Offline-Einzelhandelspreisoptimierung

Dieser Artikel öffnet den Verkaufszyklus. Die Idee, Analytics im Einzelhandel einzusetzen, kann als ein solcher Marketingkreis dargestellt werden:

Die Hauptidee eines nutzlosen Bildes besteht auf den ersten Blick darin, zu zeigen, dass Sie mithilfe von Analysen die Konsequenzen bestimmter Geschäftsentscheidungen auf der Grundlage der sich später ändernden Kundennachfrage vorhersagen können. Und je besser wir die Nachfrage verstehen und Informationen aus verschiedenen Kanälen zusammenfassen, desto besser können wir das Ergebnis vorhersagen. Kurz gesagt, ein Bild einer idealen Welt, und jeder geht seinen eigenen Weg in diese Welt.

Heute werden wir über Preisanalysen im Offline-Einzelhandel sprechen.

Einführung

Wiki gibt eine präzise Definition der Preisgestaltung . Aus Sicht des Unternehmens ist die Preisgestaltung ein weiteres Instrument, mit dem Sie die Nachfrage nach Waren / Dienstleistungen und dementsprechend die KPIs des Unternehmens verwalten können. Nutzen Sie die Fortschritte in der Digitalisierung und in der Datenwissenschaft, um Unternehmen dabei zu helfen, Preise effizienter festzulegen.
Typische Einzelhandelspreise für Waren sind wie folgt:

• Produkte, deren Preis aufgrund staatlicher Vorschriften begrenzt ist: Tabak, einige Arzneimittel. In diesem Fall stören sie sich normalerweise nicht und legen den maximal zulässigen Preis fest
• Indikatorprodukte für den Käufer. Sie werden ausschließlich von Wettbewerbern nach Regeln wie "Unser Preis = Mitbewerberpreis - 2%" (KVI, Erstpreis, Lokomotiven usw.) bewertet.
• Die restlichen Waren ( Warenkorb ), die jeweils nach besten Kräften bewertet werden. Es geht heute darum, wie wir den Preis für diese Waren am besten festlegen können. Davon verbleibt durchschnittlich etwa die Hälfte des Umsatzes

Komm auf den Punkt

Kurz gesagt kann der gesamte Prozess der Preisoptimierung in den folgenden Schritten beschrieben werden:

1. Aufbau eines Modells der Verbrauchernachfrage anhand historischer Daten
2. Wir sammeln Preisregeln für Unternehmen (mehr dazu weiter unten) und wandeln sie in mathematische Einschränkungen der Optimierung um
3. Wir beginnen mit der Optimierung anhand des angegebenen KPI (Marge, Umsatz, Einheiten) und erhalten die optimalen Preise

Es sieht nicht sehr schwierig aus, aber hier beginnen die Details.

Betrachten Sie der Einfachheit halber den Prozess der Preisoptimierung von Anfang an. Wenn die ersten beiden Punkte erfüllt sind (d. H. Nachfragemodelle erstellt und Preisregeln formalisiert werden), ist der dritte ein rein technischer Schritt (natürlich, wenn Sie wissen, welchen KPI Sie optimieren müssen). Optimierungsmethoden wurden für viele verschiedene Aufgaben erfunden . Am Ende können Sie einfach über das Preisraster gehen und das Beste finden, obwohl dies nicht der Ansatz des echten Jedi ist.

Der zweite Punkt ist eine separate und sehr schwierige Aufgabe, Regeln zur Automatisierung der Preisgestaltung zu sammeln. Es gibt nicht viele Mathematiker, aber das Hauptproblem besteht darin, die Regeln zu formalisieren und zu vereinbaren, die in den Köpfen von mehreren Dutzend Nikolaev Sergeyevichs gelten. Glücklicherweise gibt es einen mehr oder weniger gut etablierten Satz von Regelvorlagen, mit denen Sie beginnen können:

