Ниже представлено практическое руководство для менеджеров по ценообразованию и рискам. Что такое персонализированное ценообразование, чем оно отличается от динамического ценообразования, а также как его обнаружить и управлять им без потери доверия клиентов и риска для контролирующих органов.

---

Введение. Почему эта тема важна прямо сейчас (2026 год)

Представьте, что в понедельник утром ваш СРО сбрасывает в общий чат скриншот. Два покупателя, один и тот же товар, одно время, а итоговая цена разная. Отдел продаж пожимает плечами и говорит, это наверное алгоритм. Топы спрашивают, почему падает прибыль. Юристы спрашивают, какие данные загружаются в алгоритм и давал ли пользователь согласие.

Такое ценовое смещение это реальная проблема. Она возникает, когда сбор данных, эксперименты и пробелы в исполнении ценообразования потихоньку меняют то, сколько платят пользователи, а ваша команда не может четко объяснить или защитить результат.

В 2026 году это уже не просто вопрос утечки прибыли. Давление контролирующих органов в США быстро растет. Федеральная торговая комиссия США изучает практику персонализированного ценообразования (Pricing Surveillance), которое еще называют ценообразование на основе слежки, а штаты вроде Нью-Йорка и Калифорнии принимают новые законы о прозрачности и борьбе с тайным сговором. Руководителям по управлению продуктом нужно переходить от ценообразования как черного ящика к прозрачным и хорошо управляемым процессам.

---

Что такое персонализированное ценообразование на практике

Персонализированное ценообразование (Pricing Surveillance) - это сбор и использование детальных данных о покупателе или контексте сделки, чтобы угадать его готовность платить. Готовность платить это максимальная сумма, которую покупатель готов отдать, прежде чем уйти. На основе своего предположения о готовности пользователя заплатить компания меняет цены, скидки, комиссии или доступность предложения на индивидуальном уровне или на уровне микросегментов.

Именно такое определение попадает в новости и законы. В исследовании Федеральной торговой комиссии США за 2025 год указано, что посредники используют данные о поведении, местоположении и канале покупки, чтобы влиять на цены и акции для покупателя.

В сфере управления доходностью специалисты также используют термин персонализированное ценообразование в более широком операционном смысле. Это внешний мониторинг, то есть отслеживание цен конкурентов. И внутренний мониторинг, то есть контроль за тем, насколько популярны цены, соблюдаются ли скидки, не утекает ли прибыль. Такой мониторинг часто полезен и добавляет ценность. Риск возникает тогда, когда мониторинг перерастает в использование данных вроде идентификаторов устройства, истории браузера или предполагаемой демографии, чтобы устанавливать цены, которые ваш бизнес не может четко обосновать.

Ключевые понятия простыми словами

Ценовая дискриминация (Price discrimination) - это когда разным покупателям продают один и тот же товар по разной цене. Это может быть законно или нет в зависимости от обстоятельств и причины различий.

Персонализированное ценообразование (Personalized pricing) - это когда цена или скидка используются 1 раз только под конкретного пользователя. Для этого используют данные о покупателе.

Персонализированное ценообразование на основе слежки за пользователем (Surveillance pricing) - персонализированные цены, для которых компания собирает данные как при слежке (например, следит за вами в интернете) и на их основе делает выводы.

Динамическое ценообразование (Dynamic pricing) - это изменение цены на основе рыночных факторов вроде спроса, предложения или времени. Оно не обязательно привязано к конкретному человеку.

Готовность платить (Willingness-to-pay (WTP) - это максимальная сумма, которую покупатель готов отдать, прежде чем уйти.

---

Где встречаются эти понятия

Ценообразование на основе слежки за пользователем не ограничивается обычной розничной торговлей.

Кейсы использования в B2C: сайты интернет-магазинов и мобильные приложения в любом домене, где проводят любые тесты цен и комиссий, комиссии за доставку и услуги, которые меняются в зависимости от ситуации, пробные подписки и рекламное оформление скидок.

Кейсы использования в B2B (для бизнеса): инструменты для расчета коммерческих предложений, отделы специальных предложений, порталы для дистрибьюторов. Скидки за объём, условия доставки, условия оплаты и одобрение особых заявок. Свобода действий торговых представителей, которая потихоньку превращается в индивидуальные цены, часто без обоснования.

Распространённые заблуждения

Ценообразование на основе слежки за пользователем часто путают с тремя вещами.

