Семь шагов к эффективному
ценообразованию

Многие розничные продавцы «прочесывают» сайты конкурентов в поисках информации о ценах на те или иные товары, а потом отталкиваются от нее при определении — вручную или автоматически — стоимости собственного ассортимента. Их стратегия проста: цены на их товары должны быть на столько-то долларов или процентов ниже самой низкой рыночной цены. Однако при таком упрощенном подходе ритейлеры упускают дополнительные возможности, учитывая только доступность товаров и спрос и забывая о прочих факторах.

Осознавая это, все больше компаний начинают применять модели машинного обучения для более точного ценообразования. Алгоритмы сопоставляют изменения цен с колебаниями продаж, анализируя массивы данных о покупках, ценах и характеристиках товаров. Этот сложный подход требует немало усилий, в результате которых выручка или прибыль растет в среднем не более чем на 1%. Полагаясь на данные продаж, ритейлер рискует необоснованно занизить цену, ориентируясь на конкурентов, у которых товара нет в наличии, или упуская из виду, что выбор клиента подчас определяется отнюдь не ценой, а, например, качеством товара или репутацией бренда.

Некоторым ритейлерам удалось решить эту проблему и в результате добиться двузначного роста выручки и прибыли. Они отказались от ручного управления ценообразованием с опорой на данные о совершенных продажах, отдав предпочтение автоматизированным системам, сложные алгоритмы которых учитывают самые разнообразные факторы, позволяя оптимизировать цены в режиме реального времени.

В этой статье мы описываем, как пошагово создать модель ценообразования на основе ИИ. Этот процесс включает определение факторов, влияющих на решение потребителя о покупке, результаты экспериментов для измерения эластичности спроса и инструменты оптимизации ценообразования, максимизирующие выручку или прибыль. Учитывая рост популярности электронных ценников, эту модель могут применять традиционные розничные магазины.

Она особенно полезна при определении цен на товары с ограниченным сроком реализации, такие как продукты питания и сезонные коллекции одежды. В этих случаях динамическое ценообразование помогает стимулировать спрос и сокращать неликвидные остатки.

Мы проиллюстрируем наш подход на примере двух компаний, с которыми сотрудничали в ходе нашего исследования. Первая из них — китайский онлайн-ритейлер с многомиллиардным оборотом, который добился взрывного роста благодаря расширению ассортимента, географической экспансии и агрессивной стратегии ценообразования. Позиционируя себя в качестве лидера в бюджетном сегменте, эта компания предлагала цены ниже или, по крайней мере, не выше, чем у конкурентов. Она вела ежедневный мониторинг цен в интернете, но собственные цены устанавливала в основном вручную. Второй пример — ведущий онлайн-ритейлер из США с ежегодным оборотом в несколько миллиардов долларов. В этой компании был специализированный отдел аналитики, и цены почти на половину продуктов устанавливали алгоритмы. Как и китайский ритейлер, компания сканировала сайты конкурентов, отслеживая цены на быстро оборачиваемые позиции ежедневно, а на медленно оборачиваемые — один или два раза в неделю.

Итак, вот семь предпринятых нами шагов, следуя которым вы тоже сможете раскрыть потенциал системы динамического ценообразования.

1. Сконцентрируйтесь

Для начала определите, на чем вы хотите сосредоточить внимание: на хитах продаж, на товарах со средним уровнем спроса или на нишевом ассортименте, который продается медленно. Принимайте решение исходя из объема продаж. Если львиная их доля (скажем, более 80% от общей выручки) приходится на небольшую группу продуктов, начните именно с них. Если вам сложно выделить одну категорию товаров, которые приносят наибольший доход, — это характерно для ритейлеров, продающих предметы интерьера и продукты питания, — сосредоточьтесь на товарах со средними показателями продаж или на нишевом ассортименте. При таком сценарии вам придется задействовать (или создать) мощные аналитические ресурсы для динамического ценообразования огромного количества товаров.

Наша работа с китайским онлайн-ритейлером — лидером на рынке товаров для матери и ребенка, таких как бутылочки для кормления, подгузники и молокоотсосы — началась, когда председатель совета директоров этой компании задал нам вопрос, всегда ли сопоставление с минимальной рыночной ценой — удачная стратегия. Он и его топ-менеджеры сомневались, нужно ли корректировать цены на каждый продукт исходя из действий конкурентов: порой было очевидно, что соперники ошибаются, устанавливая либо нереалистично высокие, либо слишком низкие цены. До начала сотрудничества с нами цены определяли менеджеры и делали это в основном вручную, причем каждый из них отвечал за несколько десятков продуктовых линеек. Они тщательно следили за текущими трендами, принимая во внимания такие аспекты, как популярность продуктов и брендов, появление новинок (или новых версий существующих продуктов) и цены конкурентов. Затем они ежедневно или еженедельно корректировали цены на ассортимент. Из-за трудоемкости процесса менеджеры, как правило, уделяли внимание лишь наиболее ходовым позициям, зачастую обходя вниманием остальные.

