Стратегии улучшения системы ценообразования с помощью искусственного интеллекта и машинного обучения AI/ML

Получить максимум дохода из тех позиций, где это возможно, и сохранить объем продаж

Сегодня многие розничные сети в разных категориях и форматах имеют большое количество SKUs, ценообразование которых, как правило, осуществляется по единым правилам и наценкам, установленным для товарной категории, в зависимости от ее роли и стратегии. При этом ценовая прозрачность и конкуренция заставляет сети применять конкурентное ценообразование на отдельные корзины SKUs.

Как сбалансировать зачастую жесткую конкуренцию по front-basket и корзинам KVI с возможностью ценообразования остальной части ассортимента back-basket и удержать, или даже увеличить, валовый доход? Это одна из ключевых задач и вызовов розничного ценообразования, решение которой усугубляется еще и необходимостью локализации цен на уровне отдельных кластеров магазинов.

Решить данную задачу позволяет дифференцированный подход к ценообразованию на уровне отдельных SKUs, c учетом локализации ценовых матриц на уровне кластеров магазинов. Если провести анализ продаж и реакции покупателей на изменение цен отдельных SKUs в одной категории, то можно увидеть, что даже в одной категории разные SKU обладают различной ценовой эластичностью, находятся в разных ценовых диапазонах и сегментах и обладают различным потенциалом увеличения валового дохода.

Например, в категории «А» ценовая чувствительность может отличаться более чем на 50% от -1,5 до -2,3, а рентабельность более чем на 25%.

Кроме этого, большое количество категорий (во многих сетях более 400) не позволяет в ручном режиме оперативно дифференцированно управлять таким количеством SKUs. Это приводит к появлению так называемых забытых категорий.

Какие решения можно применить:

Выбор и задание стратегии ценообразования, направленной на увеличение Валового дохода или Выручки, в зависимости от ваших целей;
Задание целевого значения: например, возможно вам не нужно максимизировать валовый доход, а достаточно его увеличить на 5% или 10%;
Определения цены на основе статистики продаж с учетом сезонности, коэффициента чувствительности к цене в разрезе SKUs, форматов, регионов, вплоть до кластеров магазинов. А если у вас развит персональный маркетинг, то и до сегментов покупателей;
Разделения правил и ограничений ценообразования по front-basket, корзинам KVI и back-basket;
Формирования лестницы цен по ценовым диапазонам. Усиливается дифференциация цен в диапазоне за счет использования принципа «треугольника прибыли». Это позволяет получить максимум со всей категории;
Проведения сценарного моделирования расчета цен и выбора наиболее подходящей ценовой матрицы для ваших целей;
Установления приоритетов переоценок, для снижения операционной нагрузки на магазины при изменении цены.

Дифференцироваться от конкурентов там, где этого ждут покупатели и конкурировать по цене

В большинстве секторов розничной торговли уровень конкуренции стремительно растет, особенно со стороны крупных федеральных компаний, которые имеют ценовое преимущество. При этом ценовая прозрачность, осведомленность покупателей о ценах и ценовая агрессивность со стороны конкурентов, являются ключевыми вызовами. Это заставляет многие розничные компании дифференцироваться по ассортименту, вводя СТМ (собственные торговые марки) и ЭТМ (эксклюзивные торговые марки), а по другим известным товарам и брэндам они вынуждены «быть в рынке» — конкурировать по цене даже с федеральными игроками. Такая ситуация часто приводит к продаже товаров ниже себестоимости для удержания ценового позиционирования и восприятия.

Решения ценообразования VESOLV на базе AI/ML поддержат вас в решении задач ценовой дифференциации и конкурентного ценообразования с помощью таких возможностей, как:

Дифференцирование цены на основе статистики продаж с учетом сезонности, коэффициента чувствительности к цене в разрезе SKUs, форматов, регионов, вплоть до кластеров, и, даже сегментов покупателей;
Расчет оптимальной ценовой точки для высококонкурентных товаров, для которых есть мониторинг цен нескольких конкурентов с разными приоритетами;
Задания ценового коридора: минимальной и максимальной цены и ценовых диапазонов;
Формирования корзины SKUs первой цены и жестких KVI, front-basket и back-basket;
Формирования корзин SKUs, ориентированных на микросегменты. Например, корзины ФРЭШ или корзины ЗОЖ, и заданные для них отдельные правила и ограничения ценообразования;
Автоматического определения брэнд -целей для СТМ и поддержания ценового разрыва между СТМ и брэндом;
Формирования горизонтальных ценовых линеек для исключения барьера ценового выбора для предложения ассортимента по одной цене;
Формирования и управления вертикальными ценовыми линейками для поддержания оптимального ценового шага для одного товара с разными ключевыми характеристиками (весом, концентрацией, количеством в упаковке), с учетом спроса и ценовой чувствительности на отдельные SKUs в линейке;
Выбора различных стратегий ценообразования для товаров-новинок: снятия сливок или пенетрации для дифференцирования от конкурентов;
В конечном итоге, оптимизации дифференцированной ценовой матрицы с учетом выбора и задания Стратегии ценообразования, направленной на увеличение Валового дохода или Выручки.