1. Мониторинг цен конкурентов, то есть отслеживание рыночных цен. Это просто наблюдение за рынком, а не индивидуальное ценообразование.

2. Ценностно-ориентированное ценообразование, когда компания просит больше денег, потому что даёт больше ценности. Это соответствует разной ценности товара, а не догадкам о готовности платить на основе данных слежки.

3. Динамическое ценообразование, то есть изменение цены на основе рыночных условий. Динамическое ценообразование может быть чистым, например, на основе запасов, времени или спроса. А может быть грязным, например, с использованием личных данных. Главное здесь — какие именно данные используются.

В чем разница между персонализированным и динамическим ценообразованием

Динамическое ценообразование меняет цену на основе наблюдаемых рыночных факторов, таких как запасы на складе, время суток или сезон, ограничения поставок, действия конкурентов или уровень сервиса. Простая формула звучит так - рынок изменился.

Персонализированное ценообразование работает иначе. Оно меняет цену или само предложение в зависимости от того, кем кажется покупатель или что о нем угадала система, а не от того, что происходит на рынке. Его формула звучит так - покупатель готов купить товар по такой-то цене вследствие таких-то причин.

Граница между полезной персонализацией и дискриминацией

Персонализация может быть безобидной. Например, цены для подписчиков лояльной программы, студенческие скидки, скидки за объем или цены за уровень сервиса. Главное это четкая логика, то есть понятное покупателю правило, которое ваши команды могут объяснить.

Персонализация переходит в дискриминацию в нескольких случаях. Когда четкая логика почему такая цена - невидима или ее трудно объяснить. Когда компания использует данные, которые на самом деле указывают на расу или доход человека, даже если напрямую об этом не спрашивает. Когда компания не может документально объяснить, почему цены разные и всегда одни и те же группы людей платят больше, а другие меньше, и у этого нет хорошего объяснения.

Почему эти различия важны для управления и общения с пользователями

Что касается управления, если вы относитесь к персонализированному ценообразованию как к обычному рычагу роста, вы рискуете потерять условия, которые сохраняют ваши цены справедливыми. Именно так ценовые проблемы потихоньку накапливаются.

Что касается общения с клиентами, покупатели терпят разницу в ценах, когда есть понятная причина, например членство в клубе лояльности, объем покупки или уровень сервиса. Они очень плохо реагируют, когда разница кажется личной и скрытой. Reuters сообщили, что новый закон штата Нью-Йорк требует от бизнеса явно раскрывать, если используется алгоритм с использованием личных данных для установки цены. Штраф может достигать 1000 долларов за каждое нарушение.

---

Почему персонализированное ценообразование важно для руководителей по продукту

Доверие, отток клиентов и риск для бренда. Персонализация на основе данных может быстро разрушить доверие клиентов. Когда клиент чувствует, что его выделили, а вы не можете объяснить причину, у вас проблема с доверием еще до того, как возникает проблема с ценой.

В январе 2026 года генеральный прокурор Калифорнии объявил о проверках компаний, которые используют личную информацию для установки индивидуальных цен. Он предупредил, что такие практики могут нарушать закон о конфиденциальности потребителей Калифорнии.

Регуляторные и юридические риски

Эта статья не содержит юридической консультации, но вот общая картина, которую нужно понимать. Если практика ценообразования непрозрачна, вводит в заблуждение или обманчиво оформлена, например скидки, которые везде разные без публичного описания почему они такие, это может стать основанием для защиты прав потребителей.

Если вы используете личные данные пользователей, особенно точное местоположение или предполагаемые признаки вашего дохода, для установки индивидуальных цен, могут применяться законы о конфиденциальности. В Европейском союзе GDPR позволяет налагать штрафы до 4% от общего годового оборота.

Некоторые штаты требуют сообщать клиенту, когда алгоритм с использованием личных данных устанавливает цену. Персонализированное ценообразование может стать юридически опасным, если оно скользит от наблюдения за конкурентами к координации с конкурентами. Даже без явных соглашений, алгоритмическая координация цен может привлечь пристальное внимание, особенно когда конкуренты используют один и тот же инструмент ценообразования.

Влияние на прибыль

Изменения цен часто кажутся незначительными, всего несколько долларов туда сюда, пока вы не посмотрите на их влияние на вашу прибыль. Исследование показывает, что поднятие цены на 1% обычно поднимает операционную прибыль на 3,3–14,3%. Среднее значение в мире составляет 6,4%. Такой эффект существует, потому что цена идет прямо в нижнюю строку отчета о прибыли.

