerin kullanım şartlarına uyum gerekir.

Fiyat A/B testi

İki fiyat benzer trafiğe eşzamanlı sunulur ve gelir/kâr karşılaştırılır. Kritik nokta: daha yüksek dönüşüm her zaman kazanan değildir. Örnek:

Farkın anlamlı olup olmadığı chi-square testiyle kontrol edilir; p < 0,05 ise sonuç güvenilirdir. Bu örnekte A daha düşük fiyata rağmen daha yüksek gelir üretmiştir — karar geliri maksimize edene göre verilir.

Surge pricing (arz-talep dengesi)

Ride-hailing ve etkinlik biletlemede kullanılan surge, talep/arz oranına göre çarpan uygular: oran yükseldikçe çarpan (ör. 1,25x → 2,0x) artar; talep çok düşükse indirim (ör. 0,8x) uygulanır. Bu, kıt kaynağı fiyatla dengeler ancak şeffaflık ve adalet açısından üst sınır ve iletişim gerektirir.

2026 eğilimleri ve öneriler

• Reinforcement learning: Fiyatı sabit kuralla değil, uzun vadeli kârı öğrenerek ayarlayan RL yaklaşımları olgunlaşıyor.
• Gerçek zamanlı feature akışı: Talep, stok ve rakip verisi düşük gecikmeyle fiyat motoruna besleniyor.
• Etik ve uyum: Kişiselleştirilmiş fiyatta ayrımcılık ve KVKK 6698 riski öne çıkıyor; hassas özniteliklere göre fiyat farklılaştırmasından kaçınılmalı.

Ne zaman hangisi? Verisi az yeni ürünlerde esneklik + kural tabanlı guardrail; yoğun rekabette competitor monitoring; büyük katalog ve yüksek trafikte çok faktörlü/RL yaklaşım. Fiyatlandırma, müşteri segmentasyonu ve talep tahmini ile birlikte kurulduğunda en tutarlı sonucu verir; kurumsal çözümlerimizi katalogda inceleyebilirsiniz.