تحسين سعر التجزئة دون اتصال بالإنترنت

تفتح هذه المقالة دورة البيع بالتجزئة. يمكن تصوير فكرة استخدام التحليلات في البيع بالتجزئة على أنها دائرة تسويق:

تتمثل الفكرة الرئيسية ، للوهلة الأولى ، في صورة عديمة الفائدة ، في إظهار أن التحليلات تسمح لك بالتنبؤ بعواقب اتخاذ قرارات تجارية معينة بناءً على التغيير اللاحق في طلب العميل. وكلما فهمنا الطلب بشكل أفضل ، وجمع المعلومات من القنوات المختلفة ، كان من الأفضل توقع النتيجة. باختصار ، صورة لعالم مثالي ، والجميع يذهب في طريقه إلى هذا العالم.

سنتحدث اليوم عن تحليلات التسعير في متاجر التجزئة غير المتصلة بالإنترنت.

مقدمة

يقدم ويكي تعريفًا موجزًا للتسعير . من وجهة نظر الشركة ، يعد التسعير أداة أخرى تسمح لك بإدارة الطلب على السلع / الخدمات ، وبالتالي ، مؤشرات الأداء الرئيسية للشركة. لماذا لا تستفيد من التقدم في الرقمنة وعلوم البيانات لمساعدة الشركات على تحديد الأسعار بشكل أكثر كفاءة.
أسعار التجزئة النموذجية للسلع هي كما يلي:

• المنتجات التي يكون سعرها محدودًا بسبب التنظيم الحكومي: التبغ وبعض الأدوية. في هذه الحالة ، لا يهتمون عادةً ويحددون السعر الأقصى المسموح به
• منتجات المؤشر للمشتري. يتم تسعيرها بشكل صارم من المنافسين بناءً على قواعد مثل "سعرنا = سعر المنافس - 2٪" (KVI ، السعر الأول ، القاطرات ، إلخ.)
• البضاعة المتبقية ( السلة الخلفية ) ، والتي تسعير كل منها بأفضل ما لديها من قدرات. نحن اليوم سنتحدث عن كيفية تحديد سعر هذه السلع بأفضل طريقة. من بين هؤلاء ، في المتوسط ​​، لا يزال حوالي نصف الإيرادات

نصل إلى النقطة

باختصار ، يمكن وصف عملية تحسين السعر بالكامل في الخطوات التالية:

1. بناء نموذج لطلب المستهلك على البيانات التاريخية
2. نجمع قواعد تسعير الأعمال (المزيد عنها أدناه) ونحولها إلى قيود رياضية للتحسين
3. نبدأ التحسين وفقًا لمؤشر الأداء الرئيسي المحدد (الهامش ، الإيرادات ، الوحدات) ونحصل على الأسعار المثلى

لا يبدو الأمر صعبًا للغاية ، ولكن هنا تبدأ التفاصيل.

من أجل البساطة ، ضع في اعتبارك عملية تحسين السعر من النهاية. إذا تم تحقيق النقطتين الأوليين (أي بناء نماذج الطلب وإضفاء الطابع الرسمي على قواعد التسعير) ، فإن النقطة الثالثة هي خطوة فنية بحتة (بالطبع ، إذا كنت تعرف أي مؤشر أداء رئيسي تحتاج إلى تحسينه). تم اختراع طرق التحسين للعديد من المهام المختلفة . في النهاية ، يمكنك فقط تجاوز شبكة الأسعار والعثور على الأفضل ، على الرغم من أن هذا ليس نهج Jedi الحقيقي.

النقطة الثانية هي مهمة منفصلة وصعبة للغاية لجمع القواعد لأتمتة التسعير. لا يوجد العديد من محللي الرياضيات ، ولكن المشكلة الرئيسية هي إضفاء الطابع الرسمي والاتفاق على القواعد التي تدور في أذهان عشرات من نيكولايف سيرغييفيتش. لحسن الحظ ، هناك مجموعة راسخة إلى حد ما من قوالب القواعد التي يمكنك البدء منها:

• الهامش ليس أقل / ليس أعلى من N [٪] أو N [روبل]
• التغيير في السعر لا يزيد عن N [٪] أو N [روبل]
• السعر داخل مجموعة الأسعار هو نفسه
• السعر داخل خط المنتج هو نفسه
• سعر الوحدة أرخص للعناصر الأكبر.
• لا يمكن أن يكون السعر أقل / أعلى من N [٪] بالنسبة إلى المنافسين
• STM أرخص من العلامة التجارية بواسطة N [٪]
• تنسيق السعر ##. 00 ، # 9.95 (نعم ، هذه الأسعار لا تزال مغرمة جدًا ، وليس فقط في روسيا)

حسنًا ، هذه هي النقطة الأولى الأكثر إثارة للاهتمام - بناء نموذج لطلب المستهلكين

نوع النموذج والبيانات

يجب بناء النموذج مع الأخذ في الاعتبار أنه سيتم استخدامه لمزيد من التحسين. على سبيل المثال تكون تعزيزات الأشجار جيدة عندما يكون لديك عدد صغير من أزواج "المنتج / المتجر" ، ولكن حاول التحسين من خلال تعزيز 10000.000 زوج "منتج / متجر" لفترة 5 ساعات ليلاً (بالإضافة إلى ذلك ، هل رأيت كيف تمثل مجموعات الأشجار الأسعار؟).