Deloitte описывает случай недополучения выручки, когда расхождения между контрактами и счетами обходились компании в 3-4% выручки примерно на 20тыс транзакций. Это тот вид внутреннего контроля за ценами, который вам нужен, потому что он находит утечку, которую вы действительно можете исправить.

---

Какие данные используют для персонализированного ценообразования

Вы не можете управлять персонализацией, пока не назовете точные критерии\данные. Полезно думать об этом как о разнице между контекстом бизнеса и слежкой за покупателем.

Данные про модель устройства, браузера и приложения:

• Тип устройства (мобильный или компьютер)

• Операционная система (iOS или Android, браузер, версия приложения)

• Постоянные идентификаторы, такие как ID устройства и рекламные ID.

• Цифровой отпечаток устройства, то есть комбинации атрибутов для повторного распознавания устройства.

Риск в том, что детали устройства часто совпадают с факторами дохода или демографии, даже если вы никогда не спрашиваете о них напрямую. Например, некоторые исследования показали, что пользователям Mac показывали более высокие цены в отелях.

Сигналы местоположения, сети и поведения

• Данные о местоположении, GPS, IP адрес, близость к магазину

• Тип сети, Wi-Fi или сотовая связь, интернет провайдер, использование VPN

• Поведение при просмотре, время на странице, поисковые запросы, отказ от корзины, предыдущие визиты

• Паттерны кликов, которые помогают угадать срочность, например, смотрит конкурентов или заходит на страницу в третий раз.

Эти сигналы полезны для таких задач, как предотвращение мошенничества и маршрутизация заказов. Риск возникает, когда вы используете их, чтобы угадать готовность платить и установить персонализированные цены, особенно если вы не можете четко объяснить логику клиентам или проверяющим органам.

Покупные данные и привязка устройств

Самые рискованные данные — это те, которые компания покупает у других. Например, ей могут продать информацию о вашем предполагаемом доходе или о том, на каком вы этапе жизни (студент, молодой родитель, пенсионер).

Также опасны технологии, которые связывают все ваши устройства (телефон, ноутбук, планшет) в один профиль и привязывают девайсы к другим членам вашей семьи.

Посредники продают компаниям готовые ярлыки для людей. Например, «обеспеченные пенсионеры» или «активные студенты». Компания берёт этот ярлык и вешает на ваш профиль.

И ещё один опасный приём — «похожие аудитории». Компания говорит алгоритму: «найди людей, похожих на моих лучших клиентов». Но если среди лучших клиентов случайно оказалось много людей определённой расы или возраста, алгоритм начнёт искать таких же. В итоге компания будет показывать цены по признаку расы или возраста, даже не подозревая об этом.

Хорошее практическое правило звучит так - если вы не можете объяснить пользователю в одном предложении, почему такие критерии используется для установки его цены, то такой критерий не должен использоваться в вашем ценообразовании.

Схема как обнаружить нежелательную персонализацию: аудирование → тестирование → мониторинг

Большинство компаний не планируют использовать агрессивную персонализацию. Она подкрадывается со временем. Один ценовой тест тут, новое правило комиссии там, небольшое изменение в предложениях для постоянных клиентов или торговый представитель, делающий исключения. Вот почему вам нужен системный подход к обнаружению.

Шаг 1. Аудит. Нарисуйте карту с критериями ваших ценовых решений и каналов

Начните с карты того, где клиент видит цену и где цена на самом деле вычисляется.

Типичные точки принятия решений

• Базовая цена (или контрактная цена)

• Право на скидочную акцию (кто получает какое предложение)

• Скидки (автоматические или применённые торговым представителем)

• Комиссии (доставка, обслуживание, способ оплаты)

• Обработка доставки и налогов

• Доступность (что показывается, а что скрывается)

Каналы

• Веб-сайт

• Мобильное приложение

• Колл-центр

• Баннеры на маркетплейсах

• Порталы для B2B и инструменты расчёта коммерческих предложений

• Кассы в магазинах
  
  На выходе этого шага у вас будет карта отображения цены и список всех мест, где данные клиента или сессии касаются логики ценообразования.

