Данная статья открывает серию, посвященную розничной торговле.
Идею использования аналитики в ритейле можно изобразить в виде маркетингового круга так: 
Основная идея этой, казалось бы, бесполезной картинки — показать, что аналитика позволяет прогнозировать последствия принятия тех или иных бизнес-решений на основе последующих изменений потребительского спроса.
И чем лучше мы понимаем спрос, агрегируя информацию из разных каналов, тем лучше мы сможем прогнозировать результат. Короче говоря, картина идеального мира, и каждый идет в этот мир своей дорогой.
Сегодня поговорим об аналитике ценообразования в офлайн-ритейле.
Введение
Вики дает краткое определение ценообразование .С точки зрения компании ценообразование — это еще один инструмент, позволяющий управлять спросом на товары/услуги и, соответственно, KPI компании.
Почему бы не воспользоваться достижениями в области цифровизации и науки о данных, чтобы помочь вашей компании более эффективно устанавливать цены.
Стандартные цены на розничную продукцию следующие:
- Товары, цена на которые ограничена государственным регулированием: табак, некоторые лекарства.
В этом случае обычно не заморачиваются и устанавливают максимально разрешенную цену.
- Продукция-индикатор покупателя.
Они жестко оцениваются по сравнению с конкурентами на основе таких правил, как «наша цена = цена конкурента – 2%» (КВИ, первая цена, локомотивы и т.д.)
- Другие продукты ( задняя корзина ), где каждый устанавливает цены в меру своих возможностей.
Именно об этом мы сегодня и поговорим, о том, как наилучшим образом установить цену на этот товар.
В среднем около половины из них остаются в доходах.
Перейдем к делу
Кратко все процесс оптимизации цен можно описать следующими этапами:- Строим модель потребительского спроса на основе исторических данных
- Мы собираем правила ценообразования от предприятий (подробнее о них ниже) и превращаем их в ограничения математической оптимизации.
- Запускаем оптимизацию по заданным KPI (маржа, выручка, единицы) и получаем оптимальные цены
Для простоты рассмотрим процесс оптимизации цены с конца.
Если первые два пункта выполнены (т. е.
построены модели спроса и формализованы правила ценообразования), то третий — чисто технический шаг (конечно, если вы знаете, какой KPI необходимо оптимизировать).
Методы оптимизации многие были изобретены для разных задач .
В конце концов, можно просто пройтись по ценовой сетке и найти лучший, хотя это не подход настоящих джедаев.
Второй пункт — это отдельная и очень сложная задача по сбору правил автоматизации ценообразования.
Аналитики и математики здесь не так уж и много, и основная проблема – формализовать и согласовать правила, которые есть в головах нескольких десятков николаевских Сергеевичей.
К счастью, существует более или менее устоявшийся набор шаблонов правил, с которых можно начать:
- Маржа не ниже/не выше N[%] или N[руб.
]
- Изменение цены не более чем N[%] или N[руб.
]
- Цена внутри ценового кластера одинакова
- Цена внутри продуктовых линеек одинаковая.
- Цена за единицу объема дешевле для более крупных продуктов.
- Цена не может быть ниже/выше N[%] относительно конкурентов
- Частная торговая марка дешевле брендовой на N[%]
- Формат цен ##.
00, #9.95 (да, такие цены до сих пор очень популярны, и не только в России)
Тип модели и данные
Модель должна строиться с учетом того, что она будет использоваться для дальнейшей оптимизации.Те.
Повышение древовидности полезно, когда у вас небольшое количество пар «товар/магазин», но попробуйте оптимизировать, увеличив 10 000 000 пар «товар/магазин» за 5-часовой ночной период (кроме того, вы видели, как ансамбли деревьев учитывают цены?).
Вот как ансамбли деревьев влияют на цены Ось X — цена, ось Y — прогнозируемый спрос.
Один пример: 
Два примера: 
Они до сих пор правят в этой области линейные модели .
Как показывает практика, хорошо настроенная линейная модель не уступает по точности бусту средней «даты».
Сатанист ученый.
" Но даже если линейная регрессия немного уступает другой модели, это не так уж и страшно, т.к.
конечная задача – определить лучшую цену, а не самый точный прогноз.
Наша цель — получить модели (или модель), которые будут прогнозировать спрос на каждый товар в каждом магазине.
Типичные данные, которые для этого необходимы, — это история продаж, история баланса, история цен, история рекламных акций.
