Евгений Шустов разбирает кейс ценообразования с машинным обучением для модного интернет-магазина: как это работает и как применить у себя.
время чтения: 7 мин.
Евгений Шустов, директор макрорегиона СИБИРЬ в компании «Первый Бит»:
Разберемся для начала, каким бывает динамическое ценообразование. Самый традиционный вариант — когда продавец назначает цену в зависимости от таких очевидных переменных, как сезон. Допустим, разместить рекламу в СМИ дешевле в июле, чем в сентябре. На российских поездах дороже всего кататься во время летних школьных каникул. Здесь действует простой принцип: «чем выше спрос, тем выше цена». Для такого ценообразования необязательно иметь аналитиков, не то что роботов. Особенно если у компании почти нет конкурентов.
Некоторые интернет-магазины ориентируется исключительно на конкурентов. К примеру, настраивают ценники так, чтобы «быть на 100 рублей дешевле, чем ближайший конкурент на маркетплейсе» или «всегда быть вторым по стоимости в этом городе». Магазины, злоупотребляющие такими настройками, рискуют начать работать в минус или используют полулегальные схемы. Их основной инструмент — мониторинг цен, и это тоже можно устроить без алгоритмов.
Еще один тип динамического ценообразования — с машинным обучением. Оно имеет смысл, когда у продавца большой ассортимент и полно конкурентов. Его основная задача — найти оптимальную цену. Или справедливую, если хотите. То есть цену, которую покупатель готов заплатить прямо сейчас, и которая позволяет продавцу работать в плюс, не нарушая закон. Примеров такого ценообразования в российском онлайн-ритейле почти нет. Насколько я знаю, наш пилотный проект, начавшийся весной 2018 года, был первым подобным опытом.
Прежде чем узнать его результаты, посмотрите на простом примере, как в принципе работает «машинное» динамическое ценообразование.
Простой пример: магазин модных рубашек.
Магазин работает в торгово-развлекательном центре. В пятницу поступила новая коллекция летних рубашек: синих, зеленых и красных. Всех рубашек — одинаковое количество. В субботу рубашки выставили на продажу. Вечером в воскресенье подвели итоги: за выходные купили шесть синих рубашек, три зеленых и одну красную.
Синие рубашки популярны, а красные имеют отличный шанс остаться на складе до следующего лета. Система ценообразования магазина анализирует эти данные и предлагает повысить стоимость синей рубашки на 15%, чтобы не допустить быстрого вымывания. Стоимость зеленой и красной рубашек — оставить на прежнем уровне. Директор магазина соглашается. В понедельник и вторник результаты такие: три синих, две зеленых и одна красная рубашка. Неплохо, учитывая, что в будни спрос в два раза ниже.
Система снова ищет справедливую цену, чтобы спрос был сбалансированным, а маржа — на запланированном уровне. Новые цены пробуют в среду и пятницу. Наконец, к выходным, на которые вся надежда, система находит идеальный баланс: снизить стоимость зеленых рубашек на 7%, стоимость красных — на 15%. Результаты выходных: четыре синих, пять зеленых и четыре красных рубашки. Товар вымывается равномерно, купили на 30% больше, чем в прошлые выходные, маржа на запланированном уровне. Ура.
В этом примере система работает с такими переменными, как скорость продажи товара, остатки на складе, возвраты, сезонность, день недели. Всего-то! В онлайн-магазинах система знает, сколько миллисекунд пользователь смотрел на товар, как долго колебался, наведя курсор на кнопку «в корзину». Если немного поколдовать с cookies, система будет учитывать, на какие ресурсы ваши покупатели ходят, что покупают в других магазинах и по какой цене. С такими данными можно грамотно корректировать цены хоть каждые десять минут, как это практикует Amazon, например.