Шаг 2. Тестирование
Вы не пытаетесь доказать, что вы плохие. Вы пытаетесь ответить на конкретный вопрос - получают ли две сравнимые группы людей значительно разные полные цены после учета законных различий в стоимости и обслуживании. Используйте контролируемое тестирование, где можете:

• A/B тесты с контрольной группой, где нет персонализирующих критериев\данных

• Мультивариантные тесты, когда меняется несколько элементов, например комиссии и акции, чтобы изолировать эффекты.

• А ещё можно сравнить, как изменилась разница в ценах после нового правила. Для этого вы смотрите на две группы. В одной вы поменяли правило. В другой оставили как было. И смотрите, насколько сильнее разбежались цены в первой группе по сравнению со второй.

Шаг 3. Постоянный мониторинг и оповещения

После того как вы провели аудит и тестирование, поместите показатели на дашборд с порогами срабатывания. Вам нужен еженедельный (а для крупных интернет-магазинов даже ежедневный) мониторинг для отслеживания:

• Всплески разброса цен на ключевые товары

• Вариативность комиссий, которую клиенты воспринимают как случайность

• Разрыв в равенстве предложений между сопоставимыми группами

• Рост частоты ручных изменений цен в коммерческих предложениях для бизнеса

Цель — не иметь идеально единые цены везде. Цель — иметь ценовые различия, которые вы можете четко объяснить.

---

Логи транзакций и коммерческих предложений (цена, скидка, комиссии, налоги)

Минимальный набор полей

• Идентификатор товара или предложения (SKU/offer ID)

• Временная метка

• Канал

• Цена по прайс-листу или базовая цена

• Размер скидки

• Чистая цена

• Составляющие комиссий (доставка, обслуживание, способ оплаты)

• Количество

• Способ доставки

• Прокси-показатель затрат на выполнение заказа

• Результат заказа (куплено или брошено)

Атрибуты клиента и сессии, а также флаги согласия

• Анонимный идентификатор сессии ID

• Идентификатор клиента ID (если известен)

• Статус лояльности

• Уровень членства в программе лояльности

• География на достаточно крупном уровне, чтобы её можно было защитить

• Флаги согласия (согласие на файлы cookie, настройки персонализации рекламы, выбор в области конфиденциальности)

Логи экспериментов и хранилища признаков моделей

• Идентификатор эксперимента ID

• Назначенный вариант (variant assignment)

• Даты начала и окончания

• Список признаков, использованных в каждой версии модели

• Журналы изменений: когда правило или модель были запущены и кто их утвердил

---

Метрики для расчета риска

Ниже приведены метрики, которые команды по ценообразованию могут рассчитать. К каждой формуле есть пояснение, которое можно сразу отдать аналитику.

Реализованная цена (Realized Price, RP)

RP = Чистая выручка / Количество единиц товара

Используйте чистую выручку после вычета скидок (и бонусов, если можете их распределить). Комиссии лучше учитывать отдельно, если вы хотите контролировать их влияние.

Ставка скидки (Discount Rate)

Ставка скидки = 1 − (Реализованная цена / Цена по прайс-листу)

Метрика, чтобы заметить постепенный рост скидок и сравнить их по разным сегментам.

Коэффициент ценовой дисперсии (Price Dispersion Ratio, PDR)

PDR = P90(Чистая цена) / P10(Чистая цена)

Расчёт берётся для одного и того же товара или предложения, за одинаковый период времени и при сопоставимом уровне сервиса. P90 — это 90-й процентиль (цена выше, чем у 90% всех наблюдений), P10 — 10-й процентиль (цена ниже, чем у 90% всех наблюдений). Рост этого коэффициента — классический признак «ценовой тени».

Разрыв равенства предложений (Offer Parity Gap, OPG)

OPG = (Средняя полная цена группы А − Средняя полная цена группы Б) / Средняя полная цена группы Б

«Полная цена» должна включать все обязательные комиссии и скидки.

Дополнительная маржа от изменения цены (Incremental Margin, IM)

IM = (P_new − VC) × Q_new − (P_old − VC) × Q_old

Где VC — это переменные затраты на единицу товара. Этот показатель превращает разговоры об эластичности спроса в конкретные цифры.

---

Что отслеживать и когда бить тревогу

Пояснения для аналитика (можно добавить под таблицей)

• P90 и P10. 90-й и 10-й процентили чистой цены. P90 — это цена, выше которой находятся 10% самых дорогих продаж. P10 — это цена, ниже которой находятся 10% самых дешёвых продаж. Их отношение показывает разброс цен.

