KeepRise

Особенности ценообразования в разных сегментах рынка. Мы часто писали здесь: “Бизнес обладает своей спецификой… невозможно подобрать единый ключ ко всему” – это остается истиной. Прошедший год был для нас пиковым с точки зрения количества организованных встреч и сбора обратной связи с рынка. При этом, мы старались планомерно двигаться от одного сегмента к другому. У нас была гипотеза: "каждый сегмент рынка выделяет специфические требования к задачам ЦО" и если это так, то эту специфику необходимо идентифицировать и учитывать в нашем решении. Именно результатами наших поисков мы хотим поделиться с читателями канала в ближайшем цикле публикаций. Будет круто, если вы будете делиться своим опытом\виденьем и у нас получится организовать небольшую дискуссию на фоне этих публикаций. Порядок следующий: – Фармакология; – FMCG («Fast-Moving Consumer Goods», потребительские товары); – DIY (DIY — do it yourself, товары для ремонта, стройки и т.д.); – Beauty Retail, drogery; – Jewelry; P.S. (Все в разрезе B2C ценообразования) Желаем продуктивной рабочей недели и сливочного масла на столе ❤️ Stay tuned

‼️ Перенос даты нетворкинг-завтрака‼️ Коллеги, в связи с болезнью спикера нетворкинг-завтрак «Как настроить систему ценообразования, которая повышает маржинальность в торговле и производстве» переносится. О новой дате сообщим дополнительно - следите за новостями✉️

Ну и закончить цикл постов про ML можно самым сложным и красивым из того, чего мы достигли на текущий момент – пакетная оптимизация. Мерседес от мира ценообразования, не иначе. Суть вот в чем: Есть гипотеза, которая звучит так: лучшая цена для отдельного SKU - это не лучшая цена в рамках KPI всей категории. Например, лучшая цена для яблока сорта Гала может переманить на себя спрос с других сортов и в итоге не выигрывать максимум value для компании. Как это обстоятельство преодолеть? Необходимо проектировать подбор не по одной цене, а сразу по набору (Отсюда и название - пакетная оптимизация). Суть её в том, чтобы связать работу сразу нескольких моделей и проектировать контекст для контекста. Тут проще списком: 1️⃣ Мы отслеживаем силу влияния цены одного товара на спрос другого. Популярным и знакомым языком это называет "хало"-эффект или каннибализация спроса; 2️⃣ Дальше мы берем оптимизационную модель и выбираем не одну "лучшую цену", а набор таких "лучших цен"; 3️⃣ Эти наборы (Цена Х на SKU 1, Цена Y на SKU 2 и т.д.) мы комбинируем между собой и учитывая силу хало-эффекта мы проектируем весь набор. Есть определенный блок в виде данных, т.к. проработать нужно многократно увеличившийся массив. Если в случае с классической оптимизацией вычислительная мощность последовательно двигается от одного SKU к другому, то пакетная оптимизация рассчитывает еще и комбинации других возможных исходов. Иногда, описывая эту концепцию, сталкиваемся с возражением вроде "У нас это уже реализовано", но в действительности понимание останавливается где-то на первом пункте. А если Вы очень крупная компания и заинтересованы в пилоте подобного решения - пишите @revenuemaker , организуем встречу и обсудим.

📍 Что дает ML для ценообразования компаний? На последней презентации Chat-GPT 4o продемонстрировали как мгновенно ИИ способен считывать текст с книги, а главное - формировать краткий вывод по этому тексту. Текст - входящие данные, а вывод - это запрос. Если вы просто попросите "Дай лучшую цену", то самым правильным ответом будет "А лучшую для чего?". Поэтому голубая мечта в виде системы, которая сама рекомендует идеальные цены - это либо не очень хитрый трюк, удовлетворяющий несформированный запрос клиента, либо в корне неверная трактовка принципа работы ценообразования. Все как у классиков: "А может быть, сегодня – стулья, а завтра – деньги?" ML, что в буквальном переводе значит "Машинное обучение". Представим себе двух людей, которые знают как играть в шахматы и играют друг с другом. При этом, по началу они не способны оценить - выгодная у них позиция или нет. Делая определенную последовательность ходов один побеждает, а второй проигрывает. Тот, кто проиграл внимательно изучает партию и находит ошибку - свой роковой ход. Не допуская её, он побеждает. Так вот лучшая последовательность ходов в конкретных ситуациях - это результат работы ML. Его коренное отличие в том, что он способен сравнить между собой качество всех возможных цен для достижения конкретной задачи. Прошу простить за финальную аналогию, но она самая понятная, т.к. всеми пройденная: Все варианты цен - это сперматозоиды. До яйцеклетки в итоге добирается та цена, которая лучше остальных работает в конкретной среде. Мало того, что вариантов цен много, так еще и процесс этот из раза в раз повторяется, чтобы точно понять, что именно эта цена постоянно выигрывает. Это описание процесса работы оптимизации. Условный результат работы таков: цена Х достигла лучшего результата на 20 раз больше, чем цена Y, поэтому цена Х - лучшая в этом контексте. Рассматривать это как рекомендацию? Ну только если вам очень сильно этого хочется. Контекст будет меняться, а где-то и цели вашего бизнеса будут сильно на это влиять, поэтому поле деятельности аналитика по ценообразованию здесь смещается с регулярных расчетов -> учет дополнительных нюансов и создание правильного вектора поиска. Сам правильный вектор вам никто не подскажет. В будущем можно себе представить конечно и машину, которая будет определять, куда лучше двигаться в конкретном рынке. Инвестировать маржу завоевывая рынок или сохранять долю, выводить новый ассортимент или работать над СТМ. Но пока такой машины нет - не будет и машины, которая полностью автономно принимает решение о ценах, так как цены, в первую очередь - это отражение ваших стратегических намерений. Если вам все это понятно и не терпится внедрить такой инструмент расчета цен - пишите, традиционно, @revenuemaker . Будем рады помочь и рассказать больше о работе ML-моделей в KeepRise.ru. А в следующий раз поговорим о пакетной оптимизации, там еще интереснее ситуация. 😁