في هذا المجال لا تزال النماذج الخطية تحكم. كما تظهر الممارسة ، فإن النموذج الخطي المضبوط جيدًا ليس أقل دقة في تعزيز متوسط ​​"التاريخ" الشيطاني عالم ". ولكن حتى لو كان الانحدار الخطي أدنى قليلاً من نموذج آخر ، فهو ليس مخيفًا ، لأنه المهمة الأخيرة هي تحديد أفضل الأسعار ، وليس التوقعات الأكثر دقة.

مهمتنا هي الحصول على نماذج (أو نموذج) يتنبأ بالطلب على كل منتج في كل متجر. البيانات النموذجية اللازمة لذلك هي تاريخ المبيعات ، التاريخ المتبقي ، تاريخ الأسعار ، التاريخ الترويجي. اختياريًا ، يمكنك إضافة بيانات أخرى مثل أسعار المنافسين أو الطقس أو بيانات الولاء أو بيانات المعاملات. في هذه الحالة ، عادة ما يكون في حالة جيدة فقط سجل مبيعات. بقايا بقايا الطعام يمكن أن تقفز بسبب عمليات الشطب والسرقة والمشكلات فقط مع الأخذ بعين الاعتبار (غالبًا ما تكون هناك حالات يمكن أن يكون فيها -0.4 علب من البازلاء الخضراء على بقايا الطعام ، لذا فكر في ما يعنيه ذلك). إن تاريخ الأسعار والعروض الترويجية قصة مختلفة تمامًا - من الصعب العثور عليها في أعماق تخطيط موارد المؤسسات (وأحيانًا لا تكون هناك). بالطبع ، من الممكن استعادة الأسعار من المبيعات ، ولكن هذا سيؤثر وفقًا لذلك على جودة المحاكاة ، وبالطبع ليس للأفضل.

Offtopic صغير

غالبًا ما يكون من الصعب توضيح أن التحليلات يمكن أن تساعد بشكل عام في التسعير. فيما يلي حالتان نموذجيتان:

الحالة 1. يظهر اللون الأزرق المبيعات في [الوحدات] في الوقت المناسب ، باللون الأحمر - السعر. هنا يرينا العميل هذا الرسم البياني ويقول: ليس لدينا اعتماد كلاسيكي على السعر ، لأن السعر ينمو والطلب ينمو ، السعر ينخفض ​​والطلب ينخفض. في نهاية المقال ، سيتضح ما يجب فعله في هذه الحالة (ولا - هذا ليس منتج جيفن ).

هنا ، بالإضافة إلى السعر ، يجب مراعاة عوامل إضافية. قد تشمل هذه العوامل (على سبيل المثال لا الحصر):

• الأسعار الخاصة وأسعار المنافسين
• الأحداث الترويجية
• العطل
• موسمية
• الاتجاهات
• دورة حياة المنتج
• الجرد

المهمة التي نقوم بحلها هي فهم كيف تؤثر تغيرات الأسعار على الطلب بعوامل معروفة أخرى.

الحالة 2. يوضح الرسم البياني بيع البضائع بمرور الوقت. من الصعب العثور على اعتماد على السعر إذا تم بيع البضائع مرة واحدة في الأسبوع.

الجواب يكمن على السطح - من الضروري تجميع البيانات للحصول على إشارة مفيدة.
دعونا الآن نفحص بالتفصيل كلتا الحالتين.

العوملة والتجميع

حتى يتسنى للنموذج مراعاة العوامل الخارجية وتحسينه في وقت معقول ، فلنستخدم الانحدار الخطي. لم يتم كتابة أي أطروحة حول موضوع "أي نموذج هو الأفضل للاستخدام" ، ولكن عمليًا أثبت نموذجان بسيطان جدًا من النوع التالي أنهما أثبتا أنهما جيدان:

$$

$$\ log (المبيعات) = \ alpha + \ beta \ cdot \ log (Price_t) + \ gamma \ cdot Promo_t + \ delta \ cdot Holiday_t + \ ldots$$

$$

$$\ log (المبيعات) = \ alpha + \ beta \ cdot Price_t + \ gamma \ cdot Promo_t + \ delta \ cdot Holiday_t + \ ldots$$

دعونا نمضي قدما ونستخدمها.

