Как устанавливать выигрышные цены на продукты и услуги на высококонкурентном рынке, своевременно реагируя на изменения, политику конкурентов и экономические колебания? Можно это делать вручную, но с большими временными и трудозатратами. Или же прибегнуть к созданию модели динамического ценообразования на основе искусственного интеллекта (ИИ), которая может проанализировать все необходимые данные за минуты.
Андрей Обухов, директор по развитию компании ООО «Сбер Бизнес Софт», рассказывает, почему ИИ — необходимый инструмент в решении вопроса эффективного ценообразования, и называет причины, препятствующие его внедрению.
Динамическое ценообразование: как устроено
Динамическое ценообразование предполагает установление цен на продукты или услуги в режиме реального времени в зависимости от постоянно меняющихся рыночных условий, учитывает сезонность бизнеса, поведение конкурентов и даже прогноз погоды.
Внедрение ИИ не является первоочередной задачей для компаний, работающих в условиях стабильного спроса и фиксированных тарифов — например, в сфере жилищно-коммунальных услуг. В таких отраслях бизнес-процессы стандартизированы, а влияние рыночной динамики минимально, что снижает потребность в интеллектуальной автоматизации.
В случае, когда бизнес имеет большую ассортиментную матрицу и работает в высококонкурентных нишах, то внедрение ИИ необходимо, чтобы оптимизировать прибыль, сократить издержки и в целом эффективно работать на рынке.
На практике к использованию моделей ИИ для динамического ценообразования прибегают компании из разных отраслей экономики: FMCG (Fast Moving Consumer Goods — товары повседневного спроса), фармацевтическая индустрия, розничная торговля (ретейл), недвижимость и др.
ИИ перед построением модели динамического ценообразования анализирует огромный массив данных и учитывает множество факторов:
- Исторические данные (какие были продажи ранее — за определенный длительный период времени, с указанием цен). Строится корреляция между объемом продаж и стоимостью товара. Отдельно стоит отметить покупательскую историю — что предпочитают, когда, какие интересы и т.д.
- Информация по конкурентам (что продают, по какой стоимости, какой объем продаж и т.д.).
- Анализ внешнего рынка в части различных макроэкономических показателей (учет экономических тенденций в конкретной отрасли, регионе, в целом по стране).
- Другие факторы (погодные условия, какие-либо события (например, концерты, матчи и др.).
Все эти данные собираются и подаются ML-модели (Machine Learning — модель машинного обучения) — идет ее обучение.
Это можно продемонстрировать на примере: возьмем выстраивание ценообразования с помощью ИИ в недвижимости. На основе исторических данных смотрим, какую стоимость назначал клиент за квартиру: 1 апреля —10 млн руб., 30 апреля квартиру продали за эту стоимость. Гипотеза — это была продажа по рыночной стоимости. Соответственно, эти данные загружаются в ML-модель, которую просим посчитать, за сколько продадим квартиру, когда появится на нее спрос, если ее стоимость будет 10 млн руб.
Задача — сравнить результаты, которые выдаст модель, с фактическими показателями. Оценивать результаты необходимо не по одной квартире. Если модель показывает срок продажи 30 дней, что соответствует фактическим данным, то это идеальный вариант и она работает хорошо. В случае, если ошибка составляет 5 дней, то это приемлемый результат. Ошибка в 60 дней — модель работает плохо.
Высокооборачиваемые товары стоит оценивать с точки зрения спроса: загружать в модель стоимость товара, которая была в прошлом в тот или иной день, и смотреть, сколько по данной стоимости товара продастся.
ИИ и стратегии ценообразования
Модели обязательно ставится определенная цель, задается стратегия ценообразования, которая оптимальна для работы той или иной компании. Их существует множество. Например:
- EDLP (everyday low prices) + срок оборачиваемости товара — предполагает, что цены каждый день должны быть ниже, чем у конкурентов. ИИ-модель рассчитывает цену таким образом, чтобы товар не пролежал на складе дольше определенного срока. Для этого по каждой отдельной единице товара учитывается, когда он пришел на склад. И, например, ставится срок хранения 60 дней. Если модель определяет, что по текущей стоимости за 60 дней продажа не прогнозируется, то модель снижает стоимость — до той, при которой видит, что нужное количество товара с учетом срока хранения будет продано. В данном случае потребуется дополнительная информация по сроку хранения на складе каждой отдельной единицы товара.
- Максимизация маржинальности. Компания стремится заработать как можно больше «чистых» денег. При выборе такой стратегии для обучения ИИ-модели важно учитывать себестоимость товара. Зная разницу между ценой, по которой продаем, и себестоимостью, сможем определить маржинальность. Все эти данные учитывает модель.
- Захват доли рынка. Такая стратегия уместна, если компания только выходит на рынок и стремится завоевать его. В таком случае может ставить цены ниже себестоимости на высокооборачиваемые товары для привлечения клиентов.
В зависимости от выбранной стратегии ценообразования нужно корректировать объем той или иной информации, которая должна поступать в модель.
С точки зрения работы модели динамического ценообразования должны быть различные ограничения и бизнес-правила.
Для модели очень важно задавать коридоры цен. Например, при двух разных стоимостях товара (при соблюдении других критериев) гипотетически возможна ситуация, когда спрос будет одинаковый. В таком случае необходимо указывать модели на выбор наибольшей цены для повышения маржинальности.
