Трансформация ценообразования в цифровую эпоху

С развитием вычислительной техники, больших данных, искусственного интеллекта и других инструментов, таких как электронные ценники, ценообразование стало мощным инструментом, без учета которого компания может столкнуться с серьезными проблемами.

Ранее для определения ценовой стратегии часто использовались простые факторы: поступила партия товаров, имеется накладная, и мы устанавливаем запланированную маржу или наценку, скажем, 30%, цена установлена. Если меняется себестоимость, вносятся изменения. В других случаях ничего не происходит. Однако с развитием интернета наблюдается значительный сдвиг в этом подходе. Например, когда сеть супермаркетов работает в одном районе с тремя магазинами, покупателю проще сравнить цены в интернете и потом решить куда идти. И здесь важно понимать, что успешное управление ценами не ограничивается только мониторингом цен. Существует множество других факторов, учитываемых современными экономическими практиками и требованиями. Сред них: пересмотр ценовых линеек, автоматизация пересчета на основе остатков (партионный учет) и многое другое. Это гораздо более сложный и информационно насыщенный процесс, чем прежде.

BigData

В цифровую эпоху объем данных о структуре спроса стал гораздо больше, и возможность включить эти данные в ценообразование стала основным вектором трансформации ценообразования.

Однако при оцифровке факторов и превращении их в данные возникает вопрос: каким образом определять правильные цены? Это не универсальное решение, так как стратегии, бизнес-ограничения и ресурсы компаний различаются. Проблемы могут возникнуть в самых неожиданных местах: например, недостаточное количество рабочих рук для замены ценников может помешать постоянным экспериментам с ценами.

Для некоторых компаний рано приступать к серьезным экспериментам с ценообразованием или внедрению специализированных систем. Если ассортимент содержит небольшое количество товаров, то для простых расчетов может подойти даже Excel. Однако при широком ассортименте или сложных правилах, таких как кластеризация или кросс-эластичность, специализированные инструменты становятся незаменимыми.

Ценообразование – это сложный процесс, и нет универсальной формулы для определения его эффективности. Поиск оптимальной цены схож с ходьбой по минному полю, где даже небольшая ошибка может привести к серьезным последствиям для компании. Поэтому при проверке гипотез в ценообразовании необходимо быть крайне осторожным.

ИИ и машинное обучение

В прошлом веке значительным сдвигом в области ценообразования стало внедрение статических методов. Изначально процесс расчетов проводился вручную, однако с расширением объема данных потребовалась автоматизация этого процесса.

В данном разделе мы не будем строго разделять понятия искусственного интеллекта (ИИ) и машинного обучения (ML), поскольку они часто используются взаимозаменяемо. Тем не менее, ML является частью ИИ, их взаимосвязь можно наглядно увидеть на диаграмме.

Основная задача ML заключается в выявлении и использовании закономерностей на практике. Поэтому применение ML в ценообразовании предполагает комбинацию двух методов: прогнозирования (регрессионные модели) и оптимизации цен (оптимизационные модели). Регрессионный анализ используется для точного определения цен, а оптимизационный - для уменьшения времени пересчёта.

С использованием этих методов ценообразование стало прибыльным. Однако компании столкнулись с необходимостью проведения сложных тестов, чтобы понять, какую именно прибыль они получат в результате. Расширение системы делает анализ ещё более трудозатратным, определить приносит ИИ какой-то результат или нет практически невозможно.  Чтобы решить эту проблему ценообразование с использованием ИИ перевели в режим прогнозирования и начали требовать от него не цифр прибыли, но ожидаемости. Теперь от ИИ требуют не просто роста выручки, но точность прогноза этого роста, скажем на миллион рублей с вероятностью 90%.

Система ценообразования переходит от директивной к рекомендательной. В этом процессе пользователь начинает принимать активное участие.

Сегодня перспективы использования естественных языков во взаимодействии с ценообразовательным ИИ становятся все более актуальными. Современные возможности позволяют машине не только понимать предоставленные данные, но и объяснять, как они используются. Пользователи также могут общаться с системой на естественном языке, что открывает новые возможности для управления ценами и обеспечения более эффективной работы.

Кроме того, ИИ можно использовать для мониторинга цен конкурентов. Обычно мониторинг включает связь между карточками товаров магазина и товарами конкурентов. Но это требует высокой точности, которую часто приходится проверять вручную. Существует и другой подход: анализ описаний товаров и поиск цен конкурентов в реальном времени через Интернет.

Эффективность метода связи карточек зависит от качества данных. Когда ИИ ищет товары, риск ошибки выше, но при этом он более независим от решений конкурентов. 

Развитие техники также сказалось на цифровизации. Появление новых решений для ритейла: электронных ценников, датчиков сбыта товара, касс самообслуживания и так далее, расширило объемы данных, с которыми, может работать бизнес. Рассмотрим подробнее каждое из таких решений и каким образом оно связано с ценообразованием

Вспомогательные инструменты

Электронные ценники

Электронные ценники - изобретение сравнительно недавнее. Технология появилась в 2000-х годах, а в России широкое распространение начала получать только в 2016 году. Притом долгое время электронные ценники оставались предметом экспериментальным, но в 2023 году решение о пилотном внедрении электронных ценников принял магазин “Дикси”. Одной из причин внедрения стал дефицит кадров. Ограничение в выставлении ценников связаны именно с сотрудниками магазинов. Физически невозможно переставить цены на несколько тысяч товарных позиций в большом магазине вручную.

Электронные ценники решают несколько проблем: упрощение работы сотрудников, предоставляют большие возможности для перерасчёта цен и позволяют проводить больше экспериментов. При ограничении на возможность выставления новых ценников, компания должна ограничиться самыми важными товарными позициями для переоценки. Возможность работать с ассортиментом всего магазина открывает большие возможности для экспериментов. Можно за неделю провести несколько ценовых экспериментов и проверить их эффективность. По бумажным ценникам сложнее сравнивать результаты исследований.

Датчики контроля товаров

Датчики контроля товаров товаров также начинают использоваться в ритейле и становятся ключевым элементом в системе автозакупок, обеспечивая своевременное оповещение о необходимости пополнения запасов товаров. Эти датчики, размещенные на полках магазина и подключенные к системе управления складом, мониторят уровень продаж каждого товара. Когда товар начинает заканчиваться, датчик автоматически отправляет информацию в распределительный центр, что позволяет оперативно реагировать и отправлять необходимые товары в магазины, минимизируя вероятность дефицита товаров и обеспечивая покупателей широким ассортиментом. Данные, которые использует ценообразования требуют точности, они должны быть лишены ошибок. Если товар заканчивается, в данных могут начать возникать ошибки. Процесс постоянного отслеживания цен, необходимый для аналитики нарушается.

Кассы самообслуживания

Кассы самообслуживания - еще одно преимущество цифровой оптимизации в магазине. Покупатели, использующие кассы самообслуживания, часто оценивают не только ускорение процесса оплаты, но и ощущение контроля над процессом. Психологически цена, которую клиент видит на кассе самообслуживания, может восприниматься иначе, чем цена, объявленная кассиром. Этот фактор влияет на удовлетворенность покупателя и восприятие цен в магазине.

В некоторых магазинах тележки превращаются в настоящий программируемый компьютер, который помогает собирать данные и влиять на ценовое восприятие покупателя. Они могут помочь отследить перемещение покупателя и помочь сформировать его точный портрет. Проблема пластиков карт магазина, которые в России передают в очереди, отчего портятся данные решается такими тележками. 

Данные могут быть использованы для оптимизации размещения товаров в магазине, создания персонализированных предложений и повышения удовлетворенности клиентов. 

Благодаря развитию технологий в сфере розничной торговли, процесс ценообразования становится более сложным и выходит на новый уровень. Инновации упрощают работу персонала, повышают удобство для покупателей, но, что более важно, создают огромный объем данных, который требует специализированной обработки. В результате появляется необходимость в экспертах, которые точечно работают с ценами. Таким образом, развитие новых технологий в розничной торговле позволяет говорить о том, что ценообразование, в некотором смысле, отходит от 4P и становится самостоятельным инструментом.

Динамическое ценообразование

Один из первых шагов в инновациях ценообразования совершили компании, которые занимались авиаперевозками, гостиничным бизнесом и такси. Здесь фактор спроса играет существенную роль. Если такси просто не смогут покрыть весь спрос в час пик, то самолёт, на который не продались билеты, полетит полупустым и компания потеряет существенную часть прибыли. Кажется, что можно выставить цены ниже, но это тоже не решение: возникнет слишком большой спрос, и компания не сможет удовлетворить спрос всех желающих, потеряв потенциальную выручку. 

Компании начали экспериментировать с ценообразованием, которое стало учитывать спрос в формировании цены. Например, в часы пик или в дни повышенного спроса цены могут автоматически подниматься, а в периоды низкого спроса - снижаться. Такие технологии позволяют оптимизировать заполненность рейсов, номеров отелей, такси и залов во время концертов, максимизируя прибыль компании и обеспечивая оптимальное удовлетворение потребностей клиентов.

Оптимизационное ценообразование

Оптимизационное ценообразование развивает идеи динамического, но вносит ключевое изменение. Оно становится проактивным. Проактивное ценообразование подразумевает активное изучение и анализ спроса со стороны наших потребителей, что позволяет нам предугадывать и адаптироваться к изменениям на рынке, а не реагировать уже после того как они произошли. 

Допустим, у нас имеются остатки свежих молочных продуктов сроком годности 3 дня. Оптимизационное ценообразование, основываясь на анализе структуры спроса, предполагает, что при снижении цены на 10% спрос увеличится на 5%. Моделируется матрица спроса, и цена регулируется с целью стимулировать покупателей. В отличие от динамического ценообразования, где цены меняются реактивно на основе низкого спроса, оптимизационное ценообразование действует активно, то есть самостоятельно управляет спросом. Оно позволяет точно регулировать цены, чтобы увеличить спрос до необходимого уровня, минимизируя потери прибыли.

Ключевым итогом изменений ценообразования в цифровую эпоху стало его превращение в самостоятельный инструмент, который требует отдельных сил и ресурсов компании. Большинство технологий, появившихся в XXI веке тем или иным образом приобщались к ценообразованию и ритейлу. Электронные ценники и тележки помогают в сборе данных, а алгоритмы искусственного интеллекта, используя эти данные автоматизируют ценообразование и делают его более прозрачным.