реклама
разместить

«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.

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

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.

Сергей Воробьёв
CEO и сооснователь KeepRise

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.

Как «думает» система KeepRise

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

  • на рынок поставщиков: изучать тренды, понимать регулярность выпуска новых товаров и подходы к этому процессу, а также динамику изменения стоимости сырья;
  • на действия государства: фиксировать изменения законодательства в области ценообразования, знать границы цен, которые компании не должны превышать;
  • на рынок в целом: мониторить действия конкурентов и партнёров, оценивать эффективность их маркетинговых кампаний.

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.

Точки пересечения 1 и 2 показывают, как стоимость товара влияет на спрос  
Точки пересечения 1 и 2 показывают, как стоимость товара влияет на спрос  

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.

Дуга зависимости прибыли от цен. Точка пересечения функций — это и есть оптимальная цена на товар 
Дуга зависимости прибыли от цен. Точка пересечения функций — это и есть оптимальная цена на товар 

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».

Проще всего объяснить сэмплирование Томпсона через аналогию с роботом-пылесосом: сначала он бьётся о стены, двери и стулья, но после нескольких уборок перестаёт ошибаться. Это обучение с подкреплением, когда в качестве окружения выступает обстановка квартиры. Для ценообразования окружение — реакция рынка на изменения цен. Позитивная реакция выражается в приросте выручки, негативная — в падении. Если прослеживать аналогию, в случае с пылесосом результатом становится карта квартиры и путешествие робота по ней без столкновений, в случае с ценой — оптимальное соотношение между ценой и спросом, а также отсутствие падения спроса.

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.

При модели вендор-лока клиенты должны устанавливать цены строго по принципам поставщика, то есть использовать конкретный набор логик ценообразования.

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.

Как Yandex Cloud помог быстро запуститься и что мы делаем в облаке

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:

  • информацию о транзакциях — продажи и остатки;
  • вспомогательные данные — программы мотивации персонала и кредитования, истории ретро-бонусов, другую информацию о поставщиках;
  • справочники товаров;
  • информацию о магазинах;
  • косвенную информацию, например о ценах конкурентов.

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.

Кто разрабатывает систему

В нашей ML-команде четыре человека:

  • основной разработчик занимается RnD-исследованиями, создаёт новые продукты, разрабатывает основные модели;
  • джун помогает разработчику;
  • два дата-аналитика помогают с обработкой и анализом данных.

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

По нашему опыту, ошибка в определении оптимальной цены на мандарины в 10 копеек может стоить сети супермаркетов нескольких десятков миллионов рублей. Для потребителей даже экономия 10 копеек на конкретный товар может быть фактором в пользу покупки в той или иной сети. Это работает и в обратную сторону: если снизить цену на 10 копеек, это приведёт к значительным потерям в прибыли.

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:

На панели запуска расчётов можно рассмотреть, как обстоят дела у линейки товаров, сравнить с ценами конкурентов и выборочно запустить пересчёт 
На панели запуска расчётов можно рассмотреть, как обстоят дела у линейки товаров, сравнить с ценами конкурентов и выборочно запустить пересчёт 
Панель настройки ценовой архитектуры позволяет устанавливать разные параметры ценообразования для различных групп объектов. Если компания торгует в Москве по одной цене, а во Владивостоке по другой, настройки можно отрегулировать
Панель настройки ценовой архитектуры позволяет устанавливать разные параметры ценообразования для различных групп объектов. Если компания торгует в Москве по одной цене, а во Владивостоке по другой, настройки можно отрегулировать

Как планируем развиваться

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

Наше внутреннее исследование рынка показало, что продукт можно предложить более чем 1500 производствам и 5000 ритейлерам. Мы хотим занять 20% рынка к 2025 году, то есть выстроить сотрудничество более чем с 1000 компаниями.

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:

22
22
реклама
разместить
2 комментария

Интересная статья, но есть слабый момент — не до конца раскрыто, как динамическое ценообразование повлияет на нагрузку сотрудников магазинов. Увеличение объёма данных и постоянные корректировки цен могут усложнить их работу и потребовать больше времени на адаптацию.