Кейс: пилотный проект в большом интернет-магазине
Разберем кейс для аутлета модной одежды, обуви и аксессуаров. Не Amazon, но больше 100 тысяч артикулов. Как у любого магазина, есть скидки, распродажи, акции. Все это отлично генерирует трафик, но плохо сказывается на марже.
Группа аналитиков магазина не справляется с объемом работы: пересмотр цен начинается, если товар лежит мертвым грузом 30 дней. Акции и скидки на группы товаров часто назначаются примерно с таким обоснованием: «Давайте снизим на 25% цены на лыжные костюмы, потому что скоро весна, ну и конкуренты так делают». В итоге аутлет никак не может выйти из операционного минуса.
Какая задача. Главная задача — настроить ценообразование так, чтобы выйти в операционный плюс, не теряя долю на рынке. Можно в десятки раз увеличить штат аналитиков. Они ежедневно будут анализировать каждый артикул и отвечать на вопросы: «правильная ли цена у этого товара?», «какую скидку поставить на этот товар и почему?» Но элементарные расчеты показывали, что это не выход: магазин будет работать только ради финансового благополучия аналитиков, а потом тихо закроется. Или громко.
Что предложили. Внедрить систему динамического ценообразования, которая работает в сотни раз быстрее аналитиков. Она будет ежедневно менять цены на каждый товар и «смотреть» отклики. Так система научится понимать, какой товар можно продать дороже (и на сколько), а на какой сделать скидку. Мы договорились с аутлетом, что пилотный проект будет считаться успешным, если маржа на экспериментальной выборке товаров вырастет на 10%.
Товары для проекта предложили выбрать максимально объективно: просто взять артикулы, которые заканчиваются на ноль. В случайную выборку попадают товары всех сезонов. Для мужчин, женщин и детей. Пуховики, носки, зонты, блузки, колготки, ремни — большинство видов товаров, всего около 5 000 артикулов.
Как делали. Чтобы система определяла оптимальную цену, ей сначала надо объяснить, что мы, люди, понимаем под оптимальностью. Еще ей нужно задать рамки. Например, снижать цену сразу на 25% нельзя, даже если все цифры говорят, что это правильно.
В общем виде действовали так:
1. Взяли существующую статистику продаж аутлета. На ограниченной выборке (несколько сотен товаров) проанализировали реакцию покупателей на изменения цен. Так мы выяснили, какие товары были недооценены, а какие переоценены.
2. Проверили несколько гипотез о психологии покупателей, чтобы помочь алгоритму быстрее находить оптимальную цену. Выяснилось, к примеру, что для покупателя аутлета стоимость 2500 рублей является психологическим барьером. Если рубашка стоит 2500 рублей, повышение на 200 и даже 300 рублей почти никто не заметит. А если рубашка стоит 1500 рублей, повышение на 100 рублей для большинства — стоп-сигнал.
3. «Скормили» данные алгоритму. Алгоритм анализирует данные всего пилотного ассортимента. И дает рекомендации, типа: на этот джемпер можно накинуть 100 рублей, а эти босоножки лучше удешевить на 50 рублей.
4. Рекомендации обновляются ежедневно, они зависят от отклика покупателей. Это не так часто, как в Amazon, но и не раз в месяц, как было раньше.
Какие результаты. Наш эксперимент длился почти шесть месяцев. Маржа в рамках проекта выросла на 12%, что лучше, чем планировалось. Заказчик признал проект успешным.
Что было после эксперимента. В магазине случились организационные перемены, и ценообразование с помощью умной машины оказалось не самой приоритетной задачей. Короче говоря, масштабирования не было. Значит ли это, что спрос на такое ценообразование у российских интернет-магазинов не сформировался? Нет, не значит — судя по запросам игроков рынка, интерес есть, и не только у продавцов товаров, но и услуг. Не хватает только решимости пойти дальше пилотного проекта, даже удачного; это ощущается и в отношениях бизнеса с другими технологиями, например, RPA. Но я готов поспорить, что уже в 2020 году решительных станет гораздо больше.