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:
Системная работа с десятками тысяч SKU: как приморская сеть "Зеленый Остров" держит в фокусе весь ассортимент и повышает прибыль
"Зелёный Остров" (www.zelenyjostrov.ru) — сеть из Приморского края, специализирующаяся на товарах для дома, дачи, интерьера и мелкой бытовой техники. На сегодняшний день компания объединяет под своим брендом 2 интернет-магазина и 12 торговых точек в четырех городах региона: Владивостоке, Находке, Уссурийске и Большом Камне. На первый взгляд, это небольшой локальный ритейлер, но на самом деле ассортимент "Зелёного Острова" невероятно широк: от посуды и постельного белья до садовых инструментов и сувенирки, в сумме свыше 50 тысяч SKU в год.
Предпосылки: как сеть пришла к внедрению динамического ценообразования
В 2023 году руководство "Зелёного Острова" приняло решение провести пилотный проект по внедрению динамического ценообразования. Причина проста: штат и выделенные ресурсы не позволяли вручную с максимальной эффективностью управлять таким океаном SKU. Команда прицельно уделяла внимание товарам-индикаторам (ходовым позициям), но на глубокий анализ и индивидуальное ценообразование тысяч "второстепенных" товаров (Back Basket, Long tail) попросту не хватало времени. Кроме того, локации магазинов сети отличала разная плотность конкуренции, что требовало ещё более тонкой настройки ценообразования. Было принято решение подключить в помощь команде алгоритмы и на продажах в нескольких городах с разными конкурентными условиями отследить, какой результат покажет система.
- Ольга МалышеваРуководитель отдела развития ассортимента "Зеленый Остров""Мы понимали, что огромная доля потенциала скрыта в так называемом Long tail — большом количестве неосновных позиций. Наша система ценообразования эффективно работала на ключевых SKU, но не позволяла держать в фокусе весь многотысячный ассортимент. Времена меняются, всё стремительно автоматизируется и стало очевидно, что старая парадигма, в которой категорийный менеджер контролирует лишь часть товаров, становится ограничивающей для роста. Поэтому внедрение динамического ценообразования стало для нас логичным шагом к выстраиванию системного управления ценами".
По каким критериям выбирали решение
На этапе выбора системы динамического ценообразования, помимо базовой функциональности, учитывался ряд дополнительных, но не менее важных для сети критериев:
✓ Готовность команды разработчика погружаться в специфику "Зеленого Острова" и подстраивать решение под локальные особенности.
✓ Возможность системы работать с нестандартными SKU и "линейками" (например, разные расцветки постельного белья, наборы посуды и т. п.).
✓ Поддержка загрузки данных из разных источников (результаты "ручного" мониторинга конкурентов, данные из учетных систем).
✓ Возможность масштабироваться на все магазины с кратным увеличением количества товаров в ценообразовании.
После анализа рынка и серии встреч с разработчиками "Зелёный Остров" остановил выбор на системе ценообразования Imprice. При том, что все рассматриваемые решения соответствовали функциональным требованиям, решающим стал фактор готовности команды Imprice глубоко адаптировать систему под особенности бизнеса.
✓ Готовность команды разработчика погружаться в специфику "Зеленого Острова" и подстраивать решение под локальные особенности.
✓ Возможность системы работать с нестандартными SKU и "линейками" (например, разные расцветки постельного белья, наборы посуды и т. п.).
✓ Поддержка загрузки данных из разных источников (результаты "ручного" мониторинга конкурентов, данные из учетных систем).
✓ Возможность масштабироваться на все магазины с кратным увеличением количества товаров в ценообразовании.
После анализа рынка и серии встреч с разработчиками "Зелёный Остров" остановил выбор на системе ценообразования Imprice. При том, что все рассматриваемые решения соответствовали функциональным требованиям, решающим стал фактор готовности команды Imprice глубоко адаптировать систему под особенности бизнеса.
Старт работы и целевые метрики пилота
- Подготовка, этап 1. Создание команды внутри "Зеленого Острова"На старте "Зеленый Остров" выделил внутреннюю команду, необходимую для реализации пилотного проекта и дальнейшей работы с системой. В состав команды вошел специалист ценообразования, отвечающий за работу с правилами, классификатором, базовыми наценками и т.д., а также оператор, в задачи которого входила регулярная проверка корректности цен.
- Подготовка, этап 2. Создание матрицы наценокПодготовка самого пилота началась с большой работы над созданием матрицы наценок на весь ассортимент сети. Поскольку ранее в "Зеленом Острове" наценки на товар формировались разрозненно, единая матрица по всем категориям товаров требовалась и как база, от которой будут отталкиваться алгоритмы, и как шаг на пути к выстраиванию системного ценообразования.
