Кейсы

Оптимизация цен в ритейле

Проблема

Оптимизация ценообразования является критически важным фактором успеха для retail-бизнеса. В рамках достижения этой цели были поставлены следующие задачи:

1. Получать исторические данные продаж (чеки), информацию о товаре и раскладке товара, информацию о скидках, промо-акциях и кампаниях.
2. Рассчитывать кривую эластичности товара и группы товаров с учетом прямых и косвенных эффектов для разных сегментов покупателей и индекса лояльности.
3. Управлять бизнес-правилами ценообразования (минимальная маржа, максимальное изменение цены, размер упаковки, цена конкурента, собственный бренд и пр.).
4. Прогнозировать продажи с учетом сезона, формирующихся трендов и акций в зависимости от различных сценариев.
5. Выполнять комплексную оптимизацию для достижения целевых показателей по марже, выручке, количеству, конкурентной цене с учетом корпоративных, категорийных и товарных бизнес-правил.

Решение

Для достижения поставленных целей и задач было предложено решение по созданию модели потребления с высокой точностью прогнозирования. Решение осуществляет следующие функции:

1. Выполняет оптимизацию на уровне зоны/категории.
2. Применяет различные бизнес-правила при оптимизации.
3. Осуществляет расчеты интерактивно в режиме реального времени.
4. Учитывает сегментацию клиентов.
5. Выполняет уточнение модели за счет регулярной загрузки информации о продажах.
6. Учитывает влияние акций.
7. Учитывает взаимные эффекты внутри категорий (в частности эффект каннибализма.
8. Учитывает влияние сезона и календаря.

Выгоды

Решение позволяет с высокой точностью прогнозировать следующие экономические показатели:

1. Выручка, маржа.
2. Физический объем продаж (штуки, килограммы, пр.).

Высокая точность прогнозирования позволяет более эффективно выстраивать отношения с поставщиками товаров, вести конкуренцию и планировать развитие сети.

Решение экономит человеческие ресурсы, а также исключает субъективные оценки и потерю (не полный учет) важных данных для целей расчета.

Стек технологий

Python, Java, Scala, Spark