Определение цен на товары и услуги всегда зависит от множества факторов, при этом во время определения цены товара и/или услуги необходимо учитывать, что завышенная цена может принести разовую прибыль или отпугнуть потенциальных покупателей. В связи с этим в рамках ценообразования устанавливаются тарифы, которые позволяют «завоевать» большую часть рынка и обеспечить максимизацию прибыли. В рамках данной статьи рассматриваются подходы к ценообразованию с точки зрения получаемой прибыли с использованием инструментов анализа данных и моделей машинного обучения. Машинное обучение – это одна из наиболее актуальных областей, которое позволяет решать задачи прогнозирования, классификации или кластеризации данных. Применение анализа данных и машинного обучения к процессу ценообразования билетов на концерты артистов позволяет обеспечить стратегию динамического ценообразования, снизить трудозатраты на определение стоимости билета на концерт, обеспечить учет нестандартных факторов, которые оказывают влияние на стоимость. Полученные модели являются частью музыкально-аналитического сервиса Fanstat – платформы музыкальной аналитики, которая позволяет отслеживать динамику и рейтинговать популярность артистов в региональном разрезе, как ключевого фактора ценообразования в рамках организации концертной деятельности.

Determination of prices for goods and services always depends on the preferences of buyers, while choosing the price of goods and / or services, it must be taken into account that an overpriced price can bring a one-time profit or scare off buyers. In connection with the establishment of pricing tariffs that allow you to “win” a large part of the market and maximize profits. This article discusses approaches to pricing in terms of profit received using data analysis tools and machine learning models. Machine learning is one of the most relevant areas that allows you to solve the problems of predicting, classifying or clustering data. The application of data analysis and machine learning to the process of pricing tickets for concerts of artists allows us to provide a dynamic pricing strategy, reduce labor costs for determining the cost of a concert ticket, and ensure that non-standard factors that affect the cost are taken into account. The resulting models are part of the Fanstat music analysis service, a music analytics platform that allows you to track the dynamics and rate the popularity of artists in the regional context, as a key pricing factor in the organization of concert activities.