مع نقص البيانات ، من المنطقي استخدام التجميع. في الوقت نفسه ، من خلال التجميع ، يمكننا فهم الخطوات التالية:

• التجميع العمودي للمعلومات (تجميع المعلومات العمودي) - التجميع بالمعنى الكلاسيكي ، على سبيل المثال ، لمشاهدة مبيعات البضائع على مستوى المدينة ، بدلاً من متجر معين.
• تجميع المعلومات الأفقية - استخدام النماذج الاقتصادية ذات التأثيرات الثابتة والعشوائية والمختلطة باستخدام بيانات اللوحة.

بعد أن قررنا نموذج التنبؤ وطريقة التجميع ، يمكننا المضي قدمًا في تحليل الطلب - أي تقييم معاملات الانحدار على مستوى أنسب من التسلسل الهرمي الجغرافي للسلع. في الوقت نفسه ، نعتقد أن جميع المستويات الأقل في التسلسل الهرمي ترث التبعيات التي تم الحصول عليها على مستويات أعلى. غالبًا ما يتعين عليك العودة إلى مرحلة اختيار نموذج وطريقة تجميع وتجربة عدة خيارات للتحلل.

يتكون تحليل الطلب من الخطوات التالية:

1. في المستويات العليا من التسلسل الهرمي الجغرافي للسلع ، نقوم بتقييم المكونات الموسمية والدورية والاتجاهية باستخدام طرق السلاسل الزمنية.
2. في المستويات المتوسطة ، نطرح الموسمية التي تم الحصول عليها ، وبناء نموذج الانحدار الذي تحدثنا عنه أعلاه - تقييم تأثير العوامل الخارجية.
3. في المستويات الدنيا ، نطرح الموسمية وتأثير العوامل. نتيجة لذلك ، لدينا بقايا طعام غير مبررة. نسميها الاتجاهات المحلية ونتوقع مرة أخرى السلاسل الزمنية.

نتيجة تحلل الطلب هو نموذج التنبؤ الخاص بها لكل زوج من "متجر البضائع".

يبدو أنه قد تم حل جميع المشاكل ، لكل زوج من "متجر البضائع" قاموا ببناء نموذجهم الخطي الخاص بهم ، يبقى فرض قيود وإرسال كل شيء إلى المحسن. في الواقع ، تتمثل الصعوبة الرئيسية في تحلل الطلب في بناء التسلسل الهرمي الصحيح وتحديد المستويات المثلى لبناء الانحدار. للقيام بذلك ، نحن بحاجة إلى بناء المنتجات المناسبة والتسلسل الهرمي الجغرافي. في كثير من الأحيان ، يكون التسلسل الهرمي للشركة أكثر ملاءمة لمهام الإدارة (على سبيل المثال ، التسلسل الهرمي المالي أو التسلسل الهرمي المرتبط بالموردين ، إلخ). إنها غير مناسبة بشكل جيد لمهمة نموذج الطلب ، لذلك تحتاج إلى بناء التسلسل الهرمي للصف الخاص بك.

لبناء تسلسل هرمي للمنتج ، تحتاج إلى دراسة كيف يقرر المشتري شراء البضائع. ونطرح على أنفسنا هذا السؤال ، نأتي إلى مفهوم جديد - شجرة قرار العملاء (CDT) . يعرض سمات المنتج المهمة للمشتري ، وفي أي ترتيب يجب تحديد موقعها.

في معظم الحالات ، يتم بناء CDT على أساس سمات المنتج. كلما انخفض مستوى CDT ، زادت قوة المنتجات محل بعضها البعض. يمكن أن يساعد مديرو الفئات بشكل كبير في بناء CDT ، مثل فهم فئاتهم جيدًا. هناك طرق تحليلية لبناء CDT ، على سبيل المثال ، تحليل الرسم البياني للمعاملات. وصف هذه الأساليب هو مادة منفصلة.

عادةً ما يكون إنشاء التسلسل الهرمي الجغرافي مهمة أبسط. يمكن أن يساعد التجميع هنا من خلال هيكل الموسمية وهيكل مبيعات الفئة وتحركات العملاء.

كانت هناك حالة مثيرة للاهتمام في أحد متاجر بيع المواد الغذائية: اختلف هيكل الطلب بشكل كبير اعتمادًا على جانب الطرق الرئيسية التي تقع فيها المتاجر - إلى المنطقة التي أخذوا فيها المزيد من الفودكا والبيرة والسجائر ، إلى المركز - المزيد من منتجات التنظيف ، وزبادي الأطفال وأعلاف الحيوانات - كان نمط ثابت من الاستهلاك.