Мы начали с бутылочек для кормления. В этой подкатегории были представлены как местные, так и международные бренды. Мы сосредоточились на тридцати наиболее популярных позициях, которые обеспечивали более 80% выручки в этой категории. С помощью внедрения ИИ-модели ценообразования мы увеличили выручку на 11% по этим позициям при сохранении валовой прибыли по категории в целом. Затем мы обратили внимание на несколько других категорий, таких как мелкая бытовая техника и кухонные принадлежности; в них большую часть выручки обеспечивала небольшая группа товаров массового потребления. Дополнительные меры позволили увеличить выручку на 19% без ущерба для прибыльности.

Продажи американского онлайн-ритейлера, ассортимент которого в основном составляли товары для дома (кровати, журнальные столики, коврики и декор), не были сосредоточены только на лидерах продаж. В каждой подкатегории компания предлагала от нескольких сотен до нескольких тысяч позиций и продавала товары достаточно равномерно.

До начала сотрудничества с нами компания устанавливала цены примерно на половину своих товаров с помощью автоматического алгоритма. Однако она лишь недавно начала отслеживать цены конкурентов на их сайтах и задалась вопросом, как оптимально реагировать на изменение цен. Мы оперативно внедрили систему, которая динамически корректировала цены более чем 10 тыс. товаров в ответ на колебания рынка. В течение первого тестового месяца выручка по четырем категориям, выбранным для пилотного проекта (кровати, пуфы, журнальные столики и барные стулья), возросла на 15%, а прибыль — на 10%.

При выборе модели необходимо помнить, что при повышении сложности системы сокращаются возможности ее масштабирования. В сложных системах применяются комплексные нелинейные алгоритмы, которые отлично моделируют многочисленные факторы, влияющие на решение потребителя, и дают точные ответы на вопросы о ценообразовании. Однако вам сложно будет использовать эти модели, если количество товарных позиций велико. Например, линейная модель, обрабатывающая тысячи переменных или позиций, может выдавать решения за секунды, тогда как ожидание ответа от сложной модели может занять дни или недели, даже если вы будете использовать самые современные вычислительные средства.

Тип алгоритма можно определять на уровне продуктовых категорий. В категориях, в которых можно выделить товары-лидеры продаж, разумно использовать сложную модель; в категориях с более равномерным распределением товаров — масштабируемую. Внутри категории можно применять оба типа алгоритмов с опорой на стандартную систему классификации ABC. Напомним, что в группе A 20% позиций обеспечивают 80% выручки, в группе B — 30% позиций дают 15% выручки, а в группе С — 50% позиций генерируют 5% выручки. Более сложные алгоритмы подойдут для товаров группы A, которые вносят наиболее весомый вклад в выручку или прибыль, а масштабируемые — для групп B и C.

2. Смоделируйте процесс решения о покупке

Прежде чем определиться с ценообразованием, необходимо понять, как потребители принимают решение о покупке. Перед людьми всегда возникает выбор. Какая бутылочка для кормления лучше? Где ее купить — у вас или у конкурентов? Разумеется, делая выбор, потребители учитывают цену, но не только. Другие важные факторы — качество и доступность товара, репутация бренда, отзывы покупателей, надежность поставщика, удобство покупки, политика возврата и обмена. Более того, каждый потребитель руководствуется собственным опытом при покупке. Один готов переплатить за известный бренд, а другому прежде всего нужны скидки. Так что, если большинство ваших клиентов не бегает по разным магазинам в поисках самых выгодных акций, едва ли вам всегда следует ориентироваться на цены конкурентов.

В проекте с китайским ритейлером мы разработали и запустили модель, которая предсказывала продажи наиболее популярных продуктов, сопоставляя цены компании и ее конкурентов. В аналитике учитывались характеристики бутылочек для кормления, такие как бренд, возрастная группа потребителей, а также наличие товара у каждого конкурента в определенный день. Модель также учитывала цены на другие продукты на сайте, так как перед покупкой клиенты часто просматривают похожие товары. Кроме того, модель принимала во внимание дни недели: клиентов, посещавших сайт в понедельник, цена заботила меньше, чем тех, кто покупал в воскресенье.