- Подготовка, этап 3. Выбор тестовых магазиновДалее предстояло выбрать тестовые магазины, в которых ценообразование возьмёт на себя Imprice, и для корректного сравнения результатов определить контрольные пары – наиболее близкие по всем ключевым характеристикам магазины (общая динамика продаж, трафик, средний чек, формат магазина и т.д.). По результатам анализа было выбрано две точки сети с подходящей парой для каждой:
- "Радиоприбор" (около 27 тыс. SKU) — флагманский магазин во Владивостоке с самым большим трафиком.
- "Большой Камень" (около 13 тыс. SKU) – магазин в судостроительном городе с выраженной локальной спецификой.
- Подготовка, этап 4. Определение целей пилотаОпределение ключевой метрики стало завершающим шагом подготовительного этапа.
Цель, поставленная перед пилотным проектом:
Рост валовой прибыли пилотной группы на 5% по отношению к контрольной группе при сохранении положительной динамики чеков тестовых магазинов.
Механики ценообразования:
за счет чего достигали результата
за счет чего достигали результата
Для достижения целей пилота и решения задач оптимизации процессов ценообразования были реализованы следующие механики:
1. Интеллектуальное ценообразование с разбивкой по классам товаров.
С помощью ML-алгоритмов на базе анализа истории продаж и эластичности спроса весь ассортимент кластеризовали на корзины: KVI, Back Basket и Long tail. Основной фокус алгоритмов направили на товары с низкой ценовой чувствительностью - для них с помощью зондирования спроса в режиме Realtime подбирался оптимальный уровень цены с учетом заданных ценовых коридоров (минимально и максимально допустимый уровни). По категории KVI интеллектуальное ценообразование применялось лишь к тем SKU, по которым отсутствовали данные о ценах конкурентов.
2. Автокоррекция цен под конкурентов по товарам KVI.
Система брала данные, которые "Зеленый Остров" собирал при ручном мониторинге, и устанавливала цену "под конкурентов".
3. Установка матричных цен для мало и плохо продающихся товаров.
На товары, данных по которым в силу редкого спроса было недостаточно для корректной работы алгоритмов, цены устанавливали автоматически, исходя из матрицы наценок.
4. Расчет актуальной и максимальной себестоимости с учетом карантина.
Система автоматически рассчитывала себестоимость на базе трёх видов закупочных цен: максимальной, актуальной и будущей. При расчете для Back Basket и Long tail для сохранения уровня маржинальности использовалась максимальная цена. Для товаров с более высокой чувствительностью – последняя закупочная либо будущая (если известна). Карантин позволял отслеживать все отклонения по себестоимости, если они превышали допустимый процентный уровень.
5. Ценообразование "линеек".
Алгоритмы учитывали групповые зависимости товарных линеек (постельное белье разных расцветок, наборы посуды и т.д.) и оптимизировали цены не отдельных SKU, а всей линейки комплексно.
6. Интеллектуальная очередь переоценок.
Система отталкивалась от того, сколько ценников персонал может заменить в торговом зале, и отдавала приоритет товарам с наибольшим потенциалом роста.
1. Интеллектуальное ценообразование с разбивкой по классам товаров.
С помощью ML-алгоритмов на базе анализа истории продаж и эластичности спроса весь ассортимент кластеризовали на корзины: KVI, Back Basket и Long tail. Основной фокус алгоритмов направили на товары с низкой ценовой чувствительностью - для них с помощью зондирования спроса в режиме Realtime подбирался оптимальный уровень цены с учетом заданных ценовых коридоров (минимально и максимально допустимый уровни). По категории KVI интеллектуальное ценообразование применялось лишь к тем SKU, по которым отсутствовали данные о ценах конкурентов.
2. Автокоррекция цен под конкурентов по товарам KVI.
Система брала данные, которые "Зеленый Остров" собирал при ручном мониторинге, и устанавливала цену "под конкурентов".
3. Установка матричных цен для мало и плохо продающихся товаров.
На товары, данных по которым в силу редкого спроса было недостаточно для корректной работы алгоритмов, цены устанавливали автоматически, исходя из матрицы наценок.
4. Расчет актуальной и максимальной себестоимости с учетом карантина.
Система автоматически рассчитывала себестоимость на базе трёх видов закупочных цен: максимальной, актуальной и будущей. При расчете для Back Basket и Long tail для сохранения уровня маржинальности использовалась максимальная цена. Для товаров с более высокой чувствительностью – последняя закупочная либо будущая (если известна). Карантин позволял отслеживать все отклонения по себестоимости, если они превышали допустимый процентный уровень.