Масштабироваться и автоматически поддерживать множество форматов / регионов / кластеров и моделей ценообразования

Но сегодня категорийные менеджеры и отделы ценообразования должны опуститься до уровня отдельных групп и кластеров магазинов. В одном городе может быть несколько магазинов одного формата, но расположенных в разных локациях с разным уровнем дохода покупателей и конкурентном окружении. Не стоит терять валовый доход там, где нет жесткого конкурентного окружения; а там, где уровень конкуренции высокий, требуется корректировать цены, чтобы удержать относительное ценовое позиционирование у покупателей.

Формирование разных ценовых матриц для разных регионов и форматов является очевидной задачей ценообразования, так как разные форматы формируют разное ценностное предложение. Регионы и города отличаются покупательским поведением и спросом на одни и те же товары.

Звучит просто, но, если перемножить количество кластеров на количество SKUs в ассортиментной матрице, сложность решения этой задачи возрастает по экспоненте.

Решения динамического ценообразования могут быть разработаны с учетом структуры розничной компании и поддерживать три основных уровня ценообразования: формат/географический регион (населенный пункт)/ кластер магазинов, например:

Формат магазина Гипермаркет, жесткий дискаунтер
Регион/Город Лондон, Регион/Город Москва
Кластер магазинов 1 — Midtown, Кластер магазинов 2- Downtown, Кластер магазинов 3- Речной вокзал

Это означает, что вся статистика продаж размечена в соответствии с этой структурой для локализации расчета коэффициента ценовой чувствительности и уменьшения ошибок расчетов. При переоценках вы можете задавать все параметры и ограничения, на каждом уровне соблюдая иерархию. Таким образом, вы можете установить параметры и ограничения на уровне формата по умолчанию, и они будет действовать для всех регионов и кластеров. Или вы можете установить свои специфические параметры и ограничения для выбранного региона и кластера, рассчитывая локализованную ценовую матрицу именно для этого кластера магазинов.

Максимально эффективно проводить промо и автоматизировать поиск оптимальных товаров, скидок и сроков проведения промо

По исследованию компании Nielsen доля продаж по промоакциям топ-20 категорий FMCG превышает более 60%. В некоторых категориях, например, таких, как Кофе, Стиральные порошки, доля промо достигает 80%. В таких условиях, безусловно, цена верного ценового решения в промо даже выше, чем регулярная цена товара. Зачем сетям вообще нужны промоакции?

Есть два основных стимула:

извлечение дополнительного валового дохода за счет эластичности спроса, т.е. снижая цену, мы увеличиваем объемы продаж и, тем самым, перекрываем потери от скидки;
копирование действий более сильных конкурентов в борьбе за покупателя, например, когда ваш конкурент делает промо на каждый второй товар в категории, и вы повторяете за ним просто потому, что боитесь потерять трафик покупателей.

По исследованию Nielsen порядка 60% всех промоактивностей не окупаются. Связано это с тем, что многие сети просто не умеют работать с данными, и большинство решений принимается «на интуитивном уровне».

В распоряжении у сетей есть данные чеков, данные клиентов по картам лояльности, исторические данные проведения промо. Все эти данные вкупе с современными вычислительными ресурсами позволяют вывести промо на новый уровень, уйти от «интуитивной» модели принятия решений и использовать data-driven подход, который позволяет получать более 10% дополнительного валового дохода от оптимизации промо.

Очевидно, что планирование и прогнозирование промо сегодня – это на 90% математическая задача, которую невозможно решить стандартными аналитическими инструментами, поскольку, с одной стороны, есть много факторов, которые нужно учесть, и большой объем данных, с другой – ограниченные временные ресурсы категорийного менеджера, которые не позволяют производить множество расчетов вручную, так как еженедельные промо не оставляют время для глубокой аналитики. Решения оптимизации промо требуют более оперативного транзакционного операционного подхода.

С помощью решений на основе машинного обучения можно решать следующие задачи:

Выбора и задания Стратегии ценообразования, направленной на увеличение+ Валового дохода или Выручки в рамках промо для категории;
Оптимизировать глубину скидки и длину скидки в днях, в том числе с учетом мониторинга цен конкурентов;
Уменьшить эффект каннибализации за счет учета перекрестной эластичности и уменьшения количества SKUs промо в одном ценовом диапазоне;
Определить промо-позиции SKUs, рекомендованные в промо. Провести оценку списка SKUs в промо, который предлагают поставщики;
Определить тип промо: «Ценовое» или «Скидка в %», чтобы получить либо «красивую» промо-цену в рублях, либо оптимизировать глубину скидки в процентах;
Спрогнозировать количество продаж, выручку и валовую маржу только промо SKUs в категории, или, в том числе, по всей категории;
Провести переоценку не только промо SKUs, но и регулярных цен в промо, чтобы минимизировать эффект каннибализации;
Рассчитать несколько сценариев проведения промо и выбрать наиболее оптимальный, исходя из ваших целей и задач;
Дифференцировать промо на уровне форматов, регионов, вплоть до кластеров и сегментов покупателей;
Проводить переоценки на товары, которые являются промо, учитывая приоритеты смены ценников, чтобы ценники на приоритетные корзины были сменены в первую очередь.