Или, например, модель с учетом ограничения по сроку нахождения товара может предложить цену ниже себестоимости товара. Тогда важно задать нижний порог стоимости, чтобы в рамках данного ограничения модель не смогла предложить цену, по которой получится продать товар условно за 60 дней, но это ограничение позволит предложить такую цену в соответствии с коридором цен, когда товар реализуется за 70 дней. Лучше подождать 10 дней, чем продавать дешевле. При данной стратегии будет полезно учитывать стоимость хранения товара для поиска баланса между сроком хранения и стоимостью продажи.
Важную роль играют и бизнес-правила, куда относятся законодательные ограничения или запреты, связанные с определенной сферой бизнеса. Например, если рассматривать фармацевтические компании, то существуют ограничения на стоимость жизненно необходимых и важнейших лекарственных препаратов (ЖНВЛП), которые нельзя продавать дороже определенной цены. Или, например, есть рекомендованные розничные цены.
В каждой отрасли существуют свои тонкости, и при построении модели динамического ценообразования с помощью ИИ важно не забывать о них.
Преимущества ИИ в динамическом ценообразовании
Среди преимуществ применения ИИ-модели для динамического ценообразования стоит выделить:
- Учет меняющихся рыночных условий. Сюда можно отнести нестабильность спроса, сезонность. Модель позволяет анализировать совокупность всех факторов и с учетом этого предлагать цены. Самый простой пример: летом пошел дождь, и спрос на мороженое сократился, а на горячие напитки увеличился. Благодаря ИИ компания молниеносно смогла повысить стоимость на напитки и сделать на этом выручку.
- Оптимизация трудозатрат. При динамическом ценообразовании существует большой объем факторов, параметров, которые нужно учитывать ежесекундно.
Допустим, что нужно внести изменения на несколько тысяч позиций в ассортиментной матрице. Сколько для этого потребуется времени и сотрудников? Модель ИИ справится с задачей за минуты. Или в примере с начавшимся дождем потребуется много времени отследить цены конкурентов, динамику продаж в этот день и аналогичные с ним. ИИ справится с этим молниеносно.
- Снижение количества ошибок. Исключение ошибок, связанных с человеческим фактором.
- Персонализация. На основе анализа клиентской истории: паттерны поведения при просмотре продукта, история покупок, средний чек, социально-демографические характеристики и т.д. модель может формировать персонализированные предложения с определенными акциями, скидками, ценами.
- Максимизация прибыли. Компания выбирает определенную стратегию ценообразования, модель корректирует цены в режиме реального времени, всегда давая клиентам актуальные и выгодные предложения, что в конечном итоге приводит не только к росту прибыли, но и повышению лояльности.
Рассмотрим кейс из практики. Девелоперская компания «Восточный луч» решила адаптировать цены на квартиры к постоянно меняющимся рыночным условиям. Внедрение ИИ-модели динамического ценообразования позволило компании наиболее выгодно определять цены на квартиры, формировать спрос и максимизировать прибыль.
Модель динамического ценообразования от «Сбер Бизнес Софт» определяет высоколиквидные квартиры. Так, в заранее заданные сроки нужно продать определенный метраж. ИИ в зависимости от этого и спроса рекомендует цены на квартиры с учетом максимизации этой стоимости.
Кроме того, идет работа не только с ценами, но и с экспозицией. Застройщик старается оставлять такие напоследок, чтобы продать их по максимально высокой цене. Модель какие-то квартиры считает высоколиквидными и рекомендует убрать их в резерв, а какие-то квартиры, наоборот, выставить на продажу. Или определяет, что план продаж не выполняется — тогда может вывести квартиру из резерва. Таким образом, квартиры всегда реализуются по максимально выгодной стоимости.
Препятствия для внедрения ИИ
Несмотря на весомые преимущества применения ИИ в динамическом ценообразовании, существует ряд сложностей и ограничений, с которыми сталкиваются компании. Самое распространенное — отсутствие исторических данных. Не всегда данные оцифрованы, а без них использование модели не принесет желаемых результатов.
Другое препятствие связано с оперативной заменой ценников — работа в оффлайне. В онлайне легко поменять ценники на карточках продуктов. В оффлайне это возможно только у крупных ретейлеров, и это доступно не во всех магазинах, а зачастую во флагманских, где есть электронные ценники. Пока же в большинстве оффлайн-магазинов обычные бумажные ценники, поменять которые стоит немалых трудозатрат.
Например, необходимо заменить 10 тысяч позиций единиц номенклатуры. Это издержки от канцелярии (напечатать ценники, потратить бумагу и др.) до крупных трудозатрат, чтобы физически чеки поменять.
Кроме того, в процессе замены возникают ошибки — стоимость на некоторые позиции уже может измениться.
Еще одно весомое ограничение для использования ИИ — сопротивление сотрудников из-за недоверия к алгоритмам. В данном случае следует проводить обучение персонала.
С ростом цифровой культуры ИИ-модели динамического ценообразования будут все более востребованными. В перспективе они найдут применение и в сложных b2b-сегментах бизнеса, где смогут учитывать долгосрочные контракты, индивидуальные условия, проводить и учитывать оценку по шкалам взаимодействия с потенциальными заказчиками.