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. ❤️