При желании вы можете добавить другие данные, такие как цены конкурентов, погода, данные о лояльности или данные о транзакциях.
При этом обычно в нормальном состоянии имеется только история продаж.
Балансы могут колебаться из-за списаний, краж и просто проблем с бухгалтерией (нередко на остатках содержится -0,4 банки зеленого горошка, так что подумайте, что это значит).
История цен и акций — это вообще отдельная история — их сложно найти в недрах ERP (а иногда их там просто нет).
Конечно, восстановить цены с распродаж можно, но это соответствующим образом отразится на качестве моделирования и, конечно, не в лучшую сторону.
Небольшой оффтоп
Зачастую сложно объяснить, что аналитика вообще может помочь в ценообразовании.
Вот два типичных случая: 
Дело 1. Продажи в [штук] с течением времени показаны синим цветом, цена — красным.
Итак, заказчик показывает нам этот график и говорит: классической зависимости от цены у нас нет, потому что цена растёт, а спрос растёт, цена падает, а спрос падает. В конце статьи станет понятно, что делать в этом случае (и нет, это не продукт Гиффен ).
Здесь, помимо цены, необходимо учитывать и дополнительные факторы.
Такие факторы могут включать (но не ограничиваться): Что бы было без него :) 
- Собственные цены и цены конкурентов
- Рекламные мероприятия
- Каникулы
- Сезонность
- Тенденции
- Жизненный цикл продукта
- Инвентарь
Случай 2. На графике показаны продажи продукта с течением времени.
Трудно найти связь с ценой, если товар продается один раз в неделю.
Ответ очевиден – для получения полезного сигнала необходимо агрегировать данные.
Давайте теперь рассмотрим оба этих случая подробно по порядку.
Учет факторов и агрегирование
Чтобы модель учитывала внешние факторы и оптимизировалась за разумное время, воспользуемся линейным регресс .
На тему «какую модель лучше использовать» не написано ни одной диссертации, но на практике доказали свою эффективность две очень простые модели следующего типа: 
Давайте продолжим и воспользуемся ими.
При недостатке данных логично использовать агрегацию.
В этом случае агрегацию можно понимать как следующие этапы:
- Вертикальный пул информации – агрегация в классическом понимании, например, рассматривающая продажи товаров на уровне города, а не конкретного магазина.
- Горизонтальное объединение информации – использование эконометрических моделей с зафиксированный , случайный И смешанный эффекты с использованием панельных данных.
декомпозиция спроса – т.е.
оценить коэффициенты регрессии на наиболее подходящем уровне товарно-географической иерархии.
При этом мы считаем, что все уровни ниже в иерархии наследуют зависимости, полученные на более высоких уровнях.
Часто приходится возвращаться к этапу выбора модели и метода агрегации и пробовать несколько вариантов декомпозиции.
Декомпозиция спроса состоит из следующих этапов:
- На верхних уровнях товарно-географической иерархии мы оцениваем сезонную, циклическую и трендовую составляющие с помощью методов временных рядов.
- На средних уровнях вычитаем полученную сезонность, строим ту же регрессионную модель, о которой говорили выше, — оцениваем влияние внешних факторов.
- На более низких уровнях мы вычитаем сезонность и влияние факторов.
В результате мы имеем необъяснимые остатки.
Давайте позвоним им местные тенденции и снова прогнозируем с помощью временных рядов.
Казалось бы, все проблемы решены, для каждой пары «товар-магазин» мы построили свою линейную модель, осталось только наложить ограничения и отправить все в оптимизатор.
Фактически основная трудность декомпозиции спроса заключается в построении правильной иерархии и определении оптимальных уровней для построения регрессии.
Для этого нам необходимо построить подходящие продуктовые и географические иерархии.
Зачастую принятые в компании иерархии больше соответствуют задачам управления (например, финансовая иерархия или иерархия, привязанная к поставщикам и т.п.
).
Они плохо подходят для задачи моделирования спроса, поэтому вам необходимо построить собственную иерархию классов.
Для построения продуктовой иерархии необходимо изучить, как покупатель принимает решения о приобретении товара.
И задавая себе этот вопрос, мы приходим к новой концепции – Дерево решений клиента (CDT) .
Он показывает, какие атрибуты товара важны для покупателя и в какой последовательности их следует располагать.
В большинстве случаев CDT основан на атрибутах продукта.
Чем ниже уровень CDT, тем сильнее продукты заменяют друг друга.
