1.
“Оптимальные цены”,
или как повысить продажи с помощью
машинного обучения
платформа ценообразования

2.
платформа ценообразования
2006 аналитик в агентстве исследований рынка
2009 эксперт по ценообразованию в международной компании
SunInbev
2015 член Европейского комитета по
ценообразованию Mars, Inc.
2018 Data Scientist в Competera, преподаватель на курсе Brand
Management в Kyiv Academy of Media Arts (KAMA).
Владимир Кучканов
Data Scientist в Competera

3.
обзор
120+
Клиенты
из
28
счастливых
клиентов
стран
80
сотрудников
5
офисов

4.
машинное обучение
Что такое машинное обучение в ритейле?
Машинное обучение:
● класс методов искусственного
интеллекта, характерной чертой которых
является не прямое решение задачи, а
обучение по прецедентам, т.е.
основанное на выявлении эмпирических
закономерностей в данных
Машинное обучение в ритейле:
● класс задач искусственного интеллекта,
призванных оптимизировать и
автоматизировать повторяющиеся
операции сети розничной торговли

5.
проблемы ценообразования
Проблема ценовых оптимумов
Типы бизнес-показателей:
● чем больше, тем лучше (выручка)
● чем меньше, тем лучше (затраты)
● имеют оптимальные значения (цены)
Выручка = sum (цена продажи*кол-во проданных штук)
Валовая прибыль = sum ((цена продажи-закупочная цена)*кол-во проданных штук)
Спрос (продажи в штуках) эластичен к изменению цены (реагирует на цены)
Вывод - все хотят знать оптимальные цены

6.
проблемы ценообразования
Неуловимые ценовые оптимумы
Проблема №1: “непроницаемость будущего”
Реакция спроса на цену:
● нелинейная
● многофакторная
● асинхронная
● «зашумленная» другими факторами
Результат: не видна реакция продаж в будущем на действия бизнеса в настоящем
Проблема №2: ОЧЕНЬ большой портфель
● Меняя цены на один товар, мы влияем на продажи десятков других товаров
● Переоценивать приходится тысячи товаров каждую неделю

7.
проблемы ценообразования
Примеры ценовых оптимумов
Ситуация 1:
Оптимальная цена выше текущей
Ситуация 2:
Оптимальная цена ниже текущей
Ситуация 3:
Оптимальная цена равна текущей

8.
Проблема №1
проблемы ценообразования
Разная реакция спроса на изменение цены
у разных товаров
Решение на основе бизнес-правил: Добавить
коэффициент эластичности -1 в формулы
Решение от консультантов: Предоставляют один или 2
коэффициента эластичности (например, на повышение и на
понижение) только по ключевым товарам
Оптимальное решение: Прогноз спроса при любом
изменении цены для любых товаров

9.
проблемы ценообразования
Перетекание продаж внутри портфеля от
более прибыльных товаров к менее
прибыльным
Решение на основе бизнес-правил: Ограниченные
возможности управления ценами и промо на
низкоприбыльных товарах
Решение от консультантов: Рекомендации по управлению
миксом - “меньше неприбыльных товаров, больше
прибыльных”
Оптимальное решение: Учитывать влияние изменения цены
на каждый товар на суммарные продажи всех остальных
товаров в портфеле
Проблема №2

10.
проблемы ценообразования
Цены на аналоги у более крупных
конкурентов влияют сильнее, чем
собственные цены
Решение на основе бизнес-правил: На основании
предыдущего опыта определить ключевые позиции и всеми
силами держать их цену ниже, чем у конкурентов
Решение от консультантов: Предоставляют классические
стратегии конкурентного ценообразования (“лидеры”,
“преследователи” и т.д.)
Оптимальное решение: Определять силу влияния
конкурентных цен на продажи ключевых товаров в портфеле
Проблема №3

11.
проблемы ценообразования
Необходимость частых переоценок
большого количества товаров
Решение на основе бизнес-правил: Нанять больше
категорийных менеджеров, каждый из которых создаст
файлы переоценки
Решение от консультантов: Иногда предоставляется
программный интерфейс для переоценки ограниченного
количества товаров и выгрузки данных
Оптимальное решение: Автоматический расчет
оптимальных цен на весь портфель, редактирование
сценариев и автоматическая отправка новых цен “на
витрину”
Проблема №4

12.
use case scenario
Алгоритмическое ценообразование
Решение — набор алгоритмов, способных решать комплекс задач:
рекомендовать оптимальные цены
предсказывать
решать задачу максимизации
обучаться интегрироваться

13.
use case scenario
Алгоритмическое ценообразование
Ожидаемый результат:
ценообразование, обеспечивающее
систематическое, «самонаводящееся» продвижение
к одной из основных бизнес-целей ритейла — росту.

14.
use case scenario
Алгоритмическое ценообразование
Структурные изменения, которые это повлечет:
● высвобождение времени ● от тактики к стратегии
● устранение ошибок
● чистые данные ● внутренние компетенции и инструменты

15.
use case scenario
Алгоритмическое ценообразование
Что нужно для того, чтобы внедрить алгоритмы машинного обучения в розничной сети:
Собственный отдел разработки или партнерство с надежной
технологической компанией
Структурированные очищенные данные Готовность руководства и коллектива к
изменениям

16.
преследовал три основные цели:
Максимизировать прибыль без потери
маржинальности
Прекратить копировать действия
конкурентов
Продемонстрировать эффективность
решения Competera
оптимизация цен
Пилотный запуск 1

17.
16.0%
Результаты пилота
2.4%
7.8%
13.6%
-5.1%
2.7%
8.0%
12.9%
Выручка Продажи
(шт)
Кол-во
чеков
Средний чек
Контрольная
группа
Тестовая
группа
оптимизация цен

18.
Контрольная
группа
Тестовая
группа
47%
98.5%
Изменение маржинальности
(где 100% - маржинальность категории до старта пилота)
Результаты пилота
оптимизация цен

19.
преследовал три основные цели:
Максимизировать выручку без потери
маржинальности
Снизить влияние промо-цен и больше
управлять продажами полочными ценами
Продемонстрировать эффективность
решения Competera
оптимизация цен
Пилотный запуск 2

20.
11.5%
Результаты пилота
5.1%
-3.3%
7.8%
-3.0%
8.6%
Выручка Валовая
прибыль
(фронт)
Продажи
(шт)
Контрольная
группа
Тестовая
группа
оптимизация цен