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.