Хотите посмотреть систему изнутри
и понять, насколько она
применима для ваших задач?
С удовольствием проведем демонстрацию:
 
Хотите посмотреть систему изнутри
и понять, насколько она
применима для ваших задач?
С удовольствием проведем демонстрацию:
Сеть оптик "Счастливый взгляд": искусственный интеллект начал устанавливать цены. Первые результаты пилота
О заказчике
"Счастливый взгляд" - это больше 200 салонов оптики по всей России: очки, линзы, солнцезащитные очки. По данным GfK, компания входит в тройку крупнейших сетей оптики в России.

После окончания режима самоизоляции стартовал новый этап оптимизации цен сети: к части ассортимента подключили алгоритмы машинного обучения Imprice. Уже в первые десять дней работы алгоритмов продажи и прибыль в пилотном сегменте начали устойчиво расти.
Это текст статьи, опубликованной на Retail.ru.
Оригинал статьи - по ССЫЛКЕ
Предыстория проекта: автоматизация конкурентного ценообразования в 2019 году и пандемия весной 2020
В сентябре 2019 года сеть "Счастливый взгляд" автоматизировала конкурентное ценообразование для своего интернет-магазина happylook.ru. Автоматизацию провели на базе платформы Imprice.
В результате увеличили маржинальность продаж для существенной части ассортимента, на 19,7% увеличили средний чек, на 32,3% нарастили суммовые продажи.
Подробности кейса - ЗДЕСЬ.

В апреле 2020 года часть закупочных цен выросла. Значимые игроки рынка оптики подняли полочную цену соответствующих sku для сохранения маржинальности продаж.
У "Счастливого взгляда" продолжало работать автоматизированное конкурентное ценообразование. Поэтому цены "Счастливого взгляда" также автоматически увеличились, с сохранением заданного ценового позиционирования относительно конкурентов.

Июньский анализ продаж выявил спад в мае, на фоне новостей о снижении спроса на большинстве рынков и о падении доходов россиян.
Для объяснения спада предложили такие гипотезы:

1 - Люди не готовы покупать в принципе (нет денег).

2 - Люди закупились впрок из-за самоизоляции (упаковки линз, расходные материалы) и несколько месяцев будут расходовать купленное.

3 - Люди готовы купить, но по более экономичной цене - цена рынка им кажется неразумной. Возможно, они выходят из положения, переключившись на альтернативы - например, вместо линз решили поносить очки, хранившиеся в шкафу.

С первыми двумя гипотезами ничего сделать нельзя.

Третья гипотеза базируется на предпосылке, что ВЕСЬ РЫНОК ОШИБСЯ и поставил неправильную цену - слишком высокую для покупателя в текущий момент. В таком случае конкурентное ценообразование не может дать хороший результат: цена самого агрессивного конкурента всё равно недопустимо высока для покупателя.
Проверку данной гипотезы поручили искусственному интеллекту - алгоритмам Imprice на базе машинного обучения.
Запуск алгоритмов машинного обучения
Подробно принципы работы ML-алгоритмов Imprice описаны ЗДЕСЬ.
Основная задача алгоритмов - максимизировать прибыль в заданной товарной категории, выявляя оптимальные цены с учетом взаимозаменяемости и взаимодополняемости товаров.

Итак, решили проверять гипотезу "конкуренты установили слишком высокие цены, не соответствующие спросу".

В Imprice настроили специальный сегмент товаров - "товары, спрос на которые исчез".
В сегмент добавили sku, которые должны продаваться минимум раз в 30 дней, но которые никто не покупал уже 40 дней и более.
Всего отобрали 530 таких sku; в сегмент попали и товары с продажами ноль штук за 2020 год. Определили минимально допустимую маржинальность для каждого товара; задали границы интервалов, в которых алгоритм мог менять цены: верхняя граница - стартовая цена, нижняя граница - себестоимость sku плюс минимально допустимая маржинальность. В качестве цели оптимизации установили "максимизация прибыли в сегменте".

29 июня 2020 года искусственный интеллект начал устанавливать цены в сегменте "товары, спрос на которые исчез".
Первые результаты пилота: гипотеза подтверждается. Спрос есть, но установившиеся на рынке цены удерживают потребителей от покупки
В первый же день работы алгоритмов гипотеза стала подтверждаться: по новым ценам, установленным алгоритмами, клиенты совершили покупки 10 уникальных sku из сегмента "с исчезнувшим спросом".

За 10 дней работы алгоритмов спрос появился уже на 10% sku из сегмента "товары, спрос на которые исчез".

Интересный факт: сравнили полученные продажи за первые 10 дней эксперимента с десятидневными продажами в периоды до повышения цен поставщиками. Количество заказов с sku пилотного сегмента, продажи этих sku в штуках и их суммовые продажи выросли в июле в три - три с половиной раза при новых, более низких ценах. Некоторые sku в июле получили первые продажи за весь 2020 год. Это означает, что на товары данного сегмента цена рынка всегда была завышенной по сравнению с ценой, психологически приемлемой для потребителя.
Пример для одного sku:

Январь-июнь 2020: продано 0 штук
01 июля 2020: продана 1 штука
05 июля 2020: продано 2 штуки
Важные моменты в этой истории
Первое: границы применимости методик.

Автоматизированное конкурентное ценообразование - отличная методика, дающая быстрый рост показателей бизнеса. Об этом подробно рассказано в кейсах.
Но конкурентное ценообразование не работает, если все конкуренты "не угадали". Данный пилот прекрасно это иллюстрирует.

Второе: современные технологии особенно важны в периоды глобальной неопределенности и турбулентности.

Доходы населения упали, люди тратят осторожнее, в онлайн-торговлю пришли новые игроки, рубль девальвируется и восстанавливает позиции, поставщики меняют цены. Какие цены вам нужно поставить при увеличении себестоимости? В какой момент повысить или снизить полочную цену?
Нет учебника с четким ответом именно для вашего конкретного бизнеса в вашей конкретной ситуации. Зато ML-алгоритмы способны круглосуточно исследовать огромные массивы данных и генерировать решения, помогающие бизнесу остаться на плаву, не терять продажи и при этом максимально сохранять маржинальность.

В данном пилоте перед алгоритмами поставили очень упрощенную задачу: проверить, до какого уровня необходимо опустить цену, чтобы восстановить докризисные продажи.
Но вручную, без алгоритмов, провести качественный ценовой эксперимент с редко продаваемыми товарами было бы крайне сложно.
Установить цену сразу на уровне минимально допустимой, кардинально срезав маржу, - да, такое можно и без автоматизации.
Выявить оптимум цены, который даст максимальную прибыль - этого в ежедневно меняющихся условиях без высокого уровня автоматизации не сделать даже для 500 sku, не говоря о тысячах.

Огромный плюс алгоритмов с машинным обучением - они не снижают цену больше необходимого и постоянно проверяют, нельзя ли хотя бы немного поднять маржинальность.
В мае 2020 был интересный пример. Алгоритм Imprice определил, что на определенные sku интернет-магазина можно поднять цену - в кейсе показан пример, как две недели цена товара была на 20% выше конкурентов, и при этом товар отлично продавался. Пост-анализ показал, что на рынке в этот период случился дефицит данного товара. ML-алгоритмы помогли компании мгновенно отреагировать на скачок спроса, поднять цену и заработать больше в кризисный период.