Хотите посмотреть систему изнутри
и понять, насколько она
применима для ваших задач?
и понять, насколько она
применима для ваших задач?
С удовольствием проведем демонстрацию:
Хотите посмотреть систему изнутри
и понять, насколько она
применима для ваших задач?
и понять, насколько она
применима для ваших задач?
С удовольствием проведем демонстрацию:
Управляемый рост прибыли в условиях регулирования: динамическое ценообразование для белорусской сети “Три цены”
"Три цены" (https://3ceni.by) — международный ритейлер, объединяющий более 300 магазинов низких цен в 144 городах Беларуси и России. Компания активно развивается: с одной стороны — расширяет географию присутствия, с другой — усиливает позиции в уже освоенных регионах. Для решения стратегических задач бизнеса требовалось решение, которое позволит гибко управлять ценами на многотысячном ассортименте и наращивать прибыль даже в условиях высокой конкуренции и регулирования.
К моменту запуска проекта в компании существовала своя эффективная система ценообразования, но команда понимала: для перехода на новый уровень требуется более тонкая, адаптивная работа с ценой, основанная на анализе реального спроса и рыночной динамики. Это стало отправной точкой для внедрения динамического ценообразования.
К моменту запуска проекта в компании существовала своя эффективная система ценообразования, но команда понимала: для перехода на новый уровень требуется более тонкая, адаптивная работа с ценой, основанная на анализе реального спроса и рыночной динамики. Это стало отправной точкой для внедрения динамического ценообразования.
Почему выбрали Imprice
- Виталий ТрусевичМенеджер по операционной эффективности сети "Три цены""Выбор Imprice продиктован не трендом, а прагматикой: нам нужна была система, которая не только автоматизирует ценообразование, но и учтёт специфику белорусского рынка, включая жёсткие ограничения постановления №713. Другие решения не подходили под наш контекст в полной мере, Imprice же предложил то, что нужно: адаптацию под наше законодательство, пилот с измеримыми метриками и реальные референсы — в том числе от сетей, близких нам по формату".
Цели внедрения
Тактическая цель проекта — автоматизировать процессы ценообразования и с помощью алгоритмов интеллектуальной оптимизации цен реализовать потенциал по росту валовой прибыли. Целевой показатель — рост валовой прибыли по 20-ти пилотным магазинам на 5%.
Стратегические цели бизнеса:
✓ Создать масштабируемую модель, которая позволит сети расширяться с оперативным подключением новых магазинов к эффективному ценообразованию.
✓ Высвободить ресурсы коммерческого блока для решения стратегических задач – до внедрения контроль десятков тысяч цен отнимал существенное количество времени команды.
Стратегические цели бизнеса:
✓ Создать масштабируемую модель, которая позволит сети расширяться с оперативным подключением новых магазинов к эффективному ценообразованию.
✓ Высвободить ресурсы коммерческого блока для решения стратегических задач – до внедрения контроль десятков тысяч цен отнимал существенное количество времени команды.
Ход пилота:
методика и реализованные механики
методика и реализованные механики
Проект стартовал с аудита текущих процессов ценообразования и интеграции данных из учетной системы 1С: продажи, остатки, себестоимость, промо-акции, номенклатурные справочники — все с учетом требований Постановления Совета Министров Республики Беларусь № 713 "О системе регулирования цен".
Далее предстояло определить тестовые магазины, в которых ценообразование возьмёт на себя Imprice. По результатам анализа было выбрано 20 магазинов в Беларуси и, для корректного сравнения результатов, 20 контрольных магазинов-аналогов (по динамике продаж, трафику, формату), в которых цены будут формироваться по привычной схеме.
Далее предстояло определить тестовые магазины, в которых ценообразование возьмёт на себя Imprice. По результатам анализа было выбрано 20 магазинов в Беларуси и, для корректного сравнения результатов, 20 контрольных магазинов-аналогов (по динамике продаж, трафику, формату), в которых цены будут формироваться по привычной схеме.
Для достижения целей пилота и адаптации процессов ценообразования к специфике сети были реализованы следующие механики:
1. Кластеризация на корзины (классы товаров) KVI, BackBasket и Longtail – весь ассортимент был разделён на 7 стратегических сегментов на основе истории продаж, спроса, оборачиваемости и товарных связей.
2. ML-оптимизация цен с уникальной стратегией по каждому сегменту.
Алгоритмы Imprice подбирали оптимальную цену для всех категорий товаров на основе исторических данных, зондирования спроса в режиме Realtime и в рамках целевой стратегии:
✓ Hard KVI и Soft KVI — фокус на удержании трафика и увеличении объема продаж.
✓ Back Basket и Long Tail — максимизация валовой прибыли без потери спроса.
3. Ценовые эксперименты для ускорения оборачиваемости по менее ходовым товарам категории Long Tail.