Менеджеры по категориям могут оказать большую помощь в построении CDT, потому что.
хорошо понимают свои категории.
Существуют аналитические способы построения CDT, например, анализ графа транзакций.
Описание таких методов – отдельная статья.
Пример графа транзакций одного ритейлера для раздачи Каждая точка – это продукт, Вес края характеризуется количеством сделок, в которых оба товара находились вместе.
Построение географической иерархии обычно является более простой задачей.
Здесь может помочь кластеризация по структуре сезонности, структуре продаж по категориям и движению клиентов.
Был интересный случай в одном продуктовом ритейлере: структура спроса сильно менялась в зависимости от того, по какой стороне главных дорог располагались магазины - в регион везли больше водки, пива и сигарет, больше чистящих средств, детских йогуртов и кормов для животных.
повезли в сторону центра.
– это была стабильная структура потребления.
Построив CDT и географическую иерархию отдельно, мы объединяем их в продуктово-географическую.
Таким образом, мы построили новую иерархию, которая отлично подходит для моделирования спроса.
Каков результат?
В результате мы построили новую иерархию, хорошо подходящую для моделирования спроса, а также получили последовательность действий, которые необходимо выполнить для построения самих моделей спроса для дальнейшей оптимизации.Вот краткий порядок построения моделей:
- Оцениваем сезонность, тренд, циклические составляющие
- Мы агрегируем данные до уровня товарно-географической иерархии, на котором оцениваем сезонность, тренд и циклические составляющие.
- Все иерархические уровни ниже наследуют результирующие значения.
- Мы агрегируем данные до уровня товарно-географической иерархии, на котором оцениваем сезонность, тренд и циклические составляющие.
- Агрегируем данные до уровня, на котором будем оценивать влияние внешних факторов.
- Вычтите сезонность и тренд
- Оцениваем влияние внешних факторов
- Все уровни иерархии ниже наследуют рассчитанную оценку воздействия внешних факторов.
- Все уровни иерархии ниже наследуют рассчитанную оценку воздействия внешних факторов.
- Вычитаем полученные значения сезонности и оценки влияния внешних факторов на самом детальном уровне – товар/магазин.
- Сглаживаем остатки и прогнозируем их простыми методами.
Восстанавливаем сезонность, праздники, влияние акций и цен.
Деловые люди сразу спросят, а как учитывается взаимное влияние товаров друг на друга? Учесть его на этапе моделирования можно несколькими способами, но вот два наиболее популярных:
- Прямой метод – в формуле спроса учитываем цены товаров, оказывающих наибольшее влияние друг на друга:
- Моделирование доли продаж – прогнозируем продажи группы и долю каждого товара внутри группы:
А что насчет этого примера?
Вернемся к примеру из первого случая
Спрос (синий) и цена (красный) с течением времени
Спрос (ось Y) в зависимости от цены (ось X) Да, на первый взгляд зависимости спроса от цены действительно нет; установите максимальную цену и будьте счастливы.
Но построив новую иерархию прогнозирования, рассчитав сезонность на более высоком уровне, мы вычтем ее на уровне продукта.
Получаем следующую картину 
Сезонно компенсированный спрос (синий) и цена (красный) с течением времени 
Сезонно-компенсированный спрос (ось Y) в зависимости от цены (ось X) Типичная зависимость спроса от цены (чем выше цена, тем меньше спрос).
Те.
в данном случае хорошо видно влияние сезонности, учитывая которую сразу видно, что товар достаточно эластичен.
Заключение
Оптимизация цен не только выгодна компании (маржа в несколько процентов еще никому не повредила), но и интересна.Есть регрессии, оптимизация, графический анализ и все это в обертке больших данных — есть куда развернуться душе аналитика.
Но не забывайте, что моделирование спроса и оптимизация цен — это лишь малая часть более крупного процесса ценообразования бизнеса и, помимо остального, приносят мало пользы.
Оптимизируйте процессы, оптимизируйте цены, оптимизируйте хранение данных (ведь Garbage In – Garbage Out) и получайте отличные результаты.
Теги: #розничная торговля #ценообразование #линейная регрессия #Машинное обучение #Бизнес-модели
-
Обзор Корпоративной Системы Форекс
19 Oct, 24 -
Тестирование В Mail.ru Group
19 Oct, 24 -
Zyxel Keenetic + Das Cfi = Бюджетный Nas?
19 Oct, 24