Создавать разные корзины KVI и автоматически подбирать оптимальный набор товаров-индикаторов

В свое время одним из шагов к повышению эффективности ценообразования стала сегментация ассортимента по ценовым корзинам, например, Front Basket– ТПЦ (товары первой цены), KVI (know value items – товары -индикаторы) и Back Basket – остальной ассортимент. При таком подходе выделялась часть ассортимента, задачей которого является формирование ценового имиджа – Front Basket, и часть ассортимента для зарабатывания маржи Back Basket. Затем выбирались ключевые конкуренты, по которым проводился мониторинг и устанавливались цены. Как следствие, список KVI при таком подходе увеличивается, цены снижаются, а вслед за ними снижается и доходность всей ассортиментной матрицы.

Такой подход уже не отвечает сегодняшним вызовам. Во-первых, увеличилась частота, с которой необходимо пересматривать KVI. Во-вторых, KVI сегодня должен учитывать канал продаж/локацию, формат торговой точки. Список конкурентов, в свою очередь, определяется не для сети в целом, а исходя из конкретных товарных категорий. Эти изменения обусловлены развитием «магазинов-специалистов», и компании вынуждены конкурировать со многими.

С помощью AI (искусственного интеллекта и машинного обучения) управления корзинами KVI и конкурентного ценообразования можно повысить гибкость и эффективность вашего конкурентного ценообразования на основе KVI:

Проводить оптимизацию вашего списка KVI и выделить SKUs, которые могут действительно влиять на индекс пенетрации категории, длину чека и доход;
Создавать различные корзины KVI, объединяя SKUs из разных категорий. Это позволяет поддерживать и формировать ценовой индекс и удерживать общее ценовое восприятие для разных микросегментов покупателей, например, тех, кто заботится о своем здоровье, или «семьи с маленькими детьми», или «любители пива»;
Для каждой корзины KVI задавать свои стратегии и уникальные параметры и ограничения, в том числе в разрезе формат/регион/кластер магазина;
Запускать расчеты и переоценку по всей корзине, а не отдельно, по каждой категории;
Проводить переоценку корзин KVI автоматически по событию изменения цен конкурентов, по результатам мониторинга или изменению закупочных цен;
Оценивать и управлять ценовым индексом Price Index, как в целом для формата, региона кластера, так и для отдельной корзины, например, ФРЕШ – корзины, или Социальной корзины;
Проводить переоценки на товары, которые являются KVI и входят в разные корзины, учитывая приоритеты смены ценников для уверенности, что ценники на приоритетные корзины будут сменены в первую очередь.

Повысить системность процессов, автоматизировать все рутинные и стандартные задачи, чтобы сфокусироваться на стратегических задачах

Процессы ценообразования в современной розничной компании — это не просто расчеты цены по заданным правилам. Если проанализировать типовые процессы и задачи в розничной компании, можно выделить следующие группы процессов, которые взаимосвязаны, но при этом имеют свою специфику. Любая розничная компания, так или иначе, выстраивает и реализует следующие бизнес-процессы розничного ценообразования:

Определение стратегии ценообразования и ценового позиционирования;
Динамическое регулярное ценообразование;
Конкурентное ценообразование на основе KVI;
Промо и Сезонное ценообразование;
Ценообразование новинок и СТМ.

Решение AI динамического ценообразования поможет справиться со сложностью и динамикой процессов ценообразования и поддержать масштабирование и локализацию вашей розничной сети за счет:

Выбора и задания Стратегии ценообразования, направленной на увеличение Валового дохода или Выручки в зависимости от ваших целей;
Задания целевого значения: например, возможно вам не нужно максимизировать валовый доход, а достаточно его увеличить на 5% или 10%;
Удержания ценового восприятия через оптимизацию списка KVI и управления корзинами KVI;
Ценообразования новинок и СТМ, включая поддержание заданного ценового разрыва СТМ и брэнда;
Оптимизации и расчета рекомендаций SKUs в промо и определения оптимальной глубины и длины скидки;
Пакетного расчета и переоценок нескольких категорий одновременно;
Настройки графиков автоматических расчетов и переоценок;
Автоматического определения приоритетности переоценок и смены ценников на уровне магазинов;
Управление событиями и автоматическими расчетами по событиям, например, при изменении закупочных цен или изменения цен конкурентов по результатам мониторингов.

Заказать решение «Системы ценообразование на основе AI/ML» можно на нашем сайте