5. Ценообразование "линеек".
Алгоритмы учитывали групповые зависимости товарных линеек (постельное белье разных расцветок, наборы посуды и т.д.) и оптимизировали цены не отдельных SKU, а всей линейки комплексно.
6. Интеллектуальная очередь переоценок.
Система отталкивалась от того, сколько ценников персонал может заменить в торговом зале, и отдавала приоритет товарам с наибольшим потенциалом роста.
Результаты пилота
Тестирование системы длилось 2 месяца - с середины января до середины марта 2024 года. По результатам пилотного проекта:
➜ Валовая прибыль в обоих магазинах уверенно перегнала целевой показатель по отношению к контрольной группе.
➜ Положительная динамика чеков сохранялась на протяжении всего пилота и показала небольшой прирост по сравнению с медианой за последние полгода.
➜ Как и прогнозировалось на старте, основной объем роста валовой прибыли обеспечили Back Basket и Long tail товары.
➜ Количество переоцененных позиций совокупно составило более 15 тысяч SKU.
Теперь подробнее рассмотрим результаты по каждому магазину.
➜ Валовая прибыль в обоих магазинах уверенно перегнала целевой показатель по отношению к контрольной группе.
➜ Положительная динамика чеков сохранялась на протяжении всего пилота и показала небольшой прирост по сравнению с медианой за последние полгода.
➜ Как и прогнозировалось на старте, основной объем роста валовой прибыли обеспечили Back Basket и Long tail товары.
➜ Количество переоцененных позиций совокупно составило более 15 тысяч SKU.
Теперь подробнее рассмотрим результаты по каждому магазину.
Магазин "Радиоприбор"
- Рост валовой прибыли на 12,57% относительно медианы и на 20,3% относительно показателя контрольного магазина.
- Положительная динамика чеков: +2,92% относительно медианы.
На верхнем графике приведена динамика по валовой прибыли в пилотном магазине Imprice (“тест”) и в контрольном магазине (“контроль”), пунктирной линией обозначены медианы магазинов по показателю в пределах полугода, цветом выделен период проведения пилота с января по март.
После сезонного новогоднего спроса мы видим пиковое падение по валовой прибыли и стабилизацию чуть выше уровня медианы по обоим магазинам как раз перед стартом пилота. Теперь переместимся на второй график - здесь для наглядности приведена та же динамика, но в процентном соотношении. Видим, что с запуском ценообразования Imprice показатель валовой прибыли тестового магазина поднялся выше медианы и продолжил рост. Что же касается контрольного магазина "Варяг" - его динамика была положительной относительно медианы только в пиковые спросы в преддверии 8 марта и 23 февраля, а итоговый показатель по валовой прибыли показал падение на -7,73%.
После сезонного новогоднего спроса мы видим пиковое падение по валовой прибыли и стабилизацию чуть выше уровня медианы по обоим магазинам как раз перед стартом пилота. Теперь переместимся на второй график - здесь для наглядности приведена та же динамика, но в процентном соотношении. Видим, что с запуском ценообразования Imprice показатель валовой прибыли тестового магазина поднялся выше медианы и продолжил рост. Что же касается контрольного магазина "Варяг" - его динамика была положительной относительно медианы только в пиковые спросы в преддверии 8 марта и 23 февраля, а итоговый показатель по валовой прибыли показал падение на -7,73%.
Теперь посмотрим, как на протяжении пилота менялась динамика чеков:
Сравниваем также с медианами пары магазинов за последние полгода.
По тестовому магазину видим повторение позитивного тренда по количеству чеков. При этом в контрольном магазине показатель опустился на -7,7% относительно медианы.
По тестовому магазину видим повторение позитивного тренда по количеству чеков. При этом в контрольном магазине показатель опустился на -7,7% относительно медианы.
Магазин "Большой камень"
- Рост валовой прибыли на 25,49% относительно медианы и на 28, 44% относительно показателя контрольного магазина.
- Положительная динамика чеков: +4,87% относительно медианы.
На всех графиках видим тот же позитивный тренд в тестовом магазине и небольшое падение в контрольном в пределах -3%. В Большом Камне результат по росту валовой прибыли оказался выше по сравнению с "Радиоприбором" во Владивостоке за счет более низкого уровня локальной конкуренции.
Динамика по отдельным товарам
Теперь погрузимся чуть глубже и на примере линейки из категории товаров Long-tail посмотрим, как алгоритм экспериментировал с ценой.