• Стандартное отклонение (Std dev). Показывает, насколько сильно значения комиссий разбросаны вокруг среднего значения. Чем выше отклонение, тем больше хаоса в комиссиях.

• «Забор» (fence). Чёткое и понятное клиенту правило, объясняющее разницу в цене (например, уровень членства в программе лояльности, объём покупки, срочность доставки). Если такого правила нет, ценовая разница считается необоснованной.

---

Пример - как обнаружить и исправить проблему в ценообразовании

Представьте, что ритейлер среднего размера продает фирменные запчасти онлайн через веб сайт и приложение. У них есть программа лояльности. Менеджер замечает странную вещь. Конверсия в приложении высокая, но валовая прибыль в долларах отстает, а в службу поддержки приходят жалобы - друг заплатил меньше.

1. Формируем гипотезу:
   Пользователи мобильного приложения видят более высокие обязательные комиссии, чем пользователи веб сайта, для одного и того же уровня обслуживания. Обязательные комиссии это доставка плюс сервисный сбор.

2. Затем строим сопоставимые группы:
   Заказы сравниваются по одинаковому товару, одинаковому способу доставки, одинаковому региону, похожему размеру корзины и одинаковому времени. Группа А это мобильное приложение, группа Б это веб сайт.

3. Рассчитываем разрыв равенства предложений (Offer Parity Gap (OPG):
   Если средняя полная цена в группе А составляет 108 долларов, а в группе Б 104 доллара, то разрыв равен 108 минус 104, деленное на 104, то есть 3,85%. Это достаточно большой разрыв, чтобы клиенты заметили и начали задавать вопросы.

   OPG = (108 − 104) / 104 = 3.85%

4. Затем проверяем, сохраняется ли разрыв после учета затрат, таких как расстояние доставки, вес заказа, время доставки и право на акции:
   Если разрыв сохраняется, у вас либо проблема с критерими, то есть устройство или контекст приложения выступают как замена готовности платить, либо проблема с конфликтующими правилами, то есть таблицы комиссий не синхронизированы между каналами.

5. Управляем ситуацией:

   - Убираем тип устройства из списка данных, которые влияют на обязательные комиссии. При этом для борьбы с мошенничеством эти данные можно оставить.

   - Добавляем еженедельный мониторинг. Смотрим, как меняются комиссии по каждому каналу и уровню сервиса.

   - Требуем, чтобы любое намеренное различие между каналами было задокументировано и имело понятное клиенту объяснение ("забор").

   - Улучшаем информирование клиентов. Показываем комиссии на раньше (не в самом конце) и одинаково на всех каналах.

Как управлять персонализированным ценообразованием

Рабочая структура управления имеет три слоя: правила использования данных, процесс и доказательства.

Правила использования данных

Создайте короткие правила, которые отвечают на вопрос: какие данные разрешено использовать для влияния на цену, скидку, комиссию или право получить другую цену?

Разрешено (примеры)

• Уровень запасов

• Уровень сервиса (обычный или срочный)

• Географические затратные зоны (не точные следы местоположения)

• Контрактные условия

• Уровни объёма покупок

• Уровень лояльности (явный, понятный клиенту)

• Затраты на канал (если они документированы и последованы)

Запрещено или под строгим надзором (примеры)

• Точные следы местоположения

• История браузера, используемая для определения срочности

• Сторонние предполагаемые демографические данные

• Сегменты благосостояния от брокеров данных

• Использование цифрового отпечатка устройства для определения готовности платить

• Любой признак, который является заменой характеристикам, которые нельзя использовать (даже если он прямо не назван)

Процесс утверждения и документация

• Ценовой совет — межфункциональная команда (ценообразование, продажи, маркетинг, финансы, юристы и специалисты по конфиденциальности). Совет утверждает новые "заборы" (объяснимые правила) и новые категории данных.

• Конверты сделок (для B2B) — целевая цена, диапазон цены, уровни полномочий для исключений.

• Контроль изменений — каждое изменение правила или модели ценообразования должно иметь фиксацию ФИО, причину, оценку риска и план отката.

Документация (карточки моделей, логика ценообразования и журналы аудита). Минимальный набор:

Карточка модели (для моделей ценообразования)

• Цель

• Используемые признаки

• Исключения

• Ограничения

• Результаты тестов

• План мониторинга

Журнал экспериментов

• Что тестировалось

• Когда

• Какие результаты

• Было ли запущено в работу

Журналы аудита

• Кто что изменил

• На что это повлияло