С каждым годом параметров, которые влияют на конечный спрос и покупательское восприятие, все больше – растет конкуренция, покупатели становятся более избирательными, растет доля промо, а вместе с ней – количество кросс-зависимостей. Раньше можно было построить линейную эластичность от фактического спроса, сейчас же мы располагаем данными, которые необходимо дополнительно учитывать: количество промо, цены конкурентов, количество уникального ассортимента и так далее. Поэтому все больше и больше лидирующих ритейлеров используют в качестве инструмента для принятия решений аналитическое динамическое ценообразование, которое основано на входных наборах данных и способно автоматически обновлять цены при изменении входных параметров (например, изменении себестоимости, цены у конкурента и т.д.)

Если вы читаете эту статью, возможно, вы уже сталкивались с множеством ресурсов, представленных на просторах сети и в печатных изданиях, в которых в деталях описаны подходы к регулярному ценообразованию, построению моделей, генерации правил и оптимизации, поэтому мы не будем описывать каждый подход в частности, а постараемся выделить пять ключевых принципов, на которых основывается современный аналитический подход к ценообразованию, которые неоднократно были проверены нами на практике.

Основные принципы

1. Четкое понимание основного KPI
Перед построением аналитической модели необходимо сформулировать основные показатели, которые мы хотим улучшить в данный момент или в будущем и далее на их основании определить текущее значение этого KPI.

Необходимость этого объясняется следующими факторами:
Бизнес-стратегия в будущем может измениться – а вместе с ней и вектор ценообразования. Оптимизатор, настроенный только на увеличение выручки, может оказаться бесполезным в будущем для увеличения среднего чека или маржинальности и будет требовать существенных доработок.

Любые изменения в бизнес-процессах почти всегда подвергаются внутреннему тестированию. Обычно эффект от внедрения подобных решений колеблется вблизи нескольких процентов увеличения ключевого показателя. Не имея четкого представления о величине, которую мы хотим улучшить, и при отсутствии исходных значений KPI очень сложно провести статистически значимый эксперимент и оценить влияние до начала тестирования (так называемый АА тест)

Вывод: аналитический подход может отличаться и должен быть выбран в соответствии оптимизируемой величине.

2. Определение и оценка факторов, влияющих на продажи
Любой подход к аналитическому ценообразованию так или иначе содержит некоторую модель прогнозирования спроса в зависимости от цены на товар, или, по-простому, модель эластичности. Но с каждым годом количество дополнительных признаков, которые возможно учитывать, растет. В соответствии с этим есть два возможных варианта построения модели прогнозирования для дальнейшей оптимизации цен.

1. Построение сложной модели машинного обучения, которая на входе принимает множество факторов, в том числе и цену.
2. Ручная очистка продаж от внешних факторов и построение классической модели лог-линейной эластичности.

Каждый из подходов имеет свои преимущества и недостатки. Например, первый подход довольно сложно интерпретировать для конечного пользователя, и часто на выходе можно получить зависимости, которые в большей степени основываются на дополнительных факторах, а не на самой цене; второй же подход более понятен, но требует больше времени работы аналитика, а также из-за ограничения на линейную зависимость может давать не совсем корректные результаты за пределами исторического интервала цен (хотя это проблема есть и у ML-подхода). Конечно, существуют подходы, которые нивелируют эти недостатки: например, для моделей машинного обучения можно использовать монотонные ограничения по цене, а в лог-линейной зависимости задать ограничения на коэффициенты с помощью регуляризации.

Но какую бы мы модель ни выбрали, перед нами встает задача определения и оценки дополнительных факторов, таких как сезонность категории, количество промо, открытие новых магазинов конкурентов, изменение ценового конкурентного окружения, инфляция и так далее. Понимание, какие из этих параметров стоит включать в финальную модель, а какие нет, а также каким именно образом добавлять данные признаки, является ключевой задачей в разработке модели.

Приведем пример продаж категории в зависимости от средней цены, сезонности и количества промо. С первого взгляда может показаться, что никакой зависимости от цены попросту нет (рис. 1).

Здесь мы можем видеть и инфляцию, и годовую сезонность с пиком на летние месяцы, некоторые пики в моменты большого количества промо в категории. Но если очистить все вышеприведенные вещи и посмотреть на эластичности отдельных товаров, то мы можем увидеть, что товары имеют классическую зависимость от цены (рис. 2).

Немаловажным моментом является правильная очистка от всех этих признаков. Мы сталкивались с проблемой коррелированности данных признаков. Чтобы избежать проблемы очищения от самой ценовой зависимости, следует использовать оценки внешних факторов через другие величины, например оценить тренд, используя не суммарные продажи, а трафик магазина; сезонность не через суммарные продажи категории, а через ее долю от среднего чека покупателя; инфляцию не через увеличение цены на отдельный товар или категорию, а через среднее увеличение себестоимости и так далее.

Такие очистки приводят к значительно лучшим результатам при дальнейшей оптимизации.

Вывод: требуется не только определение факторов, влияющих на спрос, но и их правильная очистка.

