Abstract:
Dalam beberapa dekade terakhir, manajemen pendapatan telah menjadi salah satu sumber keunggulan kompetitif bagi banyak perusahaan, terutama yang bergerak di industri dengan karakteristik kapasitas terbatas dan perishable. Optimasi penentuan harga merupakan salah satu topik utama dalam manajemen pendapatan. Model optimasi penentuan harga dalam manajemen pendapatan dapat dibedakan berdasarkan ada tidaknya batasan kapasitas. Dalam kedua jenis model tersebut, masukan yang utama dan terpenting fungsi permintaan, dalam hal ini permintaan yang direpresentasikan sebagai fungsi dari harga.
Model permintaan dalam optimasi penentuan harga telah berevolusi dari model permintaan independen sampai model dengan pembelajaran permintaan yang banyak diadopsi oleh situs perdagangan elektronik. Model permintaan independen mengasumsikan permintaan bersifat eksogen dan tidak dipengaruhi oleh keputusan mengenai atribut produk, harga, dan kapasitas yang dibuat oleh pelaku pasar. Model pembelajaran permintaan melihat permintaan sebagai sesuatu yang dinamis dan merupakan luaran dari proses yang bersifat stokastik atau bahkan tidak pasti. Oleh karena itu, permintaan harus direpresentasikan dengan model yang mengakomodasi dinamika parameter atau bahkan struktur. Hal ini dimungkinkan dengan teknologi yang mendukung proses akuisisi data baru yang bersifat real-time. Di antara kedua model tersebut terdapat model permintaan yang bertitik tolak dari preferensi konsumen, yang sebenarnya telah muncul dari dua dekade sebelumnya, dan dikenal sebagai model discrete choice.
Model permintaan independen banyak diadopsi model-model optimasi di fase awal perkembangan manajemen pendapatan. Model-model penentuan harga di fase ini fokus pada struktur model optimasi dan metode pencarian solusinya. Pada periode berikutnya muncul model-model optimasi dengan fungsi permintaan yang didasarkan pada model discrete choice yang berbasis model probit dan logit agregat. Selanjutnya, perkembangan teknik komputasi dan estimasi memunculkan model discrete choice disagregat yang lebih akurat. Model discrete choice yang menggunakan data stated preference memiliki masalah dengan validitas karena didasarkan pada skenario hipotetis. Dalam perkembangan selanjutnya, model-model permintaan discrete choice menggunakan masukan data stated preference dan revealed preference untuk meningkatkan validitas. Model optimasi dengan pembelajaran permintaan mulai banyak digunakan dalam beberapa tahun terakhir seiring dengan pertumbuhan perdagangan elektronik. Model ini lebih valid karena didasarkan pada perilaku aktual konsumen, namun tidak bisa digunakan untuk memprediksi pilihan konsumen dalam kondisi hipotetis.
Model permintaan berbasis discrete choice membuat model optimasi menjadi lebih realistis sekaligus lebih kompleks. Dalam kasus tanpa batasan kapasitas, kompleksitas ini disebabkan parameter fungsi tujuan optimasi yang menjadi tergantung pada solusi sehingga pencarian solusi secara analitis tidak mungkin dilakukan. Dalam kasus dengan batasan kapasitas, ruang solusinya menjadi sangat besar seiring semakin banyaknya kelas tarif dan kombinasi harga yang mungkin untuk semua kelas tarif.
Penelitian di masa depan bisa diarahkan untuk menggabungkan keunggulan prediktif model permintaan berbasis discrete choice dengan validitas model permintaan berbasis revealed preference dan kecepatan model permintaan pembelajaran. Model permintaan ini tentunya akan berimplikasi pada kompleksitas model optimasi. Penelitian di masa depan dapat diarahkan ke arah pengembangan heuristics atau penerapan metode meta-heuristics untuk mencari solusi dari masalah optimasi penentuan harga.