spellabs.R-Pricer - Компания spellabs. Консалтинг и разработка

spellabs.R-pricer
Система оптимизации цен
на платформе Microsoft Azure Machine Learning
О компании spellabs
Опыт в разработке ПО – 10 лет
Интеллектуальный анализ
данных и прогнозная
аналитика
Разработка
корпоративных
портальных решений
Партнерство с Microsoft
Партнерство с IBM
Задача
Нахождение цен на группу товаров, максимизирующую
ожидаемый оборот от продажи этой группы товаров за
фиксированный промежуток времени.
Схожие задачи:
• Увеличение Валового дохода при оптимизации цен на группу товаров
• Увеличение Чистого дохода при оптимизации цен на группу товаров
• Увеличение маржи при оптимизации цен на группу товаров
Зачем нужна система оптимизации цен?
Выгода подтверждается большим количеством внедренных проектов
Метрика / Приложение
Оптимизация
Цен
Рост оборота
1 – 3%
Рост валового дохода
2 – 5%
Роста объема продаж
0 – 1%
Пример: розничная сеть с оборотом в $ 10
млрд и средней наценкой 30%
Увеличение валового дохода = $ 90 млн в
год за счет оптимизации цен
Источник: AMR Research
4
История успеха с BILLA
Ведущий продуктовый ритейлер в Австрии, более чем 1000 магазинов
Стратегия и
вызовы
Масштаб
5
 Обеспечить самую низкую на рынке цену для
выбранной продуктовой корзины
 Улучшить исполнение ценовой стратегии
 Улучшить конкурентоспособность
 Поддержать прибыльность сети
 1000 магазинов,
 Более 300 000 электронных ценников
 Проект за 4 месяца собственными силами
Почему решение
для управления
ценами
 Возможность реагировать на любые изменения цены
конкурентами в режиме реального времени
 Возможность обеспечить реализацию стратегии
«качество по доступным ценам»
 Подходит под вcе требования Billa
Выгоды
 Сохранить конкурентоспособность на рынке
 За счет более конкурентных цен обеспечена высокая
оборачиваемость товара
Как быстро можно получить выгоду от использования системы оптимизации цен?
Средний возврат на инвестиции – 12 месяцев
Источник: AMR Research
6
Подход spellabs
Оптимизируем цены на каждый товар на основании истории спроса на него и на
сопутствующие товары. Сопутствующие товары – это товары, приобретаемые совместно
или товары конкуренты.
1.
Мы разбиваем товары на тесно связанные группы и анализируем группы этих
товаров по отдельности.
2.
Для прогнозирования спроса на каждый товар, мы строим нелинейную
регрессионную модель в зависимости от цен на товары в группе(кросс эластичность)
и магазин. Возможно использовать внешние факторы(макроэкономические
показатели. Например, инфляция, курс доллара…)
3.
Строим нелинейную оптимизационную модель, описываемую :
- Функцией цели (прибыль, оборот и т.п.)
- Ограничениями. диапазон цен, остатки и т .д.
- Найденные зависимости спроса от цен
Принцип работы. Шаг 1. Скрининг.
Из анализа удаляем товары:
• С неизменными ценами.
• С незначительным вкладом в оборот.
• С нестабильной историей продаж.
Принцип работы. Шаг 2. Кластеризация.
1. Строим матрицу корреляции спроса для каждой пары товаров.
2. Производим кластерный анализ: получаем группы сильно
коррелированных по спросу товаров.
3. В дальнейшем анализируем каждую группу отдельно.
Принцип работы. Шаг 3. Регрессия
1. Регрессия. Для каждого товара в группе находим зависимость
спроса на него в зависимости от магазина и цен на другие
товары этой группы.
Спрос на товар 1 = f1(Магазин, Цена1, …, Цена5, Другие факторы)
….
Спрос на товар 5 = f5(Магазин, Цена1, …, Цена5, Другие факторы)
2. Обучаем модель на полученных данных, проверяем результат
на обучающих и тестовых данных.
Принцип работы. Шаг 4. Оптимизация.
Оптимизация. Находим максимум суммарного ожидаемого
оборота (по всем товарам по всем магазинам) как функцию от
вектора цен на товары.
Целевая функция:
Ожидаемый оборот по всем товарам по всем магазинам =
Оборот для магазина М1= {Ц1 * f1(М1, Ц1,…,Ц5) + … + Ц5 * f5(М1, Ц1,…,Ц5)}
+
Оборот для магазина М2= { Ц1 * f1(М1, Ц1,…,Ц5) + … + Ц5 * f5(М2, Ц1,…,Ц5) }
+
………..
+
Оборот для магазина Мi= { Ц1 * f1(Мi, Ц1,…,Ц5) + … + Ц5 * f5(Мi, Ц1,…,Ц5) }
Ограничения: диапазоны цен
Задача оптимизации: найти цены, при которых ожидаемый оборот максимален.
Алгоритм работы системы оптимизации цен
Microsoft Azure Machine Learning
Моделирование спроса
Оптимизация вектора
цен на группу товаров
Чеки
Выявление кластеров и
групп товаров
-
Проверка на соответствие
ценовым и маркетинговым
стратегиям, действующему
законодательству РФ
Цены конкурентов
(опционально)
-
Рекомендуемые цены
Ценовые ограничения
(опционально)
12
Вывод цены на ценник
Общая архитектура
Наши предложения
1. Выполняем пилотный проект.
2. Берем 2 группы магазинов, контрольные магазины и тестовые .
Магазины должны быть сравнимы, площадь, место, кассы,
обороты.
3. В одной группе проводим эксперимент, в другой не проводим. Если
в одной группе изменения статистически значимы, то считаем наш
эксперимент успешным и можно выходить на полноценный проект.
Спасибо