«Разница в 10 копеек на мандарины может стоить супермаркету миллионы»: как рассчитать оптимальную цену с помощью ИИ

Как разработать платформу ценообразования, которая анализирует тысячи факторов и увеличивает выручку ритейлеров до 7% — рассказывает Сергей Воробьёв, CEO и сооснователь KeepRise.

KeepRise — технологический стартап, который основали бывшие сотрудники крупного российского интегратора «КОРУС Консалтинг». Команда помогает розничным и оптовым клиентам, торговым сетям и производствам повышать выручку, маржинальность и товарооборот. Основная услуга компании — автоматизация ценообразования.

Я уже 15 лет занимаюсь ценообразованием. В 2018 году в «КОРУС Консалтинге» мы с командой создали направление по автоматизации этого процесса в розничных компаниях. За три года реализовали пять больших проектов, каждый из которых повысил прибыль клиентов от 2 до 5%.

В 2022 году спрос на системы интеллектуального ценообразования в России резко вырос, а у нашей команды к тому времени уже был большой опыт в этой сфере. Появились идеи, которые ещё не были реализованы в похожих системах, поэтому мы решили разработать свой продукт.

Мы сознательно пропустили этап создания MVP (Minimum Viable Product — минимально жизнеспособный продукт), когда команда выпускает систему с ограниченным набором функциональностей, но достаточным для того, чтобы начать использовать продукт. Решили создать решение в партнёрстве с клиентом, компанией билайн, и сразу выпустить его на рынок. Идея оказалась успешной благодаря грамотно распределённым ролям, привлечению дополнительных разработчиков, дата-аналитиков и дата-сайентистов, а также эффективной организации производства..

К марту — апрелю 2023 года мы уже предоставляли готовую систему. На тот момент у нас было два постоянных клиента, включая билайн. Компания до сих пор использует наш сервис для формирования цен во всех каналах продаж, включая офлайн-магазины.

Для определения оптимальной цены на товар или услугу компаниям необходимо обрабатывать огромный массив данных — до 150 тысяч факторов. На что нужно обратить внимание:

Чтобы упростить клиентам поиск оптимальной цены, мы решили разработать ML-модель, которая рассчитает спрос и на основе тысячи факторов спрогнозирует, как изменение цены на 1% повлияет на продажи.

Вот классическая кривая спроса «из учебника», которая работает по принципу: выше цена — ниже спрос, и наоборот. Отрицательный наклон говорит о желании покупателей приобрести большее количество товаров при меньшей цене.

Каждый товар по-разному реагирует на изменение цен. Наша система с помощью искусственного интеллекта (ИИ) исследует конкретный закон спроса для каждого артикула.

Подход можно схематично отобразить в виде дуги: заниженная или завышенная цена не позволят заработать, но есть точка — та самая оптимальная цена, которую мы ищем с помощью обработки транзакционных данных (история продаж и закупок, вид платежей и другие показатели). Оптимальной она считается потому, что удовлетворяет обоим условиям: максимальная прибыль при отсутствии снижения спроса.

Мы выбрали алгоритм к поиску оптимальной цены, который называется сэмплирование Томпсона. Его используют многие компании по всему миру, в частности американский ритейлер Walmart и российский сайт объявлений «Авито».

При таком подходе система постоянно дообучается на множестве параметров, например сезонности товаров или курсе валют, а также учитывает влияние любых локальных и глобальных экономических событий. Это позволяет сохранять стабильность работы системы даже в периоды кризиса и падения спроса.

Ещё при работе над интеграционными проектами в «КОРУС Консалтинге» мы изучили около 40 российских и зарубежных решений. Почти во всех продуктах есть так называемый вендор-лок — привязка к поставщику.

Мы же хотели создать систему без ограничений в подходах к ценообразованию и заложили в продукт максимальные возможности кастомизации: клиент может полностью настроить алгоритм, учитывая особенности своего бизнеса.

Для того, чтобы обеспечить такую гибкость, нужна сложная архитектура. Поэтому мы начали искать инфраструктуру, которая обеспечит быстрый запуск продукта и предоставит нужные инструменты, ещё и при ограниченном бюджете.

