Динамическое ценообразование с Price Manager

Принцип работы решения – "труба".

На вход подаются данные из ERP, PIM, Портала Поставщика – товарная и гео-иерархия, закупочные цены (регулярные и с бонусом), ставки НДС, остатки, продажи, цены конкурентов и др.

На выходе – регулярные, промо и распродажные цены, которые затем отправляются на кассу или в интернет-магазин.

Самая главная ценность – наведение порядка. При внедрении моментально определяются находившиеся вне фокуса внимания товары с проблемами, где продажи шли в минус или вопреки коммерческой стратегии.

Второе улучшение: циклы согласования цен сокращаются с недель до дней.

И третье – результат от файн-тюнинга или "дотачивания". Добротная аналитика помогает точнее (более дифференцированно регионально и покластерно) управлять KVI, BackBusket / повышать % продаж конкретных категорий или отыскать товары с кросс-эффектом и настроить прибыльно-результативные стратегии по ним.

Мы выделяем три стадии зрелости практики Ценообразования.

1-я – ручные расчеты и согласования цен в Excel. Хорошо для малых объемов или экспериментов, но болезненно для боевого процесса.

2-я – внедренная система автоматизации, где Категорийные Менеджеры и Ценовые аналитики создают и согласовывают Стратегии. От 10 до 30% цен формируется и согласовываются автоматически, остальные проходят ручные согласования.

3-я – на ключевые задачи разрабатывают ML-модели – прогнозирование продаж, автосборка гео-кластеров, рекомендация ценовых разрывов Бренд-Цель и СТМ – и встраиваются прямо в интерфейс, помогая пользователям эффективнее работать в боевом процессе.

Конечная цель – покрыть разумный максимум ассортимента стратегиями и моделями.

Разные правила отталкиваются от разных входящих данных.

Одно из самых важных правил – работа с рыночными ценами, которое ориентируется на цены конкурентов и агрегированные цены рынка, позволяя использовать рыночную ситуацию при ценообразовании.

Другие правила работают с такими данными, как закупочные цены, регулярные цены, законодательные ограничения и прочие — и позволяют на их основе создавать диапазоны, в рамках которых система ищет подходящие новые цены.

Кстати, рекомендацию финальной цены из диапазона возможно доверить математической модели, на основе истории продаж, прогнозирования и других данных.

Для наглядности ценовые расчеты визуализируется:

– как диапазоны, показывающие работу каждой из примененных ценовых стратегий;

– как график историчности метрик, например, ценовых данных.

Мы поддерживаем наложение правил и расчетов на любую товарную и географическую иерархию (мы называем это узлами).

Или на её частные разрезы – Товарные Корзины или Географические Кластера.

Вы можете назначить правила и расчеты на эти узлы у нас в продукте, а также импортировать из своей ERP/BI-системы.

Для ритейла мы предлагаем возможность загружать в интерфейсе результаты мониторинга розничных цен или подключить по API предложение ваших мерчендайзеров или субподрядчиков.

С технической точки зрения АЭРО Price Manager - это совокупность сервисов, написаннных на GO, которые общаются между собой через Apache Kafka, а интеграции реализуются при помощи готовых коннекторов.

Система принимает данные через интеграционный слой, в Core-сервисе происходит формирование ценовых стратегий, ценовых планов, а также там непосредственно рассчитываются цены. Также есть сервис парсинга, который умеет анализировать и агрегировать цены конкурентов.

Кроме того, в системе реализован специальный сервис матчинга собственного ассортимента с артикулами на популярных площадках. Механизм работает с использованием моделей нейросетей, и позволяет экономить тысячи часов ручного сопоставления.

Модуль аналитики в АЭРО Price Manager и кастомизируемая под Заказчика отчетность позволяют управлять эффективностью Ценообразования:

– Визуализировать цены конкурентов или частоту переоценок;
– Анализировать свои показатели (выручка, маржа, оборачиваемость);
– Выводить кросс-эффект.

Отчетность выводится под любыми разрезами – по товарам и гео, корзинам и кластерам за различные периоды или в виде сравнения период-к-периоду.

Для ML-оптимизации используется несколько классов данных — это исторические продажи для учета сезонности, текущие продажи для определения трендов и эластичности спроса, а также продажи в разрезе географии покупателей.

Для чего это нужно? В первую очередь, машинное обучение помогает в выявлении ключевых связей и определении ролей тех или иных товаров.

Во вторых, алгоритмы задают границы цен в дополнение к правилам, а также определяют конкретную цену на товар.

Все это позволяет наращивать маржу и обеспечивать приток трафика за счет правильно скорректированной цены, помогает определить "чувствительность пользователя" и корректировать цены в момент промо-акций, и исключает ошибки случайной продажи в минус.