بعد أن بنينا بشكل منفصل CDT والتسلسل الهرمي الجغرافي ، فإننا ندمجها في سلعة جغرافية سلعية. وهكذا ، قمنا ببناء تسلسل هرمي جديد رائع لنمذجة الطلب.

ما هي النتيجة

ونتيجة لذلك ، قمنا ببناء تسلسل هرمي جديد مناسب تمامًا لنمذجة الطلب ، كما حصلنا على سلسلة من الإجراءات التي يجب القيام بها لبناء نماذج الطلب نفسها لمزيد من التحسين. فيما يلي ملخص موجز لإجراءات بناء النموذج:

• تقييم الموسمية والاتجاه والمكونات الدورية
  
  • نقوم بتجميع البيانات على مستوى التسلسل الهرمي الجغرافي للسلع ، حيث نقوم بتقييم الموسمية والاتجاه والمكونات الدورية
  • ترث جميع مستويات التسلسل الهرمي أدناه القيم التي تم الحصول عليها.
• نقوم بتجميع البيانات إلى المستوى الذي سنقيم عنده تأثير العوامل الخارجية
• اطرح الموسمية والاتجاه
• نقوم بتقييم تأثير العوامل الخارجية
  
  • ترث جميع مستويات التسلسل الهرمي أدناه تقديرًا محسوبًا لتأثير العوامل الخارجية
• اطرح القيم الموسمية التي تم الحصول عليها وقم بتقييم تأثير العوامل الخارجية على المستوى الأكثر تفصيلاً - المنتج / المتجر
• يتم تسوية المخلفات والتنبؤ بها من خلال طرق بسيطة. نستعيد الموسمية والعطلات وتأثير الملل والأسعار.

ونتيجة لذلك ، حصلنا على صيغتنا الخاصة لكل منتج في كل متجر:

$$

$$sales = f (السعر ، العرض الترويجي ، البحار ، العطلة ، الجرد ، التدوير ، ...)$$

سيسأل الناس من رجال الأعمال على الفور ، ولكن كيف يؤخذ التأثير المتبادل للسلع على بعضهم البعض في الاعتبار؟ يمكن أن تؤخذ في الاعتبار في مرحلة النمذجة بعدة طرق ، ولكن فيما يلي طريقتان من أكثرها شيوعًا:

• الطريقة المباشرة - نأخذ في الاعتبار أسعار السلع التي لها أكبر تأثير على بعضها البعض في صيغة الطلب:

  
  

  $$

  $$Sales = f (السعر ، السعر_السعر_السعر ...)$$
  
  

• نمذجة حصة المبيعات - نتوقع مبيعات المجموعة وحصة كل منتج داخل المجموعة:

  
  

  $$

  $$Group \ _sales = f (Avg \ _price، Promo_I، Promo_K، ...)$$
  
  

  $$

  $$Item \ _share_I = f (Price_I، Promo_I، Price_K، Promo_K، ...)$$
  
  

بعد ذلك ، نرسل الصيغ لكل زوج من "متجر البضائع" إلى المُحسِّن ونحصل على الأسعار المثلى عند الإخراج.

ولكن ماذا عن هذا المثال؟

نعم ، للوهلة الأولى ، إن اعتماد الطلب على الأسعار غائب حقًا ، وحدد السعر الأقصى وابتهج.
ولكن بعد بناء تسلسل هرمي جديد للتنبؤ ، بعد حساب الموسمية على مستوى أعلى ، فإننا نطرحها على مستوى السلع.

الاعتماد النموذجي للطلب على السعر (كلما ارتفع السعر ، قل الطلب). على سبيل المثال في هذه الحالة ، يكون تأثير الموسمية مرئيًا بوضوح ، مع الأخذ في الاعتبار أنه من الواضح على الفور أن المنتج مرن تمامًا.

الخلاصة

لا يعد تحسين الأسعار مفيدًا للشركة فقط (لم تزعج نسبة قليلة من الهامش أي شخص بعد) ، ولكنها مثيرة للاهتمام أيضًا. هناك انتكاسات ، وتحسين ، وتحليل الرسم البياني ، وكل هذا في غلاف كبير للتاريخ - هناك مساحة لروح المحلل في الدوران. ولكن لا تنس أن نماذج الطلب وتحسين الأسعار ليست سوى جزء صغير من عملية تسعير الأعمال الكبيرة ، وبصرف النظر عن البقية ، فهي ذات فائدة قليلة.

تحسين العمليات وتحسين الأسعار وتحسين تخزين البيانات (بعد كل شيء ، Garbage In - Garbage Out) والحصول على نتائج رائعة.