Непослушные цены: как машинное обучение в ритейле прогнозирует продажи

Чтобы опережать конкурентов (более гибкие ритейлеры становятся лидерами рынка), ритейлеры собирают данные о рынке, адаптируют ценовые стратегии и ежедневно переоценивают товары с помощью искусственного интеллекта.

Есть несколько основных проблем, с которыми ритейлер сталкивается, если полагается исключительно на человеческий ресурс в работе с ценой: 

• разные команды ритейлера не могут эффективно собирать и обрабатывать весь необходимый объем данных;
• постоянные ошибки в собранных данных приводят к ошибкам в анализе и переоценке;
• категорийные менеджеры большую часть времени занимаются сбором и анализом данных, поэтому не могут сосредоточиться на стратегическом управлении ценами;
• ритейлер становится заложником «симптоматического» ценообразования – переоценки определенных групп, а не всего ассортимента;
• ценовые решения всегда субъективны и зависят от компетенции эксперта, поэтому их сложно декомпозировать, повторить и масштабировать;
• сложно привлекать новых менеджеров, так как история переоценки нигде не хранится.

Искусственный интеллект обрабатывает данные обо всех транзакциях ритейлера, информацию о сезонности и поведении покупателей, и самообучается на их основе. Алгоритм учитывает бизнес-цели ритейлера, чтобы прогнозировать влияние переоценки на оборот, маржу и продажи. 

Информация о каждом успешном и неудачном решении по переоценке хранится в истории, а значит, команда ритейлера имеет постоянный доступ к ним. 

С искусственным интеллектом ритейлер:

• прогнозирует эффект каждого принятого решения о переоценке;
• повторяет и масштабирует успешные решения;
• фокусируется на стратегических задачах вместо сбора и обработки данных;
• использует структурированные данные в одном месте, а значит, новые члены команды могут быстро вникнуть в переоценку;
• четко и безошибочно анализирует свое положение на рынке.

Разработка собственного решения на основе искусственного интеллекта обычно требует большого количества ресурсов. Высокая стоимость создания решения, постоянная поддержка со стороны  IT-отдела, доставка и структурирование качественных данных делают такой подход нерациональным в большинстве случаев. 

Сторонние решения для оптимизации ценообразования, лишенные перечисленных выше недостатков, позволяют ритейлерам с 98% точностью прогнозировать продажи и подходят большинству бизнесов. 

Несмотря на очевидные преимущества искусственного интеллекта для ритейла, он все еще достаточно редко используются из-за сложностей разного уровня:

• Недостаток качественных данных: для эффективной работы алгоритму нужны структурированные и очищенные данные за последние три года (минимум). 
  
  
• Сложная интеграция: вся команда ритейлера, от категорийного менеджера до топ-менеджмента, должна быть вовлечена в процесс.
  
  
• Отсутствие доверия: после длительного использования сценариев и правил для переоценки товаров, менеджерам сложно довериться рекомендациям по ценообразованию из-за непонимания механизмов принятия решений алгоритмом.

Искусственный интеллект решает большинство проблем, с которыми сталкивается ритейлер. Он быстрее, эффективнее и без ошибок обрабатывает огромные объемы данных, прогнозирует влияние переоценки на ключевые показатели ритейлера и никогда не устает. 

В то же время, ритейлеры все еще опасаются отдавать управление маржинальностью алгоритмам. Это связано с непониманием принципов работы ИИ, недостатком качественных данных и необходимостью вовлекать большое количество участников в процесс интеграции. Но все эти сложности нивелируются, когда ритейлер видит рост маржи или продаж, обеспеченный алгоритмом.