Ассортимент внутри категории дополнительно сегментировали в зависимости от уровня оборачиваемости и далее для каждого сегмента настроили свой диапазон, ниже которого цена не может опускаться. В рамках ценовых экспериментов ML-алгоритмы шли по пути постепенного снижения цены, отслеживали реакцию спроса и при необходимости корректировали цену. Такая механика обеспечила ускорение оборачиваемости товаров с сохранением уровня маржинальности.
4. Автоматическое исключение регулируемых товаров из алгоритмов ценообразования и «запрет» на пересчет цен в периоды проведения промо – для соблюдения требований законодательства и без потери эффективности по остальному ассортименту.
5. Интеллектуальная очередь переоценок.
Система отталкивалась от ограничения, сколько ценников персонал может заменить в торговом зале, и отдавала приоритет товарам с наибольшим потенциалом роста.
2. ML-оптимизация цен с уникальной стратегией по каждому сегменту.
Алгоритмы Imprice подбирали оптимальную цену для всех категорий товаров на основе исторических данных, зондирования спроса в режиме Realtime и в рамках целевой стратегии:
✓ Hard KVI и Soft KVI — фокус на удержании трафика и увеличении объема продаж.
✓ Back Basket и Long Tail — максимизация валовой прибыли без потери спроса.
3. Ценовые эксперименты для ускорения оборачиваемости по менее ходовым товарам категории Long Tail.
Ассортимент внутри категории дополнительно сегментировали в зависимости от уровня оборачиваемости и далее для каждого сегмента настроили свой диапазон, ниже которого цена не может опускаться. В рамках ценовых экспериментов ML-алгоритмы шли по пути постепенного снижения цены, отслеживали реакцию спроса и при необходимости корректировали цену. Такая механика обеспечила ускорение оборачиваемости товаров с сохранением уровня маржинальности.
4. Автоматическое исключение регулируемых товаров из алгоритмов ценообразования и «запрет» на пересчет цен в периоды проведения промо – для соблюдения требований законодательства и без потери эффективности по остальному ассортименту.
5. Интеллектуальная очередь переоценок.
Система отталкивалась от ограничения, сколько ценников персонал может заменить в торговом зале, и отдавала приоритет товарам с наибольшим потенциалом роста.
Помимо основных механик, особое внимание было уделено операционной составляющей:
✓ Создан регламент двойной проверки рекомендаций системы, чтобы избежать операционных сбоев и дать команде уверенность в каждом ценнике.
✓ Обеспечена бесшовная интеграция в процессы мерчандайзинга.
✓ Создан регламент двойной проверки рекомендаций системы, чтобы избежать операционных сбоев и дать команде уверенность в каждом ценнике.
✓ Обеспечена бесшовная интеграция в процессы мерчандайзинга.
Тестирование длилось 2 месяца - с июля по сентябрь 2025 года. Дважды в неделю система Imprice рассчитывала новые цены, которые после проверки передавались в 20 пилотных магазинов. Работа над проектом шла совместно: "Первый БИТ" формировал стратегию и анализировал динамику ключевых показателей, система Imprice обеспечивала гибкие алгоритмы, а команда сети "Три цены" ежедневно подтверждала результаты на реальных продажах.
Уникальность проекта:
вызовы и решения
вызовы и решения
Динамическое ценообразование для сети "Три цены" было адаптировано под требования законодательства другой страны — в данном случае под Постановление Совета Министров Республики Беларусь № 713 "О системе регулирования цен". Проект стал первым подобным опытом в практике совместной работы команд Imprice и "Первый БИТ".
Главная сложность проекта заключалась не в технической реализации, а в тонкой адаптации подхода к специфике белорусского рынка и встраивании нового процесса в живые бизнес-реалии. Это потребовало разработки комплексного методологического подхода, сочетающего рыночную гибкость и соответствие требованиям регулятора.
Не менее важной оказалась точная синхронизация данных с учетной системой. Глубокая сверка методологий расчета валового дохода позволила выявить факторы риска расхождений (например, разные принципы учета НДС и скидок), устранение которых стало основой для корректной работы алгоритмов ценообразования.
Главная сложность проекта заключалась не в технической реализации, а в тонкой адаптации подхода к специфике белорусского рынка и встраивании нового процесса в живые бизнес-реалии. Это потребовало разработки комплексного методологического подхода, сочетающего рыночную гибкость и соответствие требованиям регулятора.
Не менее важной оказалась точная синхронизация данных с учетной системой. Глубокая сверка методологий расчета валового дохода позволила выявить факторы риска расхождений (например, разные принципы учета НДС и скидок), устранение которых стало основой для корректной работы алгоритмов ценообразования.
Вместо внедрения типового решения команда встроила новый подход в существующие процессы. Сеть получила прозрачную, управляемую систему ценообразования, которая усиливает экспертизу команды интеллектуальными алгоритмами и позволяет находить точки роста бизнеса.
Результаты пилота
Результаты пилотного проекта превзошли целевые метрики и подтвердили гипотезу о значимой доли потенциала в управлении ценой на уровне всего ассортимента:
➜ Рост валовой прибыли по пилотной группе магазинов относительно контрольной группы
составил 10,1% при цели в 5%.