Есть профессия такая - промты писать. А именно формировать запрос к ИИ таким образом, чтобы он выдавал какой-то вменяемый результат. С ценообразованием на базе ИИ похожая история, только вместо промта – нужны данные о трансакциях и номенклатуре. Чем их больше и качественнее - тем лучше. В KeepRise у нас философия индивидуализма и кастома, т.е. каждый бизнес - сущность отдельная, поэтому и подход тут свой. Представьте, что ваша цена - эта лучшая версия себя. Актуальнее, выполняет KPI эффективнее, нравится как рынку, так и вам самим. ИИ с данными тут что-то вроде инъекции. Одновременно получить максимум маржи и продаж не выйдет - это мутант. А вот найти такую цену, которая будет давать максимум прибыли - вполне реально. Цена всегда эффективна в контексте задач компании. Если прожектор светит со стороны продаж - лучшей будет цена, которая максимизирует этот показатель. Хорошая новость в том, что ИИ уже позволяет такие KPI для цен ставить и достигать солидных результатов. 🔥 Более того, можно разделить ассортимент и для каждой группы цен генерировать свои задачи. Например, KVI отвечает за лидогенерацию и мы заинтересованы в максимизации продаж при определенном уровне наценки. Есть и другие варианты. Например, маржа в категории очень сильно проседает. Пробовали уже по-всякому: поставщиков меняли, баланс сегментов внутри тоже, с ценами экспериментировали, но к конкретному результату так и не пришли. Есть целый модуль который эту проблему может преодолеть. По сути, он считает сразу все варианты цен, сравнивая их эффективности в заданном бизнесом и данными контекстом, перераспределяя спрос на более маржинальные SKU. Эти инструменты доступны уже сейчас. Конкретно KeepRise пользуется таким ответвлением ИИ как Machine- Learning. Подробнее про это - в следующем посте. Больше мы так пропадать не будем, а чтобы наверстать упущенное - до Нового Года публикации будут выходить в усиленном темпе. ❤️

И обещанный график:

К технологиям на базе ИИ можно относиться по-разному, но если они уже дошли до Олимпа и эта длинная цепочка коммуникаций замкнулась выражением "Использование искусственного интеллекта - одно из главных...", – это следствие ряда успехов. Обсуждения вокруг вопроса "Внедрять или не внедрять?", а если внедрять, то где это профицитно, по-прежнему не стихают, а скорее напротив, набирают популярность. Самими продавцами разных ИИ-решений транслируется идея "подорожника", который нужно приложить к проблемной зоне и травма заживет. Судя по СМИ и фрагментам дискуссий (тут может быть поправка на ошибку выжившего - с радостью почитаем ваши комментарии) – самые широкие наборы инструментов на сегодняшний день представлены для рекрутинга, маркетинга, отдела продаж и логистики. Все по той же логике, рекрутинг – самая наболевшая тема, отечественный маркетинг тоже плагиатит то, что на западе использовалось еще лет 30 назад (В лучшем случае) и т.д. Что же с ценообразованием? В июле 21 года (По меркам ИИ - столетие назад) на сайте BCG вышла статья - "Why AI Transformations Should Start with Pricing". Если очень коротко - вернуть инвестиции в ИИ можно быстрее всего с помощью ценообразования. Идея несложная для усвоения и крайне логичная. Цены являются результатом всей предшествующей цепи действий и любое изменение в предшествующем элементе меняет и результат. Ниже я представлю вам график, который эта статья транслирует. Что в нем важно? 📍 Опрос проводился на компаниях с выручкой 10 млрд. $+, т.е. по общемировой классификации это компании "Крупные". 📍 Есть два ключевых тезиса, который можно из него заключить: - Начать внедрять ИИ с ценообразования - безопаснее, чем в других областях (Вероятность того, что вы получите "хоть что-то" вместо "ничего" - 87%) - Over 100 млн. $ - понятие растяжимое и хотелось бы подробнее узнать у самих BCG, какая была верхняя планка у этой истории. Тем не менее на 12% чаще встречаем ситуацию, где ИИ для ценообразования возвращает инвестиции быстрее остальных. Это все здорово, и слово график мне нравится и слово многообещающий тоже. Остается только понять, что это за зверь такой - "Ценообразование на базе искусственного интеллекта". За весь рынок говорить бессмысленно, практики использования у всех разные. Сразу предупредим – рассказ будет с точки зрения возможностей для бизнеса, а не ML-экспертизы. Но это уже в следующий раз. Напоминаю, что с нами можно связаться и если ваша выручка >5 млрд. – более предметно обсудить возможности решения ваших болей с помощью нашей системы. Написать можно сюда - @personeadmin

