Кластеризация в ценообразовании

Коллеги, по цеху, всем привет!

Сегодняшняя ситуация на рынке очередной раз бросает вызов ритейлерам, и проверяет на прочность устоявшиеся «догмы» и подходы по разным направлениям бизнеса. Уже сейчас, наверняка, многие с ностальгией вспоминают и говорят: «Как хорошо было при ковиде» )).

Как бы то ни было, ситуация вынуждает меняться, искать новые подходы и лучшие практики которые, что важно, можно применить здесь и сейчас.

Меня зовут Александр Выголко, я руководитель практики ценообразования компании MyRS, и сегодня я хотел бы поговорить о том, как кластеризация торговых точек может помочь ритейлерам зарабатывать больше без последствий.

Начнем с того, зачем это нужно.

Главная задача ценообразования – это обеспечить максимум прибыли для компании. Чтобы это сделать, необходимо установить на товар такую цену, которая будет корректно отображать то ценностное предложение, которое она несет главным образом для своего целевого покупателя.

Вообще, ценность в голове покупателя — это субъективная оценка, складывающаяся из множества объективных факторов. Со стороны ритейлера факторы эти бывают внутренние, например, это может быть и удобство расположения магазина, ширина и глубина ассортимента, вежливость персонала и т.д., а так же внешние, в частности, одну из важнейших ролей в формировании ценностного восприятия играют конкуренты. Если ваш магазин находится в "чистом поле" – покупатель в меньшей степени будет смотреть на цены, если, например, представить ситуацию, когда это же магазин стоит "дверь в дверь" с вашим конкурентом.

Отсюда вытекает, что для того, чтобы построить эффективное конкурентное ценообразование, учитывая разность торговых точек, сети вынуждены формировать несколько прайс-листов.

Могут ли сети на каждом магазине поддерживать индивидуальное ценообразование? Да, могут. Целесообразно ли это? Не всегда. И именно о том, как кластеризация позволяет не плодить сотни прайс-листов, сохраняя управляемость ценообразования с минимально возможными затратами, и при этом ценообразовываться конгруэнтно внешней среде мы и поговорим в этой статье.

Теперь к определению: Кластеризация (англ. cluster analysis) — задача группировки множества объектов на подмножества (кластеры) таким образом, чтобы объекты из одного кластера были более похожи друг на друга, чем на объекты из других кластеров по какому-либо критерию.

Используете ли вы кластеризацию для ценообразования точек внутри одного региона?
Да, конечно
Нет, во всех точках региона цены едины
Тотально нет, но локально цены корректируем
Картинка по теме чтобы не было скучно
Картинка по теме чтобы не было скучно

Критерии кластеризации

В первую очередь, когда мы решили провести кластеризацию торговых точек необходимо определиться с критериями и их важностью, по которым мы будем это делать.

Например, когда мы решаем задачу кластеризации для ценообразования такими критериями могут быть:

  • Наличие и тип конкурента/ов
  • Расстояние до конкурента/ов
  • Уровень дохода населения в районе расположения торговой точки
  • Тип локации (спальный район, трасса, офис и тд.)

Далее мы рассмотрим несколько подходов в порядке от простого к сложному

Первый вариант кластеризации – экспертный.

Проводится он по первым двум критериям упомянутым выше. Для кластеризации нам потребуется сделать таблицу, в которую по каждой нашей торговой точке мы собираем информацию о конкурентах в радиусе 1 км* которые её окружают, и расстоянии до этих конкурентов.

*расстояние условное, и определяется форматом в котором работает торговая сеть.

! Важно. В этот список включаем только прямых конкурентов, с которыми мы непосредственно делим покупателя и которых будем мониторить.

Плюсы – это простота, достаточно высокая эффективность и то, что это можно сделать уже "завтра".

Минусы – недостаточная детализация, не учитывается сила конкуренции, нет четкого понимания какой именно конкурент в большей степени влияет на нашу торговую точку (дальше по тексту - ТТ).

Кластеризация в ценообразовании

После того, как таблица собрана, делим все точки на насколько поясов, например:

Агрессивная конкуренция – до 200 м**

Умеренная конкуренция – 200-700 м**

Ослабленная конкуренция – от 700м**

При данном подходе мы мониторим всех конкурентов как обычно, но целевые PriceIndexes**, для каждого пояса будут разные.

*Расстояние определяется индивидуально для каждой сети с учетом формата и локаций.

**PriceIndex – взвешенное на собственные продажи отношение наших цен к ценам конкурентов.

Безусловно, данный способ далёк от идеала. Но он отлично подходит для сетей, работающих на плоской модели ценообразования, а также для сетей с ограниченными человеческими ресурсами и не располагающими специализированным ПО, например, SmartPricing. Так же важно учитывать, что введение дополнительных прайс-листов практически линейно увеличивает трудозатраты на процесс расчёта цен при отсутствии специализированного ПО, и появляется необходимость дополнительно контролировать синхронизацию прайс-листов между собой.

Тем не менее, если все сделано правильно, по моему собственному опыту данный подход помогает получить от 0,4% до 1,2% ФронтМаржи на круг относительно плоской модели ЦО.

Второй вариант Кластеризации – CSI.

CSI (англ. competition strength index) – индекс силы конкуренции. По сути своей, это апгрейд первого варианта. Суть подхода заключается в том, что мы всем торговым нашей сети назначаем индекс влияния конкурентов, который рассчитывается как сумма факторов наличия конкурентов, их количества и расстояния до них.

Плюс данного подхода – относительная простота расчета.

Минус – требуется более детальная проработка каждой торговой точки, веса определяются экспертно.

В дополнение к таблице из прошлого шага мы добавляем еще одну таблицу, в которой для каждого конкурента мы добавляем вес, и также добавляем вес для расстояния до конкурента.

Кластеризация в ценообразовании
Кластеризация в ценообразовании

После назначения весов, мы их перемножаем и суммируем получившиеся значения по каждой точке. Соответственно, чем выше индекс конкурентного влияния – тем более агрессивная среда. Далее, на сколько кластеров дробить получившееся данные каждый определяет самостоятельно исходя из тех ресурсов, которыми сеть располагает. У данного подхода есть потенциал улучшения, например, можно добавить учет площади конкурента, ширину ассортимента конкурента и тд.

Data-Driven подход

Это наиболее продвинутым и более сложный подходом к вопросу кластеризации торговых точек. Сейчас про него писать не буду, т.к. актуален он для сетей с большим количеством торговых точек, и по сути своей является тонкой настройкой прошлых задач, когда мы хотим получить ответы на вопросы по типу:

- Какой из конкурентов и как влияет на наши торговые точки

- Какая зависимость между удаленностью конкурента и степенью его влияния

- Как количество конкурентов в окружении влияет на мои торговые точки.

Если первые варианты для Вас уже пройденный этап - пишите в комментариях и я напишу отдельную статью про то, как ML может помочь в решении данной задачи (и может ли).

Старался писать максимально коротко и по сути, но думаю, суть понятна.

Делитесь в комментариях своими мыслями, своим опытом, подходами.

Если хотите больше узнать о нашем продукте умного data-driven ценообразования SmartPricing - мои контакты ниже

с уважением,

Александр Выголко

Руководитель практики ценообразования, myRetailStrategy

all about excellence in retail

22
1 комментарий

Чем лучше A/B по каждой точке?

Ответить