Торговля

Гармония выгоды. Как увеличить прибыль интернет-магазина с помощью интеллектуальной оптимизации цен

10 января

5 мин

Интернет-магазин «Красоткапро» торгует товарами для маникюра и всеми видами профессиональной косметики уже более 12 лет. Основные клиенты — салоны красоты и частные мастера. Компания предлагает 70 000 наименований продукции тысячи брендов. Ежегодная выручка предприятия — более 300 млн рублей. 


Рассказываем, почему команда интернет-магазина внедрила интеллектуальное управление ценами на основе машинного обучения и к чему это привело. 



Проблема

Большую часть цен магазин устанавливал, ориентируясь на минимальную и рекомендуемые розничные цены (МРЦ и РРЦ), которые предоставляли дистрибьюторы. Остальные — с помощью матрицы наценок. Поскольку ассортимент магазина превышает 70 000 SKU, устанавливать стоимость вручную ежедневно было сложно. 


При этом нужно было учитывать следующее:


  • в среднем покупатели «Красоткипро» добавляют в заказ по 10 позиций. Если какой-то популярный товар покажется дорогим, то они перейдут к конкурентам, уменьшится количество чеков и товаров в корзине;
  • иногда у интернет-магазина возникают дефициты. Чтобы запасов хватило до новой поставки, цену необходимо повышать;
  • есть продукция, которая медленно продаётся и долго лежит на складе, — нужно следить за сроками годности и делать распродажу заранее;
  • бренды периодически проводят акции. Магазину на это время нужно тоже устанавливать сниженную цену.


Ручной режим управления ценообразованием не позволял компании:


  • устанавливать оптимальные цены для каждого товара исходя из рыночных условий;
  • вовремя снижать цены для тех позиций, у которых скоро истекает срок годности;
  • избавляться от залежавшегося товара;
  • учитывать цены конкурентов и брендовые акции;
  • дорого продавать дефицитные товары. 


Всё это прямым образом сказывалось на ключевых показателях бизнеса: обороте, выручке и прибыли. 



Решение

Интернет-магазин решил внедрить интеллектуальную систему ценообразования. Она позволит автоматизированно менять стоимость товаров — выбирать оптимальный вариант для текущих рыночных условий. 



Технологии

Для этого выбрали облачное решение динамического ценообразования. Оно позволяет работать с ценами десятков тысяч товаров и автоматически отслеживать стоимость позиций у конкурентов. Его интегрировали через API с системой учёта.


Решение заточено под три механики.


  • Интеллектуальная оптимизация цен. Модели машинного обучения выявляют в ассортименте позиции с заниженной ценой и поднимают её так, чтобы максимизировать выручку.
  • Механика распродажи. ИИ снижает стоимость товаров, которые покупают реже.
  • Механика дефицитов. Когда складские запасы заканчиваются, алгоритм рассчитывает спрос в зависимости от цены. Он ставит такую стоимость, чтобы товаров хватило до нового поступления.


Сложности

На старте проекта на сайте проводилось обновление CMS-системы, поэтому он работал нестабильно. В этот период наблюдалась более негативная динамика продаж пилотной группы товаров относительно контрольной. После исправления ошибок результаты вновь стали положительными.


Этапы работы

  • Январь — февраль 2023 года. Анализ текущего ценообразования магазина и истории продаж, данных о ценах и себестоимости, складских остатках и матрице наценок. Разработка стратегии и подбор будущих инструментов для управления ценами. 
  • Март — май 2023 года. Интеграция ИТ-решения для ценообразования и учётной системы через API. Настройка и проведение тестовых расчётов. 
  • Июнь — июль 2023 года. Первый этап пилотного запуска — кластеризация. Запустили модуль машинного обучения и выделили по-разному чувствительные к изменению цены классы товаров. Например, те, у которых максимум выручки будет при самой низкой цене, и те, у которых больше выручки магазин получит при более высоких и даже завышенных ценах. Для каждого класса задали правила ценообразования, учитывающие наличие остатков, оборачиваемость товара, спрос, продажи, сезонность, уценку промо и другие факторы.
  • Июль — сентябрь 2023 года. Второй этап пилотного запуска — запуск динамического ценообразования с помощью reinforcement-learning-моделей исследования спроса (обучение с подкреплением — метод машинного обучения, при котором алгоритм получает на каждое положительное или отрицательное действие соответствующую оценку). Для этого выбрали тестовую и контрольную группы товаров для проверки разработанной стратегии. На этом этапе решение ежедневно исследовало спрос на отдельные товары, устанавливало на них оптимальные цены, загружало в учётную систему клиента и меняло на сайте. 

Результаты

Группа товаров с динамическим ценообразованием превзошла контрольную:


  • +15% к выручке;
  • +20% к прибыли;
  • +12% к продажам в штуках.


Отдельно в компании проанализировали и результаты по всем трём механикам. Например, при интеллектуальной оптимизации цен валовая прибыль выросла на 21,25%, а продажи в штуках всего на 4,42%. То есть магазин смог заработать больше за счёт оптимизации цен, а не за счёт количества проданных товаров.


Распродажная механика, напротив, помогла увеличить количество проданных товаров. Алгоритмы снизили цены на товары с низкой оборачиваемостью и стимулировали рост продаж в штуках — на 41,31%. Продажи в рублях при этом выросли почти на 50%, а выручка — на 17,5%. 



Следующие шаги

В интернет-магазине «Красоткапро» собираются внедрить динамическое ценообразование для всех товаров. Дальше компания хочет оптимизировать цены на маркетплейсах — их она использует как дополнительные каналы продаж.






  • СберПро Медиа теперь можно читать в «Телеграме» и «Дзене». Чтобы быть в курсе важных трендов, свежих кейсов лидеров бизнеса и мнений ведущих экспертов, следите за нами в телеграм-канале. Развитие навыков управления, личностный рост, актуальные подходы в маркетинге, новинки бизнес-литературы — эти темы мы подробно рассматриваем в «Дзене».

Статья была вам полезна?

Да

Нет