Получив представление о том, как покупатели делают выбор, вы можете отразить этот процесс в модели. Она будет прогнозировать спрос на товар, не просто сопоставляя ваши цены с ценами конкурентов, а учитывая и другие ключевые факторы, среди которых наличие продукта и обстоятельства, при которых покупатель принимает решение. Модель, предсказывающая, сколько кроватей вы сможете продать за $195 в пятницу вечером при цене конкурента в $200, будет точнее той, которая сравнивает цены без учета времени покупки. При этом задача любой модели — простой или сложной — одна: она должна подсказывать оптимальную цену на ваши продукты, при которой вы сможете достичь желаемых результатов.

Для американского онлайн-ритейлера мы использовали упрощенную модель, чтобы сделать ее более масштабированной. С помощи модели мы могли предсказывать динамику продаж конкретного продукта исходя только из его цены и доступности, а также с учетом цен и наличия того же продукта на сайтах конкурентов. Это упрощение позволило быстро расширить охват до тысяч продуктов. Как показывают эти примеры, параметры модели могут и должны настраиваться в зависимости от специфики продукта и компании. Например, спрос на продукт, заслуживший признание клиентов, может быть менее эластичным, а изменения цен на Amazon ощущаются потребителями острее, чем на Home Depot.

3. Экспериментируйте

Теперь, когда у вас есть формула, описывающая процесс принятия решения о покупке, вам необходимо определить значения параметров и настроить алгоритм под ваши данные. Самая важная переменная — эластичность спроса: процентное изменение спроса при повышении цены продукта на 1%. Для рационального ценообразования крайне важно знать эластичность спроса на каждый продукт. Если эластичность низкая (повышение цены приводит к незначительным изменениям в спросе), не стоит ориентироваться на цены конкурентов. И, напротив, если потребители предпочитают покупать не у вас, а у конкурентов, соблазнившись мизерной выгодой, вам придется, как минимум, уравнять цены.

Чтобы измерить эластичность, систематически меняйте цены и наблюдайте за реакцией потребителей. Многие пропускают этот шаг, когда начинают использовать алгоритмы для ценообразования, тем самым отрезая себе путь к увеличению выручки и прибыли. Вы спросите, зачем эти эксперименты, когда у меня и так есть аналитика о проданных товарах, их ценах и характеристиках? Разве этих данных недостаточно, чтобы определить эластичность спроса? Разве хороший алгоритм не способен сам выявить зависимость между продажами и ценой при заданных характеристиках продукта методом линейной регрессии?

Ответ на эти вопросы — «нет» по двум причинам. Во-первых, исторических изменений цены недостаточно для расчета эластичности спроса: цена могла либо не изменяться вовсе, либо так близко следовала за ценами конкурентов, что не варьировалась относительно них. Вторая проблема — это так называемые искажающие факторы, которые влияют как на цену, так и на спрос, и которые невозможно учесть в ретроспективе. Предположим, ритейлер проводит локальную маркетинговую кампанию для какого-то бренда и повышает цены на его продукцию, ожидая увеличения спроса. Данные о ранее совершенных покупках могут привести к ложному выводу, что повышение цен вызвало увеличение спроса. Эксперимент — лучший способ избежать подобных ошибок.

Зачастую ритейлеры не решаются экспериментировать с ценой, полагая, что это слишком рискованно и лишает их контроля над этим ключевым параметром. Однако рисков можно избежать, если проводить эксперименты рационально. В проектах с нашими китайскими и американскими партнерами мы действовали очень осторожно, чтобы минимизировать потенциальное влияние экспериментов на бизнес. В случае с китайским ритейлером, когда акцент делался на самых популярных продуктах, мы придерживались плана изменения цены, утвержденного до начала эксперимента. Уровень цен в нем выбирался случайным образом, но был близок к исторически сложившемуся среднему значению по каждому продукту. Повышение и понижение цен были сбалансированы так, чтобы избежать систематического однонаправленного отклонения от прошлых цен. Цены менялись раз в три дня, а не ежедневно, чтобы не смущать потребителей и не подрывать их уверенность в компании.

В эксперименте, охватывавшем 10 тыс. продуктов американской розничной сети, мы пошли другим путем. Мы не составляли план изменения цены, потому что компания уже использовала автоматический алгоритм ценообразования. Вместо этого мы брали цены, ежедневно генерируемые алгоритмом, и добавляли определенные изменения. Цены в эксперименте выбирались не вслепую, а были привязаны к рекомендациям, которые выдавала существующая система ценообразования. Таким образом в эксперименте мы сохранили разумные практики, которые уже применялись в компании, свели риски к минимуму и получили возможность играть с ценой в диапазоне, достаточном для того, чтобы заметить изменения в поведении потребителей.