• Marge nicht niedriger / nicht höher als N [%] oder N [Rubel]
• Preisänderung nicht mehr als N [%] oder N [Rubel]
• Der Preis innerhalb des Preisclusters ist der gleiche
• Der Preis innerhalb der Produktlinie ist der gleiche
• Der Stückpreis ist für größere Artikel günstiger.
• Der Preis kann im Vergleich zu Wettbewerbern nicht niedriger / höher als N [%] sein
• STM ist billiger als die Marke von N [%]
• Preisformat ##. 00, # 9.95 (ja, solche Preise sind immer noch sehr beliebt, nicht nur in Russland)

Nun, hier ist der interessanteste erste Punkt - das Erstellen eines Modells der Verbrauchernachfrage

Modelltyp und Daten

Das Modell sollte unter Berücksichtigung der Tatsache erstellt werden, dass es für die weitere Optimierung verwendet wird. Das heißt, Baum-Boosts sind gut, wenn Sie eine kleine Anzahl von "Produkt / Geschäft" -Paaren haben, aber versuchen Sie zu optimieren, indem Sie 10.000.000 "Produkt / Geschäft" -Paare für ein 5-Stunden-Nachtfenster erhöhen (haben Sie außerdem gesehen, wie Baumensembles die Preise berücksichtigen?).

In diesem Bereich herrschen noch lineare Modelle . Wie die Praxis zeigt, ist ein gut abgestimmtes lineares Modell in seiner Genauigkeit der Erhöhung des durchschnittlichen „Datums“ nicht unterlegen. Satanist Wissenschaftler. " Aber selbst wenn die lineare Regression einem anderen Modell etwas unterlegen ist, ist sie nicht so beängstigend, weil Die letzte Aufgabe besteht darin, den besten Preis und nicht die genaueste Prognose zu ermitteln.

Unsere Aufgabe ist es, Modelle (oder ein Modell) zu erhalten, die die Nachfrage nach jedem Produkt in jedem Geschäft vorhersagen. Typische Daten, die hierfür benötigt werden, sind Verkaufsverlauf, Restverlauf, Preisverlauf, Werbeverlauf. Optional können Sie weitere Daten wie Mitbewerberpreise, Wetterdaten, Loyalitätsdaten oder Transaktionsdaten hinzufügen. In diesem Fall gibt es normalerweise in gutem Zustand nur eine Verkaufsgeschichte. Reste können aufgrund von Abschreibungen, Diebstahl und nur unter Berücksichtigung von Problemen springen (es gibt oft Fälle, in denen -0,4 Dosen grüne Erbsen auf den Resten sein können, überlegen Sie also, was das bedeutet). Die Geschichte der Preise und Werbeaktionen ist eine ganz andere Geschichte - sie sind in den Tiefen des ERP schwer zu finden (und manchmal sind sie einfach nicht da). Natürlich ist es möglich, die Preise aus dem Verkauf wiederherzustellen, aber dies wirkt sich dementsprechend auf die Qualität der Simulation aus und natürlich nicht zum Besseren.

Kleines offtopic

Es ist oft schwer zu erklären, dass Analysen im Allgemeinen bei der Preisgestaltung helfen können. Hier sind zwei typische Fälle:

Fall 1. Die blaue Farbe zeigt den Umsatz in [Einheiten] in der Zeit, rot - Preis. Hier zeigt uns der Kunde diese Grafik und sagt: Wir haben keine klassische Abhängigkeit vom Preis, weil der Preis wächst und die Nachfrage wächst, der Preis fällt und die Nachfrage sinkt. Am Ende des Artikels wird klar, was in diesem Fall zu tun ist (und nein - dies ist nicht das Produkt von Giffen ).

Hierbei sind neben dem Preis weitere Faktoren zu berücksichtigen. Diese Faktoren können umfassen (sind aber nicht beschränkt auf):

• Eigene Preise und Mitbewerberpreise
• Werbeveranstaltungen
• Feiertage
• Saisonalität
• Trends
• Produktlebenszyklus
• Inventar

Die Aufgabe, die wir lösen, besteht darin, zu verstehen, wie sich Preisänderungen mit anderen bekannten Faktoren auf die Nachfrage auswirken.