На графиках приведена динамика изменения цены и корреляция показателей по количеству чеков и валовой прибыли.
На верхнем графике мы видим, как система экспериментировала в тестовом магазине с уровнем цены.
На первом этапе пошло планомерное увеличение цены с отслеживанием влияния на количество продаж. Как только при увеличении цены продажи в штуках пошли на спад (второй график) и достигли стартового показателя, система начала снижение до оптимального уровня. И далее цикл повторяется - система старается “нащупать” оптимальную цену на товар, при которой маржинальность будет выше с сохранением трафика.
На третьем графике итоговый показатель роста валовой прибыли: +16,43% относительно контрольного магазина (91,06% - 74,63%).
На верхнем графике мы видим, как система экспериментировала в тестовом магазине с уровнем цены.
На первом этапе пошло планомерное увеличение цены с отслеживанием влияния на количество продаж. Как только при увеличении цены продажи в штуках пошли на спад (второй график) и достигли стартового показателя, система начала снижение до оптимального уровня. И далее цикл повторяется - система старается “нащупать” оптимальную цену на товар, при которой маржинальность будет выше с сохранением трафика.
На третьем графике итоговый показатель роста валовой прибыли: +16,43% относительно контрольного магазина (91,06% - 74,63%).
А теперь посмотрим на любопытный график эластичности спроса товара этой же линейки:
Здесь мы видим пример низкой ценовой эластичности – при увеличении цены количество продаж в штуках не падает, а в этом конкретном случае даже растет. Это наглядная демонстрация, за счет чего система может увеличить валовую прибыль при одновременном сохранении трафика. Ценовые эксперименты дают понимание реальной эластичности и помогают выстраивать эффективное ценообразование – зарабатывать больше там, где это возможно без потери спроса.
В рамках ценовых экспериментов ML-оптимизатор ищет баланс между ценой, которую покупатель действительно готов заплатить за конкретный товар, и уровнем маржинальности. Система стремится прийти не к завышенной, а к "справедливой" цене — такой, при которой покупатели сохранят лояльность к сети, а бизнес сможет оставаться прибыльным.
Масштабирование на всю сеть
Позитивные результаты пилота стали отправной точкой к полному внедрению, на сегодняшний день идёт поэтапное масштабирование динамического ценообразования на все торговые точки сети. В магазинах, перешедших на новую систему, цену на 90-95% товаров формирует Imprice. Остальные 5-10% - специфические позиции, ценообразование которых оставили в экспертных руках категорийных менеджеров.
Динамика по количеству переоцененных товаров на примере уже знакомых нам магазинов “Радиоприбор” и “Большой Камень” за время пилота и последующего ролл-аута:
Динамика по количеству переоцененных товаров на примере уже знакомых нам магазинов “Радиоприбор” и “Большой Камень” за время пилота и последующего ролл-аута:
Учитывая огромный ассортимент, масштабирование в "Зеленом Острове" - трудоемкий процесс, который несёт в себе немало вызовов. Среди них и необходимость доработки процессов в учетных системах, и возросшая нагрузка на команду "Зеленого Острова". Для подключения всех точек сети предстоит провести работу над дополнительной оптимизацией ценообразования ("углубление" базовых наценок, кластеризация магазинов) – это позволит снизить нагрузку и упростить процессы переоценки.
- Ольга МалышеваРуководитель отдела развития ассортимента "Зеленый Остров""Imprice решает нашу задачу, и мы видим финансовый результат от работы алгоритмов. Главное — правильно настроить систему, процессы работы команды и чёткую аналитику, чтобы можно было отследить реальный эффект. Да, на старте мы ожидали, что система упростит нам жизнь, но, чтобы к этому прийти, предстоит проделать ещё немало работы. Сейчас нас сдерживает несовершенство системы установки цен в 1С - для её изменения требуется дорогой ресурс программистов. И тут важно считать потенциальный экономический эффект, поскольку показатель роста прибыли будет одинаков не всегда, по мере переоценки всех SKU он будет снижаться. Тем не менее, мы верим, что при решении всех вопросов и масштабировании на всю сеть добьемся желаемых приростов".
В заключение
Кейс "Зелёный Остров" наглядно показывает, что наибольший резерв роста валовой прибыли часто скрывается не в популярных KVI-товарах, а в средне-ходовых и "редких" SKU. Внедрение динамического ценообразования помогает настроить системную работу с этими категориями и за короткое время транслировать её на тысячи и десятки тысяч SKU. Хотя автоматизация не всегда снимает нагрузку напрямую — особенно, когда речь о большом объеме ассортимента — гибкое ценообразование действительно дает подтвержденные результаты роста.