Чтобы увеличить продажи и прибыль, торговые точки могут гибко регулировать цены с помощью систем на базе углубленной аналитики.
Начнем сразу с примера. Недавно на задворках голландского городка Роттердама на одной из автозаправок «Шелл» цены на литр неэтилированного топлива начали постепенно расти, поднявшись примерно на 0,7 евроцента (около 50 копеек) ко времени закрытия.
Чуть позже станция-конкурент, расположенная тремя милями ниже по дороге, подняла стоимость литра топлива примерно на столько же, чтобы не упустить часть выручки.
Со стороны, с точки зрения традиционных подходов к бизнесу, это могло показаться сговором или слепым повторением действий конкурента, но этот шаг был продиктован выводами, полученными благодаря аналитике.
Сегодня уже тысячи различных торговых предприятий во всем мире используют для ценообразования программное обеспечение на базе углубленной аналитики. Внедряя алгоритмы, компании испытывают на прочность фундаментальные законы рыночной экономики.
Почему новое ПО так сильно отличается?
В традиционных учебниках по экономике пишут, что при открытой конкуренции компаниям, продающим схожие продукты, нужно снизить цены для привлечения клиентов. Поэтому такие простые правила, как удержание цены ниже, чем у конкурента, часто и бывают заложены в старом софте для ценообразования.
Системы ценообразования на базе математических алгоритмов работают иначе. Они десятки раз в день устанавливают новые цены, которые оптимальны для торговой точки в конкретный промежуток времени. Такие системы имеют в своем распоряжении массивы накопленной исторической информации и поступающих в реальном времени данных, чтобы предсказывать, как клиенты и конкуренты отреагируют на любые скачки цен при разных сценариях. Это обеспечивает почти сверхчеловеческое понимание динамики рынка. Запрограммированные для достижения определенной цели – например, на увеличение выручки или объема проданного товара – алгоритмы постоянно обновляют тактику с учетом нового опыта.
Предприятия, которые работают с FMCG, одними из первых адаптировали для себя ценообразование на основе алгоритмов, поскольку здесь важен даже небольшой дополнительный прирост выручки, ведь в абсолютном выражении он может составлять огромные суммы. Кроме того, растущая популярность аналитики для ценообразования обусловлена усилением конкуренции со стороны онлайн-магазинов. Не секрет, что посмотрев, примерив, оценив товар в оффлайне, люди часто делают покупку в онлайн-магазине, ориентируясь исключительно на то, что там дешевле. Иногда даже не выходя из торгового зала.
Что же делает современная аналитика для оптимизации цен?
ПО моделирует клиентское поведение и помогает найти баланс интересов. Оно определяет, когда повышение цен отталкивает покупателей, а когда – нет, когда их привлечет, а когда наоборот насторожит дополнительная скидка. Оно дает рекомендации на изменения цен. Например, снизить стоимость, когда чувствительные к ценам клиенты скорее всего будут поблизости.
Алгоритмы также могут определять, какие продукты обычно покупаются вместе, что позволяет оптимизировать стоимость всей корзины покупок. Если клиенты чувствительны к ценам на молоко, и в меньшей степени — к ценам на зерновые продукты, программное обеспечение может побить цену конкурента на молоко и получить прибыль с бакалеи.
На розничном рынке топлива алгоритмическое ценообразование работает успешно, потому что это относительно единообразный товар, продающийся в больших объемах, с которым владельцы станций на конкурентных рынках могут выжимать прибыль из каждого литра.
Европейцы любят эксперименты и исследования. И они замерили разницу. В течение одной недели марта уходящего года две уже упомянутые заправки, которые различаются по часам работы и видам услуг, предоставляли почасовые данные и затраты на неэтилированный газ. Цены на топливо периодически менялись, но, в целом, снижались, отражая падение цен на нефть на той неделе.
Но были «синхроны». Иногда цены на станциях изменялись почти одновременно, повышаясь или понижаясь в течение нескольких часов более чем на половину евроцента за литр. Часто стоимость топлива понижалась рано утром и вырастала к концу дня. Подразумевалось, что аналитическая система могла идентифицировать общие сигналы и тенденции спроса на рынке по местным новостям. Как заявили владельцы станций, их системы часто дают рекомендацию снизить стоимость, чтобы получить целевой объем продаж, когда поблизости находились потенциальные клиенты, лояльность которых нужно было завоевать. Сами же потребители отмечали, что к концу дня, когда они уже устали и торопятся домой, цена для них является чуть менее критичным фактором, и они были готовы заплатить чуть больше.
В классических учебниках цена – это серьезный инструмент конкуренции. Но в новой реальности все не так просто. Новые аналитические системы могут дать вам рекомендацию повысить цену, когда ваш конкурент в магазине через дорогу ее понизил или продает товар по акции. И система угадает, как это было в одном из пилотных проектов. Дело в том, что аналитическая система анализирует данные в потоке и принимает во внимание не только такой показатель, как цена, но и покупательское поведение потребителей в вашем районе. И далеко не все потребители готовы стоять и ждать в очередях, чтобы купить товар чуть дешевле.
Кто принимает решение?
Сейчас часто можно услышать о ценообразовании с использованием искусственного интеллекта. Это модный маркетинговый термин. Важно понимать, что у руля процесса все равно остаются люди. А то, что называют искусственным интеллектом, представляет собой старую добрую углубленную аналитику. Эти системы не подменяют человека. Как сказали в одном из выступлений наши клиенты из Staples*, который с помощью аналитики регулирует цены на 30 тысяч наименований ежедневно, «какие бы средства мы не использовали, бизнес-логика все равно остается человеческой».
Индустрия программного обеспечения для ценообразования выросла в тандеме с растущим количеством доступных данных. Магазины хранят информацию о транзакциях, а также данные о трафике магазина, расположении продуктов и социально-демографические данные покупателя. Они также могут покупать доступ к базам данных, которые отслеживают ассортимент, доступность и цены конкурентов, как онлайн, так и на прилавках магазинов. Анализ всей этой информации помогает на несколько процентов повысить маржинальность. И это можно просчитать еще на этапе создания бизнес-кейса.
Можно ли достичь результатов без инструментов автоматизированной аналитики? Теоретически – да, но для этого потребуется большой штат аналитиков. На практике же современная аналитическая система позволяет шагнуть гораздо дальше, работать гораздо быстрее и задействовать при анализе гораздо больше данных, чем группа исследователей, работающих в ручном режиме или с помощью старых систем, построенных на базе бизнес-правил.
*Компания лидер в сегменте продаж канцелярских изделий на рынке США и Канады, сеть состоит из более чем 1500 магазинов.
Автор: Дмитрий Ларин,
директор по работе с розничными сетями SAS Россия/СНГ