3. Корректное определение корзин товаров и степень конкурентного окружения
Получение оптимальных цен исходя из модели оптимизации является лишь одной из задач общего подхода к ценообразованию. Другим не менее важным шагом является определение ограничений на изменение цены для различных товаров и магазинов.

Если цены на товары ТПЦ (товары первой цены) и товары с рекомендованной розничной ценой (МРЦ) чаще всего однозначно определяются через мониторинг цен конкурентов и требованиями законодательства соответственно, то определение ключевых товаров (KVI) остается на стороне экспертов и аналитиков.

KVI (Key Value Indicators) – товары, определяющие ценовое восприятие покупателя о магазине или сети в целом. Обычно это товары известных брендов, которые люди часто покупают и, как следствие, хорошо знают их цену и ориентируются по ним при выборе магазина.

Конечно, возникают вопросы о связи KVI с ТПЦ и СТМ, наличия некоторых сезонных KVI (арбузы осенью и яйца в середине апреля) и их учета, но ключевой проблемой остается редкое переопределение данной группы. Обычно это связано из-за необходимости вовлечения эксперта категории. Для некоторых категорий, таких как «Мясо» или «Овощи», ассортиментная матрица меняется очень часто, и в связи с этим требуется такая же частая переоценка списка товаров KVI. Основываясь на нашем опыте, если сравнить списки товаров KVI, сдвинутые во времени всего на полгода, то получится расхождение до 40% товаров для некоторых категорий.

Другое же ограничение, которое требуется учитывать, – это наличие ближайших конкурентов. Тут аналитика помогает рассчитать расстояние до конкурентов и как следствие – определить основное конкурентное окружение для каждого магазина (рис. 3).

Безусловно, существует еще множество ограничений, которые следует учитывать для формирования цен, такие как ценовые линейки, цена за единицу объема для объемных товаров меньше, чем у малообъемных, формат цены, заканчивающийся на #.99 (все еще актуально), базовые ограничения по маржинальности и себестоимости и т.д., ведь дьявол, как известно, в деталях.

Вывод: аналитический подход позволяет более точно и с большей частотой определять корзины товаров (KVI, Back Basket) и степени конкурентного окружения и тем самым минимизировать инвестиции в цену для поддержания желаемого ценового восприятия со стороны покупателей.

4. Учет кросс-эффектов
В последние несколько лет доля промо продолжает расти, а вместе с ней и влияние кросс-эффектов (каннибализация спроса, галоэффект) на финальный спрос, игнорирование таких эффектов при оптимизации цен приводит к снижению точности и ухудшению ключевых финансовых показателей.

На рис. 4 представлены графики успешности промо в терминах прироста выручки, маржинальности и количества штук. Красные столбцы показывают суммарную потерю за счет уменьшения маржинальности и наличия каннибализации других товаров.

Суммарный прирост маржинальности на уровне категории либо значительно ниже ожидаемого, либо вовсе отсутствует из-за наличия кросс-эффектов и перераспределения спроса.

Становится очевидно, что наличие кросс-эффектов также влияет на продажи регулярных товаров. Ниже приведен график изменения продаж на очищенном от внешних факторов спросе (синяя линия) от цены (зеленая линия); мы видим, что спрос значительно растет при неизменной цене, и эти изменения вызваны как раз кросс-эффектами, которые возможно оценить и спрогнозировать (красная линия) (рис. 5).

В основе подхода к оценке матрицы каннибализации и построении кросс-эластичности лежит построение дерева принятия решения (CDT), которое позволяет определить группы похожих товаров с точки зрения покупательских потребностей, имея группы таких товаров, можно оценить степень их взаимного влияния на спрос.

Вывод: учет кросс-зависимостей является одним из важнейших факторов при построении ценового оптимизатора.

5. Наличие доступа к данным
Последним в нашем списке, но не последним по значимости является наличие и доступ к различным данным из разных систем. Задача ценообразования требует большого количества информации из разных источников (этот список может быть расширен):

• Данные о продажах и наличии;
• Информация о ценах, промоакциях, механиках, промокаталогах;
• Данные ценовых мониторингов;
• Справочники товаров, их атрибуты, иерархия;
• Справочники магазинов, адреса ближайших конкурентов, экономические показатели района;
• Информация о маркетинговой активности конкурентов.

Как известно, около 80% работы аналитика приходится на сбор, очистку и подготовку данных, поэтому четкое взаимодействие различных департаментов и команд может разительно ускорить процесс разработки решения за счет переиспользования уже имеющихся наработок в области анализа и подготовки данных.

Вывод: требуется следить за доступностью, согласованностью и чистотой входных данных.

Заключение
Ценообразование в ритейле складывается из сложной комбинации использования множества аналитических инструментов в совокупности с экспертными знаниями.
Если четко следовать основным вышеперечисленным принципам построения аналитического динамического ценообразования, это гарантирует вам соответствие фактических результатов планируемому эффекту и улучшение ключевых финансовых показателей.