Ритейлер электроники оптимизирует цены и увеличивает прибыль на 16%

В любой непонятной ситуации, снижай цену. Это первое правило одностороннего ценообразования омниканальных ритейлеров электроники. Второе правило — копируй действия конкурентов. Если кто-то внезапно меняет цены на отдельный товар по любой причине, например, чтобы избавиться от остатков, весь рынок переоценивается уже в течение пары часов даже не анализируя, почему.

Крупные ритейлеры используют динамическое ценообразование: основанный на правилах алгоритм устанавливает цены такие же как у конкурентов, или ниже конкурентов на определенный процент. Это продолжается бесконечно и приводит к ценовым войнам, особенно, во время мертвого сезона. Ритейлеры достигают ценового дна, оттолкнуться от которого и вернуться на поверхность, чтобы снова работать в прибыль, очень трудно и долго. Иногда этот процесс занимает около трёх месяцев.

При этом, операционные затраты растут. Поэтому ритейлеры ищут решение, которое позволит увеличить операционную эффективность, «отвязаться» от цен конкурентов и увеличить прибыль.

Фокстрот, крупный восточноевропейский ритейлер электроники, искал способ устанавливать цены независимо от конкурентов и максимизировать выручку без потери маржинальности.

«Мы искали масштабируемое алгоритмическое решение, которое бы учитывало все ценовые факторы, которые не учитывали мы, - комментирует Татьяна Моисеенко, коммерческий директор Фокстрот. - Мы четко осознали, что наши менеджеры не могут проанализировать все нужные переменные, включая исторические данные за 24 года, и устанавливать оптимальные цены в реальном времени. Мы могли бы запустить целый отдел аналитики данных, но это заняло бы много времени и дорого бы стоило. Поэтому мы предпочли технологическое решение».

Фосктрот выбрал решение по оптимизации цен, основанное на искусственном интеллекте. В результате месячного пилотного проекта, ритейлер увеличил прибыль на 16%, оборот — на 13.6%, и удержал маржинальность на уровне 98.5%. При этом, в контрольной группе, где менеджеры устанавливали цены без помощи технологий, маржинальность упала на 47%.

Самообучающийся алгоритм принимал во внимание все нелинейные взаимосвязи, другими словами, ценовые и неценовые параметры. Например, эластичность цен, влияние изменение цены одних товаров и товарных групп на другие товары и группы, длину рассрочки, сезонность и поведение покупателей. Более того, алгоритм учитывал себестоимость, остатки, среднюю цену в технологическом сегменте, позиционирование товара в линейке, цены конкурентов — по сути, все то, что является основой экспертного ценообразования.

Однако, внедрять алгоритмы машинного обучения было не очень просто. «Менеджеры Фокстрот не были полностью готовы применять ценовые рекомендации алгоритма, которые не всегда казались логичными. Например, алгоритм предложил поднять цены на некоторые товары на 2.75% по сравнению с остальным рынком. Мы все время слышали: «Я все понимаю, но мне страшно» или «Я в ритейле 20 лет. Мне виднее», комментирует Владимир Кучканов, аналитик данных в Competera.

Фокстрот также отметил, что «подготовка и обработка данных заняла немного дольше, чем ожидалось.» Ритейлер должен был собрать макроэкономические, исторические данные, а также данные Google Analytics и данные о продажах в едином формате.

Компания уже масштабирует технологическое решение для оптимальных цен на весь ассортимент и прогнозирует результаты каждого ценового решения, чтобы достичь верхнеуровневых целей бизнеса.