➜ Сохранилась положительная динамика чеков - алгоритмы динамического ценообразования находили оптимальный баланс спроса и маржинальности.
➜ Рост валовой прибыли по пилотной группе магазинов относительно контрольной группы
составил 10,1% при цели в 5%.
➜ Сохранилась положительная динамика чеков - алгоритмы динамического ценообразования находили оптимальный баланс спроса и маржинальности.
Теперь подробнее о динамике показателей за период пилота:
На верхнем графике приведена LFL-динамика по валовой прибыли в пилотных магазинах Imprice (“тест”) и в контрольных магазинах (“контроль”), пунктирной линией обозначен показатель прошлого года, цветом выделен период проведения пилота с июля по сентябрь.
На графике видим, что в пределах прошлого года группа тестовых магазинов шла с отставанием. В период же ценообразования с Imprice тестовые магазины показали рост на старте и сохраняли тенденцию опережения контрольной группы на протяжении всего пилота. Итоговый разрыв составил +10,1% валовой прибыли в пользу пилотной группы.
Переместимся на второй график - как на протяжении пилота менялась динамика чеков.
По тестовым и контрольным магазинам видим синхронный тренд, пиковый спрос в период подготовки к 1-му сентября и спад сразу после. Итоговая динамика пилотных магазинов показала рост в пределах 1% по отношению к контрольным. Система решила поставленную перед ней задачу - повысить валовую прибыль и при этом сохранить положительную динамику чеков.
На графике видим, что в пределах прошлого года группа тестовых магазинов шла с отставанием. В период же ценообразования с Imprice тестовые магазины показали рост на старте и сохраняли тенденцию опережения контрольной группы на протяжении всего пилота. Итоговый разрыв составил +10,1% валовой прибыли в пользу пилотной группы.
Переместимся на второй график - как на протяжении пилота менялась динамика чеков.
По тестовым и контрольным магазинам видим синхронный тренд, пиковый спрос в период подготовки к 1-му сентября и спад сразу после. Итоговая динамика пилотных магазинов показала рост в пределах 1% по отношению к контрольным. Система решила поставленную перед ней задачу - повысить валовую прибыль и при этом сохранить положительную динамику чеков.
Динамика по отдельным товарам:
Бумага “Home & office”
На графиках приведена динамика изменения цены, показателей продаж и валовой прибыли в тестовых и контрольных магазинах.
На верхнем графике мы видим, что в тестовой группе система пошла по пути планомерного увеличения цены. И здесь пример товара с низкой эластичностью - второй график с динамикой продаж показывает, что спрос ведёт себя одинаково, как в контрольной магазинах (цена в которых почти не менялась), так и в тестовых. На третьем графике результат эксперимента в валовой прибыли: итоговый показатель роста +76,2% относительно контрольной группы (109,2% - 33%).
На верхнем графике мы видим, что в тестовой группе система пошла по пути планомерного увеличения цены. И здесь пример товара с низкой эластичностью - второй график с динамикой продаж показывает, что спрос ведёт себя одинаково, как в контрольной магазинах (цена в которых почти не менялась), так и в тестовых. На третьем графике результат эксперимента в валовой прибыли: итоговый показатель роста +76,2% относительно контрольной группы (109,2% - 33%).
На примере нескольких товаров рассмотрим, как система экспериментировала с ценой и как это повлияло на динамику продаж и валовой прибыли.
Губки “Чистюлино”
На верхнем графике видим, что по этому товару система экспериментировала как с повышением, так и с понижением уровня цены. После исследования эластичности спроса цена вернулась на тот уровень, при котором потенциал роста валовый прибыль был выше, но динамика продаж сохранялась. В результате эксперимента итоговый рост валовой прибыли (третий график) составил +65,5% относительно контрольных магазинов.
Масштабирование на всю сеть
Позитивные результаты пилота стали отправной точкой к полному внедрению. На сегодняшний день идет поэтапное масштабирование системы динамического ценообразования Imprice на все торговые точки сети.
В дальнейших планах развития системы:
✓ Кластеризация магазинов по географии, формату, трафику и покупательской способности – для ещё большей гибкости за счет учета особенностей торговых точек при формировании цен.
✓ Постепенное вовлечение регулируемых товаров – для реализации потенциала по товарам, которые сейчас не участвуют в ценообразовании Imprice.
Кейс "Три цены" — практический пример того, как автоматизация, консалтинг и глубокая адаптация под локальные особенности позволяют бизнесу находить точки роста прибыли даже в условиях жесткого регулирования.
В дальнейших планах развития системы:
✓ Кластеризация магазинов по географии, формату, трафику и покупательской способности – для ещё большей гибкости за счет учета особенностей торговых точек при формировании цен.
✓ Постепенное вовлечение регулируемых товаров – для реализации потенциала по товарам, которые сейчас не участвуют в ценообразовании Imprice.
Кейс "Три цены" — практический пример того, как автоматизация, консалтинг и глубокая адаптация под локальные особенности позволяют бизнесу находить точки роста прибыли даже в условиях жесткого регулирования.