Динамическое ценообразование в DIY-сети: рост выручки за пилот на 20%

«Зеленый Остров» — сеть из Приморского края, специализирующаяся на товарах для дома, дачи, интерьера и мелкой бытовой техники. На сегодняшний день компания объединяет под своим брендом 2 интернет-магазина и 12 торговых точек в четырех городах региона: Владивостоке, Находке, Уссурийске и Большом Камне. 

Ассортимент «Зеленого Острова» широк: от посуды и постельного белья до садовых инструментов и сувенирки, в сумме свыше 50 тысяч SKU в год. В 2023 году руководство «Зеленого Острова» приняло решение провести пилотный проект по внедрению динамического ценообразования. Причина проста: штат и выделенные ресурсы не позволяли вручную с максимальной эффективностью управлять таким океаном SKU.

«Мы понимали, что огромная доля потенциала скрыта в так называемом Long tail — большом количестве неосновных позиций. Наша система ценообразования эффективно работала на ключевых SKU, но не позволяла держать в фокусе весь многотысячный ассортимент. Времена меняются, все стремительно автоматизируется и стало очевидно, что старая парадигма, в которой категорийный менеджер контролирует лишь часть товаров, становится ограничивающей для роста. Поэтому внедрение динамического ценообразования стало для нас логичным шагом к выстраиванию системного управления ценами», — Ольга Малышева, Руководитель отдела развития ассортимента «Зеленый Остров».

По каким критериям выбирали решение

На этапе выбора системы, помимо базовой функциональности, учитывался ряд дополнительных, но не менее важных для сети критериев:

• Готовность команды разработчика погружаться в специфику «Зеленого Острова» и подстраивать решение под локальные особенности.
• Возможность системы работать с нестандартными SKU и «линейками» (например, разные расцветки постельного белья, наборы посуды и т. п.).
• Поддержка загрузки данных из разных источников (результаты «ручного» мониторинга конкурентов, данные из учетных систем).
• Возможность масштабироваться на все магазины с кратным увеличением количества товаров в ценообразовании.

После анализа рынка и серии встреч с разработчиками «Зеленый Остров» остановил выбор на системе динамического ценообразования Imprice. При том, что все рассматриваемые решения соответствовали функциональным требованиям, решающим стал фактор готовности команды Imprice глубоко адаптировать систему под особенности бизнеса.

Старт работы и целевые метрики пилота

Подготовка, этап 1. Создание команды внутри «Зеленого Острова»
На старте «Зеленый Остров» выделил внутреннюю команду, необходимую для реализации пилотного проекта и дальнейшей работы с системой. В состав команды вошел специалист ценообразования, отвечающий за работу с правилами, классификатором, базовыми наценками и т.д., а также оператор, в задачи которого входила регулярная проверка корректности цен.

Подготовка, этап 2. Создание матрицы наценок
Подготовка самого пилота началась с большой работы над созданием матрицы наценок на весь ассортимент сети. Поскольку ранее в «Зеленом Острове» наценки на товар формировались разрозненно, единая матрица по всем категориям товаров требовалась и как база, от которой будут отталкиваться алгоритмы, и как шаг на пути к выстраиванию системного ценообразования.

Подготовка, этап 3. Выбор тестовых магазинов
Далее предстояло выбрать тестовые магазины, в которых ценообразование возьмет на себя Imprice, и для корректного сравнения результатов определить контрольные пары — наиболее близкие по всем ключевым характеристикам магазины (общая динамика продаж, трафик, средний чек, формат магазина и т.д.). По результатам анализа было выбрано две точки сети с подходящей парой для каждой:

• «Радиоприбор» (около 27 тыс. SKU) — флагманский магазин во Владивостоке с самым большим трафиком.
• «Большой Камень» (около 13 тыс. SKU) — магазин в судостроительном городе с выраженной локальной спецификой.

Подготовка, этап 4. Определение целей пилота
Определение ключевой метрики стало завершающим шагом подготовительного этапа.
Цель, поставленная перед пилотным проектом:
Рост валовой прибыли пилотной группы на 5% по отношению к контрольной группе при сохранении положительной динамики чеков тестовых магазинов.

Механики ценообразования: за счет чего достигали результата

Для достижения целей пилота и решения задач оптимизации процессов ценообразования были реализованы следующие механики:

1. Интеллектуальное ценообразование с разбивкой по классам товаров
С помощью ML-алгоритмов на базе анализа истории продаж и эластичности спроса весь ассортимент кластеризовали на корзины: KVI, Back Basket и Long tail. Основной фокус алгоритмов направили на товары с низкой ценовой чувствительностью — для них с помощью зондирования спроса в режиме Realtime подбирался оптимальный уровень цены с учетом заданных ценовых коридоров (минимально и максимально допустимый уровни). По категории KVI интеллектуальное ценообразование применялось лишь к тем SKU, по которым отсутствовали данные о ценах конкурентов.

2. Автокоррекция цен под конкурентов по товарам KVI
Система брала данные, которые «Зеленый Остров» собирал при ручном мониторинге, и устанавливала цену «под конкурентов».

3. Установка матричных цен для мало и плохо продающихся товаров
На товары, данных по которым в силу редкого спроса было недостаточно для корректной работы алгоритмов, цены устанавливали автоматически, исходя из матрицы наценок.

4. Расчет актуальной и максимальной себестоимости с учетом карантина
Система автоматически рассчитывала себестоимость на базе трех видов закупочных цен: максимальной, актуальной и будущей. При расчете для Back Basket и Long tail для сохранения уровня маржинальности использовалась максимальная цена. Для товаров с более высокой чувствительностью — последняя закупочная либо будущая (если известна). Карантин позволял отслеживать все отклонения по себестоимости, если они превышали допустимый процентный уровень.

5. Ценообразование «линеек»
Алгоритмы учитывали групповые зависимости товарных линеек (постельное белье разных расцветок, наборы посуды и т.д.) и оптимизировали цены не отдельных SKU, а всей линейки комплексно.

6. Интеллектуальная очередь переоценок
Система отталкивалась от того, сколько ценников персонал может заменить в торговом зале, и отдавала приоритет товарам с наибольшим потенциалом роста.