Мы рассматривали разные типы инфраструктуры — как полностью расположенную в облаке или на физических серверах клиента, так и гибридную. Выбрали гибридную модель: так мы получаем масштабируемые облачные ресурсы для вычислений и поддержку в управлении и обслуживании сервисов за счёт managed-решений, а часть информации храним на собственных серверах.

При поиске облачной платформы мы обращали внимание на разнообразие сервисов и технологий, возможность получить поддержку на развитие стартапа и подход к сотрудничеству в целом. Yandex Cloud устроил нас по этим требованиям, в частности мы получили расширенный грант — 400 тысяч рублей на полгода — как участники программы Yandex Cloud Boost.

Ценообразование связано с постоянным изменением оптимальной цены, поэтому у нас высокие требования к производительности и скорости расчёта. Каждый день для крупных клиентов нам нужно обрабатывать 3–5 ГБ данных.

За неделю мы развернули инфраструктуру в Yandex Cloud. ML-модели разрабатывали в Yandex DataSphere. Для расчёта цены собираем исторические данные минимум за 6 месяцев, максимум — за 3 года. Под историческими данными мы понимаем:

Эти данные ежедневно поступают в холодное хранилище Yandex Object Storage, предназначенное для редко используемых объектов. Здесь же хранятся архивы, аналитические данные, файлы фронтенда приложения и состояния инфраструктуры. Для вычисления актуальной цены система обращается в холодное хранилище, достаёт из него нужные значения и направляет в горячее хранилище Yandex Managed Service for PostgreSQL. В нём хранятся данных, которые часто используются и должны быть доступны с минимальной задержкой. Они анализируются, и в результате формируется оптимальная цена. Ещё для обработки данных используем сервис Managed Service for ClickHouse®, который помогает разворачивать и поддерживать кластеры серверов ClickHouse® и ускоряет выдачу результата. Параметры приложения храним в Managed Service for MongoDB.

Наша основная задача — готовить данные для обучения ML-моделей. Модели тестируем в DataShpere на тех же вводных данных: транзакциях клиентов за два года. Кластер Kubernetes® используем для управления и масштабирования контейнезированных приложений — на них и построен продукт KeepRise. Технология контейнеризации позволяет запускать приложения автономно от основной операционной системы, так что изменения в одном сервисе не влияют на весь продукт.

В нашей ML-команде четыре человека:

Сейчас мы ищем двух дата-сайентистов. При решении задач ценообразования их много не бывает, ведь нужна максимальная точность в расчётах.

Таким небольшим составом мы построили автоматизированную систему динамического ценообразования, которая ежедневно рассчитывает для клиентов десятки тысяч оптимальных цен на товары. В среднем процесс занимает до 4,5 часа, а стоимость услуги зависит от требований компании, в частности от скорости обработки запроса. По данным наших клиентов, решение KeepRise может увеличить выручку магазинов до 7%, а прибыль — от 2%.

А так выглядит интерфейс системы:

Мы работаем с производствами и компаниями из розничной и оптовой торговли.

В этом году мы фокусируемся на создании классического SaaS-продукта, который ориентирован не на enterprise-клиентов, а на средний бизнес. Наша вторая цель на год — изучить возможности генеративных нейросетей. В частности, проверяем, можно ли управлять ценообразованием через LLM-модели — например, чтобы на текстовый запрос «как сделать ценообразование более конкурентным и доходным?» пользователь получал развёрнутый ответ прямо в системе.

Мы хотим, чтобы клиенты могли нажать на кнопку в интерфейсе и посчитать цены без нашей помощи. Для этого нужно корректно пройти все этапы проекта, в частности провести интеграцию, выбрать канал передачи данных, сформировать логику ценообразования и конечный прайс-лист. После этого компания может пользоваться системой автономно. И у нас уже есть клиенты, которые так и работают.

Подписывайтесь на Телеграм-канал Yandex Cloud, чтобы узнавать ещё больше новостей и историй о команде.

Другие истории наших партнёров и клиентов, которые активно читают наши подписчики: