«Если нет данных конкурентного мониторинга цен, самое время паниковать», — Дарья Нечаева, экс-руководитель ценообразования «Ситилинка»

Если несколько лет назад использовать Excel для переоценки товаров и содержать штат аналитиков было абсолютно нормальным, то сейчас эволюция подходов к работе с ценообразованием вышла на новый уровень: искусственный интеллект в ритейле уже приносит прибыль. Крупный ритейл России понимает, за чем стоит будущее, поэтому внедряет технологические инструменты или создаёт свои внутри бизнеса.

Николай Савин, Head of Products Competera, обсудил принципы системы эффективного ценообразование с Дарьей Нечаевой, экс-руководителем ценообразования «Ситилинка».

Николай Савин: — Прежде чем переходить к алгоритмам, давайте начнём с фундамента ценообразования — данных. Как определяется качество и контролируется точность конкурентного мониторинга цен?

Дарья Нечаева: — Каждый крупный ритейлер ежедневно получает миллионы данных о ценах: это и цены конкурентов, и цены Яндекс.Маркета, и промо-активности, и, например, данные офлайн-каталогов. С течением времени набирается статистика, по которой можно судить об отклонениях в данных, которые бизнес отслеживает. Каждая компания выстраивает отчётность таким образом, чтобы можно было быстро определить, где именно данных не хватает: в конкретном источнике, регионе, товарной группе или корзине. Полученные данные анализируют, и с течением времени выводят средний показатель количества доставленных данных. Если, к примеру, стандартный объём цен по конкуренту — 20 миллионов, а в какой-то из дней собрано 18 миллионов, — это сигнал, что в какой-то категории «не добрали» данные.

Количество доставленных данных — главный параметр оценки их качества.

С другой стороны, если на сайте конкурента стоит защита от парсинга, то программа может собирать «липовые» цены или вообще их не собрать. Для решения этой задачи системе задают критическую волатильность, к примеру, в 10 процентных пунктов. Все товары, превышающие этот показатель, отправляются на перепроверку.

— Что делает руководитель ценообразования, если сработал антипарсинг и данные не доставлены?

— Начинает паниковать! :–) Шучу, конечно, но это на самом деле очень болезненный момент. Например, если компания придерживается политики низких цен в целом или гарантирует самые низкие цены на определённые товары, для неё недобор может быть критичен, если не собрались данные главного ценового конкурента или нескольких. Если компания придерживается средних цен на рынке, недобор может сместить цены как в сторону их увеличения, так и в сторону их снижения.

Ребята из отдела ценообразования знают, кто из конкурентов и когда меняет цены, поэтому они первые, кто увидит, что данных нет. Если такое происходит, всегда остаётся запасной ручной вариант. В зависимости от того, что компания считает для себя наиболее значимым, мониторинг по ссылкам может быть проведён по категории А, по товарам в акциях, по позициям KVI и так далее. Но каждый день делать это вручную нереально.

— Если уж мы заговорили о «ручных» процессах, как строится ценообразование в ритейле? Оно автоматизировано или до сих пор основано на экспертных мнениях?

— В онлайн-ритейле очень высока скорость изменения цен. Некоторые игроки могут ценообразовываться несколько раз в день, их конкуренты не хотят отставать. Поэтому многие крупные игроки автоматизируют модули переоценки, так как понимают, что стоимость ошибки в расчёте цены для такого масштаба бизнеса очень велика. Каждый выбирает свой удобный путь: кто-то купил SaaS-решение, кто-то «коробочное», кто-то создал своё и нанял штат аналитиков и экспертов по ценообразованию для поддержки их работы.

— Внутренние решения — дорогое удовольствие, так как бизнес берёт на себя финансовые риски в связи с ошибками и поломками системы. Выгодно ли содержать команду Big Data, системных и бизнес-аналитиков, если есть готовые решения с ритейл-экспертизой?