📌 Что такое прозрачное ценообразование и какие проблемы возникают, если не использовать его? Прозрачное ценообразование предполагает, что процесс формирования цены понятен и поддается проверке. Любой, у кого есть доступ к данным, может увидеть логику расчета цены. Возможность реализации прозрачного ценообразования зависит от того, каким способом устанавливаются цены в компании: Rule Based ценообразование - основано на логических правилах и четких алгоритмах. Для каждой категории товаров (SKU) прописаны формулы, которые можно воспроизвести, имея доступ к данным. Такое ценообразование можно сделать прозрачным, чтобы любой, кто разбирается в логике, мог отследить, как сформировалась новая цена. Экспертное ценообразование более субъективно. Здесь решение принимает конкретный специалист на основе опыта и собственного понимания рынка. Такая модель непрозрачна: нет четких правил, и другим сотрудникам сложно понять, как именно формируется цена. Возникают дополнительные риски - если эксперт увольняется или уходит на больничный, его подход к ценообразованию может потереться. Стратегия сильно зависима от человеческого фактора. Ценообразование на основе машинного обучения (ML) - также сложно назвать полностью прозрачным. Логика формирования цены скрыта в сложных математических моделях. Хотя формально восстановить цену возможно, понимание «логики» таких цен становится проблемой для стороннего наблюдателя. Какие риски несет отсутствие прозрачного ценообразования? 🛑 Ошибки Без прозрачных правил цена может быть установлена вне политики компании, и это сложно отследить. Интуитивный подход или непрозрачная модель ML затрудняет контроль над правильностью цены, и отклонения могут остаться незамеченными. 🚦 Сложности с контролем Когда процесс ценообразования непрозрачен, проверить обоснованность установленных цен сложнее. В критических ситуациях может приводить к тому, что для достижения целевых показателей, например, по оборачиваемости, могут возникнуть необоснованные скидки, из-за которых товар продаться в минус. 🐢 Медленная реакция на рынок При непрозрачном подходе экстренные переоценки усложняются: нужно перепроверить все правила, найти причины предыдущих изменений. Реакция замедляется и компания не зарабатывает на изменениях, а теряет деньги в критические моменты.

Друзья-читатели! Многие из вас имеют знания и умения, которые вы наработали за годы практики в ритейле, производстве, оптовых продажах и не только. Эти знания и умения могут быть полезны другим компаниям на рынке. Предлагаем их вам капитализировать! Но, как говорят, протяни удочку, а не рыбу 🙂 Поэтому мы запускаем бесплатную помощь заинтересованным в организации своего бизнеса или высокооплачиваемой частной практики в области ценообразования и смежной с ней. Это пилотный проект для нас, поэтому мы наберем узкий круг участников. Чтобы узнать подробности регистрируйтесь на вебинар в следующий четверг 21 ноября в 11:00. На вебинаре мы презентуем инициативу и ответим на все ваши вопросы. Для регистрации, пожалуйста, заполните форму по ссылке.

🚀 Делимся материалом по ценообразованию от эксперта! Сегодня хотим рассказать о статье, которой с нами поделился Дмитрий Окладников, специалист в области экономики и ценообразования 📈 Как затраты влияют на оптимальную цену товара? В своей статье Дмитрий раскрывает секреты ценообразования для максимизации прибыли, объясняет, почему постоянные затраты не стоит учитывать при определении цены, и приводит реальные кейсы, где переменные расходы напрямую влияют на оптимальные значения цен В статье подробно рассмотрены примеры, когда изменение условий (например, налогов или комиссий маркетплейсов) требует корректировки оптимальной цены, чтобы сохранить прибыльность бизнеса 📢 Благодарим Дмитрия за интересный материал! Полный текст можно прочитать по ссылке Если у вас есть полезные статьи или исследования, делитесь с нами — мы будем рады опубликовать их и отметить вас в посте!