В обоих случаях цены, как правило, отклонялись от существующих или зафиксированных ранее не более, чем на 3%, а максимальное отклонение не превышало 5%, что позволило избежать потенциальных рисков для бизнеса. Достигнутый нами двузначный рост выручки и прибыли был бы невозможен без этих тщательных экспериментов по измерению эластичности спроса. Бытует мнение, что эксперименты обходятся слишком дорого, но наши результаты показывают, что не проводить их еще дороже.

4. Проведите подсчеты

Теперь пришло время свести воедино ваши данные, информацию об эластичности спроса и возможности модели. Ваша цель — определить наилучшие параметры, которые минимизируют ошибку при оценке эффективности вашей модели в сравнении с прошлыми продажами. Имейте в виду, что предсказывать результаты на коротких временных промежутках всегда сложнее, чем на длинных. Например, в прогнозе продаж на один день погрешность в 20% вполне допустима, но при оценке еженедельных продаж — это плохой показатель. В проекте с китайским ритейлером эластичность спроса широко варьировалась: для некоторых продуктов она была близка к нулю (изменения цен не влияли на спрос), но для большей части позиций показатели эластичности составляли от — 8 до — 2 (показатель — 8 означает, что увеличение цены на 1% приведет к уменьшению спроса на 8%). Значения эластичности коррелировали с популярностью продукта. Позиции с эластичностью — 8 покупали в среднем 22,5 раза в день, а позиции с почти неэластичным спросом покупали всего 1,8 раза в день. Похожие результаты мы получили и в случае с американским ритейлером: у нишевых мебельных товаров с низкой оборачиваемостью были более низкие показатели эластичности спроса, чем у быстро оборачиваемых товаров. Это вполне объяснимо. Люди более внимательно относятся к ценам на товары, которые они приобретают чаще. Клиенты супермаркетов, например, острее реагируют на колебания цен на популярные продукты, которые выставлены на видных местах и часто рекламируются, — скажем, яблоки или хлеб. При этом мало кто знает справедливую цену какой-нибудь специфической приправы.

На показатели эластичности также влияют представления потребителей о качестве бренда. Мы обнаружили, что средняя эластичность спроса на импортные бутылочки для кормления была ниже, чем на отечественные, поскольку зарубежные бутылочки были изготовлены более авторитетными производителями.

Этап измерения также позволит вам понять, в каких случаях цены конкурентов или отсутствие товара на складах сильно влияют на продажи и, следовательно, заслуживают более пристального внимания. Неудивительно, что в обоих описанных здесь проектах не все конкуренты были одинаково важны. Двое из четырех конкурентов, отслеживаемых китайским ритейлером, практически не оказали влияния на продажи бутылочек для кормления компании. Двое из пяти конкурентов, отслеживаемых американским ритейлером, оказали вдвое большее влияние, чем остальные.

5. Оптимизируйте

Теперь, когда вы внесли данные в вашу модель, она готова определять оптимальные цены, учитывая цены конкурентов и другие упомянутые выше факторы. В первую очередь вам крайне важно решить, что именно вы хотите оптимизировать: прибыль, выручку или какую-то комбинацию показателей. Растущие компании обычно нацелены на увеличение выручки, в то время как зрелые фокусируются на прибыли.

Тем не менее, ни один из ритейлеров, с которыми мы так или иначе взаимодействовали, не смог присвоить весовые коэффициенты выручке и прибыли, чтобы определить их значимость относительно друг друга. Мы пришли к выводу, что для наиболее эффективного сочетания этих показателей следует использовать подход, известный как оптимизация с заданными ограничениями. Например, вы можете поставить цель максимизировать выручку, не допуская падения показателей валовой прибыли ниже определенного уровня. Китайский ритейлер, с которым мы работали, продавал бутылочки для кормления со средней валовой прибылью 10%. Оптимизировав цены, мы добились максимизации общей выручки по данной категории товара, сохранив прибыльность на уровне не менее 10%. После оптимизации реальная прибыль варьировались от — 1% (продажи с небольшим убытком) до 36% в зависимости от эластичности спроса на товар. Мы сопоставляли цены двух основных конкурентов на товары с высокой эластичностью спроса, но обычно не принимали во внимание цены двух наиболее слабых конкурентов.

Работая с ритейлером из США, мы также оптимизировали выручку, установив нижний порог прибыли. Такой подход к ценообразованию понравился руководству компании, поскольку он соответствовал принципам стратегического позиционирования, но не требовал принятия дополнительных решений — например, не нужно было определять весовые коэффициенты для прибыли и выручки. В обоих случаях на этапе оптимизации мы включили в модель и другие необходимые ограничения (например, минимальные и максимальные цены или установленные производителем ценовые диапазоны).

6. Тестируйте и внедряйте

Перед запуском нового алгоритма ценообразования важно провести тест в контролируемых условиях. Разделите товары на две группы: экспериментальную, для которой вы будете устанавливать цены с помощью нового алгоритма, и контрольную, для которой будет применяться традиционный способ ценообразования. Эффективность алгоритма будет оцениваться путем сравнения результатов в экспериментальной и контрольной группах.

Вы спросите, действительно ли необходима контрольная группа? Разве увеличение выручки благодаря новому алгоритмому ценообразования не говорит само за себя? Дело в том, что вам неизвестно, каким был бы результат, если бы вы продолжили использовать старый метод. В розничной торговле эта проблема усугубляется еще и тем, что спрос на большинство продуктов подвержен сезонным колебаниям. Предположим, например, что вы запустили алгоритм ценообразования в декабре и сравнили результаты с продажами в ноябре. Вы обнаружили бы всплеск продаж, выраженный трехзначными цифрами. Контрольная группа позволяет исключить внешние факторы (праздники, акции, новые технологии, выход новых продуктов) и оценить реальные изменения, вызванные новым алгоритмом ценообразования.

В контрольную группу следует включать продукты, схожие по характеристикам (в том числе сезонности), с теми, что участвуют в эксперименте. В нашем проекте с китайским ритейлером бутылочки для кормления детей младше шести месяцев были включены к экспериментальную группу, а бутылочки для детей старше шести месяцев — в контрольную. В случае с американским предприятием в экспериментальную группу вошли кровати «King» и «California king», а в контрольную — кровати «Queen», «Full» и «Twin». Более того, мы периодически меняли продукты в экспериментальной и контрольной группах местами. На первой неделе в экспериментальной группе были кровати «King»; на второй — «Queen», а на третьей — «Full» и «Twin». Такая ротация позволяет глубже понять, как модель ценообразования влияет на выручку, и выявить различия между отдельными продуктами.

7. Совершенствуйте модель, периодически повторяя шаги c третьего по шестой

После внедрения динамической системы ценообразования мы рекомендуем обновлять ее каждые шесть месяцев или с другой периодичностью исходя из рыночных колебаний. Следите за существенными изменениями в конкурентной среде (например, за появлением новых участников рынка) и за продуктовыми новинками, которые могут повлиять на предпочтения потребителей. Повторяйте шаги с третьего по шестой (экспериментируйте, проводите подсчеты, оптимизируйте, тестируйте и внедрение), непрерывно настраивая ваш алгоритм.

Наш инструмент динамического ценообразования отличается высокой адаптивностью. Вы можете легко расширить его аналитические функции, добавив, например, поведенческие факторы. Это позволит глубже понять, как потребители принимают решения. Наше исследование сети продовольственных магазинов показало, что потребители не всегда поддаются на известную маркетинговую уловку с девятками в ценниках ($X,99). В то время как некоторые потребители действительно переоценивают значимость левой части цены на целых 30%, другие обращают внимание на цифры в правой ее части ($4,99 против $5,00). Следовательно, ритейлерам необходимо учитывать эти особенности восприятия в алгоритмах.

Другой способ адаптировать инструмент — интегрировать в систему новейшие алгоритмы машинного обучения, непрерывно повышая точность оценки эластичности спроса. Работая с одним международным онлайн-ритейлером, мы выявили продукты, которые каждый потребитель просматривал перед совершением покупки. Это позволило нам точнее определить, как цена одного товара отражается на спросе на другие аналогичные. Впоследствии ритейлер смог увеличить выручку еще на 5%.

Умело сочетая анализ данных и экспериментальные методы с глубоким пониманием потребительского поведения, розничные компании могут значительно увеличить выручку, сохраняя и даже приумножая показатели прибыли. Суть описанного здесь подхода в реализации полного цикла мероприятий: моделирование, измерение, максимизация. Решения, включающие только один из этих этапов, могут в отдельных случаях привести к незначительному повышению выручки или прибыли, но только последовательная реализация всех этапов при поддержке ИИ даст ощутимые плоды в виде устойчивого роста выручки или прибыли в долгосрочной перспективе.

Источник: Harvard Business Review, ноябрь — декабрь 2023 г.