— Это и так, и так будет затратно. Дороговизна, время на внедрение и обучение персонала зависит от решения. Имплементация некоторых облачных решений может быть дороже построения собственных. Более того, я знаю компании, которые покупали автоматизированные решения, а дальше всё равно цены выставляли экспертно.

Система считает и предлагает, а категорийный менеджер или специалист ценообразования думает: «Ну, нет, я не согласен».

Есть другая тонкость: компании-энтерпрайзы не любят отдавать свои коммерческие данные. Потому даже если SaaS-модуль и лучше по функционалу, компании не станут передавать данные о своих продажах и закупках под страхом банкротства. Это вопрос безопасности.

Конечно, на рынке есть надёжные облачные решения, но их подключение не умаляет эффект «чёрного ящика». Менеджмент будет много подпрыгивать в своих креслах, если не будет понимать, как именно работает алгоритм и как он посчитал цену. И тут мы получаем паноптикум: деньги были потрачены на безумно дорогой модуль, а менеджеры ему не доверяют и возвращают компанию к «танцам с бубном».

Поэтому, несмотря на очевидную дороговизну, сложность в поддержке и масштабировании, компании стремятся разработать внутреннее решение, чтобы правила его работы были понятны команде.

— Как снять проблему «чёрного ящика»: что ритейлеру нужно знать об алгоритме, чтобы «успокоить» категорийщиков и они применяли предложенную машиной цену?

— Самое главное при использовании алгоритма — понимать, как он считает, какие в него заложены приоритеты.

К примеру, чтобы рассчитать цену по KVI-позициям, менеджер использует определённую стратегию, цены ключевых конкурентов, свои минимальные и максимальные ограничения. Это помогает ему в любой момент времени понимать, почему установлена именно такая цена. Если же эти параметры непрозрачны в работе алгоритма, менеджеру сложно анализировать корректность переоценки и, соответственно, доверять решениям алгоритма.

Главное для ритейлера — возможность полностью «размотать», понять всю логику процесса принятия решения алгоритмом. Совсем идеально, если это можно задавать настройками.

— Как часто нужно проверять работу алгоритма?

— Работу алгоритмов отслеживают через сложную систему аналитических отчётов. Если коммерческие показатели не реагируют на изменения, значит настройки выставлены некорректно и требуют пересмотра до тех пор, пока не будет достигнут результат. Если не анализировать работу алгоритма, можно пропустить момент, когда рынок изменит своё направление.

Сами же ограничения и приоритеты выставляются с учётом планов компании по товарообороту и валовой прибыли. Задача и менеджеров, и алгоритмов — балансировать между этими KPI. Если один из них (или оба) не выполняется, нужно пересматривать ограничения, завышенные планы или анализировать причины падения рынка.

Резюмируем

Николай Савин Head of Products Competera

Интервью с Дарьей подтверждает: на рынке актуальны три основных вызова со стороны данных.

1. Некорректные данные парсинга.

2. Неполнота сопоставлений (цену одного конкурента получили, а другой вообще не привязан).

3. Ошибка в БД (например, была внесена некорректная закупочная цена).

Ритейлеры в России не торопятся использовать алгоритмы оптимизации ценообразования, несмотря на то, что они в сотни раз быстрее и эффективнее человека. Основные сложности внедрения алгоритмического ценообразования:

1. Обилие ручных процессов (как в доставке данных, так и в построении стратегий ценообразования).

2. Недоверие менеджмента ритейла к работе алгоритмов.

3. Корпоративная политика в отношении безопасности данных.

В то же время, в мире этот паттерн медленно, но меняется. Уже есть прецеденты эффективного внедрения алгоритмов, основанных на машинном обучении и искусственном интеллекте, в процессы крупного ритейла без риска для безопасности данных. Например, не так давно мы внедрили машинное обучение в ценообразование британского ритейлера Find Me a Gift. И количество компаний, которые движутся в этом направлении, растёт.

Мнение редакции может не совпадать с мнением автора. Ваши статьи присылайте нам на 42@cossa.ru. А наши требования к ним — вот тут.