Спасибо за вопрос, уточнили у наших коллег из KeepRise.
Вы верно подметили, что возможности повышения скорости переоценок нередко ведут к подобному конфликту. Это бизнес-ограничение снимается двумя способами: 1) Приоритизация переоценки. Ресурса специалистов не всегда достаточно, поэтому важно обговаривать с участниками проекта их возможности. 2) Установка электронных ценников. Это довольно дорогостоящий проект для ритейла, но в случаях кадрового голода крупные компании прибегают и к этому решению. KeepRise не предоставляет такие услуги, но способствует развитию этих технологий и ускоряет темпы их окупаемости.
Несмотря на то, что на первый взгляд может показаться, что путь приоритизации обрамляет систему и не дает ей раскрыться в полной мере, это не совсем так. Извлекать значительную выгоду вполне возможно в рамках этого ограничения.

Нейросети для сельских магазинов. Как тебе такое, Илон Маск?

Даже небольшие торговые точки уже внедряют прорывные технологии 🤖 Нейросети в сельмаге — не кликбейт: они действительно помогли разгрузить сотрудников магазинов из Ростовской области. Собрали 7 прикольных историй от владельцев бизнесов: как им помогают доступные торговые программы, за которые не надо платить сотни тысяч рублей.

Нейросети для сельских магазинов. Как тебе такое, Илон Маск?
33
реклама
разместить
Как мы два года разрабатывали платформу для дистрибуции, а потом заказчик просто перестал выходить на связь

Да, и такое бывает. Два года мы работали над проектом для дистрибуции и логистики FMCG товаров. В статье расскажу какая задача перед нами стояла, какое было предложено решение и как так вообще получилось.

Как мы два года разрабатывали платформу для дистрибуции, а потом заказчик просто перестал выходить на связь
88
Эти три буквы: EJM (карта пути сотрудника) – от рекрутинга до увольнения

Исследуем дорожную карту сотрудника, чтобы не заблудиться

Эти три буквы: EJM (карта пути сотрудника) – от рекрутинга до увольнения
22
Я проанализировал топовые ритейл-приложения и нашел нечто общее

Оказывается, есть некий общий признак того, что приложение будет прибыльным. Я изучил приложения пяти крупнейших ритейлеров и, кажется, понял, почему именно их разработки выстрелили.

Я проанализировал топовые ритейл-приложения и нашел нечто общее
55
33
11
Как помочь бизнесу адаптировать более 300 000 сотрудников и снизить текучесть кадров

Edstein разрабатывает систему для адаптации, оценки и обучения персонала. СЕО и основатель компании Евгений Обогоров рассказывает, как за семь лет система помогла сотням тысяч сотрудников освоиться на рабочем месте в таких крупных компаниях, как Лемана ПРО и СДЭК.

Как помочь бизнесу адаптировать более 300 000 сотрудников и снизить текучесть кадров
11
Технологии на службе бизнеса: 6 историй успешной автоматизации

Привет! Мы — команда ITQuick, и сегодня мы продолжаем серию материалов о наших проектах в различных сферах бизнеса. В этом выпуске хотим поделиться опытом разработки решений в сферах PropTech, Industry и логистики, где нам удалось достичь значительных результатов для наших клиентов.

Технологии на службе бизнеса: 6 историй успешной автоматизации
2121
33
11
AI против клиентоориентированности в бизнесе

AI уже привёл к катастрофе клиентооринтированного подхода бизнеса, когда большинство в особенности крупных корпораций доверили ботам общение с клиентами, чем просто безумно выбешивают многих и без того недовольных сервисом и/или продуктами обращающихся по горячей линии или в чаты!

AI против клиентоориентированности в бизнесе
Как внедрить CRM-систему для подбора персонала в облаке: кейс DIY Service

В кейсе рассказываем, как маркетинговое агентство DIY Service автоматизировало подбор и передачу кандидатов на вакансии в операционный отдел и оптимизировало затраты на ИТ-инфраструктуру в облаке «Рег.ру».

Как внедрить CRM-систему для подбора персонала в облаке: кейс DIY Service
11
[]