Умное ценообразование для бизнеса: определяем стоимость товаров с помощью ML-алгоритмов

@Freepic
В долгосрочной перспективе это выгодно для бизнеса, так как позволяет автоматизировать ресурсозатратный процесс и высвободить время специалистов на другие задачи. Однако во многих компаниях инициатива остаётся на уровне экспериментов, а расчёты всё ещё ведутся в Excel.

Почему так происходит и что с этим делать, — разбираемся с Вячеславом Жуковым, директором по данным в АЭРО и Александром Воронцовым, директором по развитию АЭРО (на фото соответственно).

      

Как работает динамическое ценообразование

В упрощенном виде система динамического ценообразования, как комплекс бизнес-процессов, механик работы с данными и ИТ-инфраструктура, решает задачи:

● скорости — менять цену так быстро, как нужно;

● анти-рутины — устанавливать стоимость товаров не вручную, а с помощью набора правил внутри ML-модели и анализа ошибок и аномалий;

● порядка — сокращать случаи экстренных «забегов до коммерческого директора» за согласованиями;

● многофакторности — учитывать широкое число факторов, с которыми цена товаров будет лучше отвечать бизнес-целям компании;

● дифференциации — дробить назначение цены по товарным корзинам и по кластерам.

Стоимость товара может зависеть от конкуренции, роста или стагнации в нише, стратегии компании, показателей по продажам, вместимости складов, а также факторов сезонности, погодных условий и географии.

Поэтому первый шаг к динамическому ценообразованию — формирование стратегии как совокупности правил. На сколько процентов наша цифра должна отличаться от конкурентов, закупочной цены и стоимости товара из другого сегмента. При этом важно определить принцип формирования цены. Далее — оценка того, какие результаты могут быть достигнуты с помощью сформированной цены. И уже после этого стратегию можно выпускать «в бой».

В процессе ценообразования ML-алгоритмы помогают:

○ сегментировать товары и формировать корзины по характеристикам,
○ кластеризовать точки продаж по бизнес-показателям,
○ выявлять товары-конкуренты,
○ прогнозировать продажи,
○ определять ценовой разрыв и точки чувствительности к цене, 
○ назначать финальную стоимость.

На что стоит обратить внимание перед внедрением ML-моделей

Разработка ML-моделей для ценообразования может казаться тривиальной задачей, но на практике внедрить их в работу сложно. Основные проблемы:

1. Данные

Для экспериментов данных может хватать, но для масштабирования на весь ассортимент — нет. Иногда информация из разных систем компании (ERP, кассы, WMS) противоречит друг другу или оказывается неточной: так, если данные со складов ошибочны, прогнозы становятся бесполезными.

2. Инфраструктура

Для работы с ML нужна надёжная IT-инфраструктура: хранилище данных, система проверки их качества, оповещения о сбоях и защита от взломов. Важно, чтобы все системы компании были синхронизированы и поддерживали нужную нагрузку.

3. Внедрение

Модель может быть создана корректно, но не встроена в бизнес-процессы, что приводит к сложностям в использовании сотрудниками компании. Важно заранее продумать интерфейсы и точки ввода данных, провести A/B-тесты, спланировать регулярные обновления модели.


@Freepic

Как внедрить ML по шагам

Итак, как выглядит процесс внедрения машинного обучения в динамическое ценообразование? 

Этап №1. Подготовка. Здесь необходимо:

● наладить и оцифровать смежные бизнес-процессы,
● продумать точки использования моделей в бизнес-процессе ценообразования,
● автоматизировать процесс сбора и подготовки данных,
● убедиться в наличии необходимых данных и инфраструктуры для работы с ними.

Для оценки «зрелости» компании для работы с машинным обучением можно обратиться к концепции Data Governance и общепринятым принципам data-менеджмента.

Если бизнес регулярно уделяет внимание управлению данными и вышеперечисленным пунктам, можно переходить к разработке моделей. Если нет — рекомендуем инвестировать время и деньги в развитие data-платформы и обеспечить стабильное качество данных в компании.

Этап №2. Разработка ML-моделей требует совместной работы команды заказчика (менеджеров, аналитиков, методологов) и подрядчика (аналитиков, ML-инженеров, разработчиков). Вместе они анализируют процессы, создают модель, тестируют её и интегрируют в бизнес-приложения, включая системы управления ценами.

Частая ошибка — попытка использовать одну модель для разных задач или категорий товаров. Например, нельзя применять одинаковую модель для расчёта цен на фрукты, бумажные изделия и обувь, а также для кластеризации точек продаж и товаров или подбора аналогов для разных категорий. Универсальный подход снижает эффективность моделей.

Этап №3. Внедрение. Цены — чувствительная сущность. Чтобы неверные прогнозы не роняли бизнес-показатели, нужно настроить процесс отладки:

— тестирование модели без боевого применения, но на реальных данных. Результаты сравниваем с расчетами вручную;

— A/B тестирование: отлаживаем результаты работы ML-модели на основе коммерческих результатов.

---

Читайте также: Как выстроить стратегию ценообразования на маркетплейсах, торгуя на нескольких площадках

---

Этап №4. Наблюдение. Использование результативного варианта модели, но с мониторингом и с ограничениями.

Модель работает, но параллельно отслеживаются её эффективность и ошибки: бизнес получает уведомления об аномалиях и отклонениях от планов, а также действуют ограничения на экстренные случаи. ML-модели требуют регулярного обновления, так как потребительское поведение и рынок постоянно меняются. Без регулярного дообучения они начинают давать неверные результаты.

Внедрение ML-алгоритмов в ценообразование лучше начинать постепенно. Не стоит доверять обещаниям быстро установить готовое решение, которое «само всё сделает». Важно оценить текущее состояние ценообразования в компании, оцифровать данные и процессы, которые для этого используются, а затем определить приоритетные задачи: сегментация, прогнозирование, работа с новинками, промо и регулярными ценами.

Безусловно, ML-системы требуют значительных усилий, выходящих за рамки их разработки и внедрения, которые окупаются в будущем. Но порой, особенно в небольших компаниях, задачи ценообразования можно решить набором четких правил и отлаженным процессом работы с ними, не прибегая к сложным моделям. Поэтому перед началом работы рекомендую задать вопрос: действительно ли в вашем случае нужны именно ML-технологии?

Вячеслав Жуков, директор по данным в АЭРО, 
Александр Воронцов, директор по развитию АЭРО.

Для NEW RETAIL