Fall 2. Die Grafik zeigt den Verkauf von Waren im Zeitverlauf. Es ist schwierig, eine Preisabhängigkeit zu finden, wenn die Waren einzeln pro Woche verkauft werden.

Die Antwort liegt auf der Oberfläche - es ist notwendig, Daten zu aggregieren, um ein nützliches Signal zu erhalten.
Lassen Sie uns nun beide Fälle im Detail untersuchen.

Factoring und Aggregation

Verwenden wir die lineare Regression , damit das Modell externe Faktoren berücksichtigen und in angemessener Zeit optimiert werden kann. Es wurde keine Dissertation zum Thema „Welches Modell ist das beste?“ Verfasst, aber in der Praxis haben sich zwei sehr einfache Modelle des folgenden Typs bewährt:

$$

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

$$

$$\ log (Sales) = \ alpha + \ beta \ cdot Preis_t + \ gamma \ cdot Promo_t + \ delta \ cdot Urlaub_t + \ ldots$$

Lassen Sie uns fortfahren und sie verwenden.

Bei fehlenden Daten ist es logisch, die Aggregation zu verwenden. Gleichzeitig können wir durch Aggregation die folgenden Schritte verstehen:

• Vertikales Informationspooling (vertikales Informationspooling) - Aggregation im klassischen Sinne, um beispielsweise den Verkauf von Waren auf Stadtebene und nicht in einem bestimmten Geschäft zu beobachten.
• Horizontales Informationspooling - Verwendung ökonometrischer Modelle mit festen , zufälligen und gemischten Effekten unter Verwendung von Paneldaten.

Nachdem wir uns für das Prognosemodell und die Aggregationsmethode entschieden haben, können wir mit der Zerlegung der Nachfrage fortfahren - d. H. Regressionskoeffizienten auf der am besten geeigneten Ebene der rohstoffgeografischen Hierarchie bewerten. Gleichzeitig glauben wir, dass alle Ebenen in der Hierarchie Abhängigkeiten erben, die auf höheren Ebenen erhalten wurden. Oft müssen Sie zur Phase der Auswahl eines Modells und einer Aggregationsmethode zurückkehren und verschiedene Optionen für die Zerlegung ausprobieren.

Die Zerlegung der Nachfrage besteht aus folgenden Schritten:

1. Auf den oberen Ebenen der rohstoffgeografischen Hierarchie bewerten wir saisonale, zyklische und Trendkomponenten mithilfe von Zeitreihenmethoden.
2. Auf mittleren Ebenen subtrahieren wir die erhaltene Saisonalität, bauen genau das Regressionsmodell auf, über das wir oben gesprochen haben - bewerten den Einfluss externer Faktoren.
3. Auf den unteren Ebenen subtrahieren wir die Saisonalität und den Einfluss von Faktoren. Infolgedessen haben wir ungeklärte Reste. Wir nennen sie lokale Trends und prognostizieren erneut die Zeitreihen.

Das Ergebnis der Nachfragezerlegung ist ein eigenes Prognosemodell für jedes Paar „Warenlager“.

Es scheint, dass alle Probleme gelöst wurden. Für jedes Paar von „Warengeschäften“, für das sie ein eigenes lineares Modell erstellt haben, müssen noch Einschränkungen auferlegt und alles an den Optimierer gesendet werden. Tatsächlich besteht die Hauptschwierigkeit bei der Zerlegung der Nachfrage darin, die richtige Hierarchie aufzubauen und die optimalen Ebenen der Regressionskonstruktion zu bestimmen. Dazu müssen wir geeignete Produkt- und geografische Hierarchien erstellen. Unternehmenshierarchien eignen sich häufig eher für Managementaufgaben (z. B. eine Finanzhierarchie oder eine an Lieferanten gebundene Hierarchie usw.). Sie eignen sich schlecht für die Modellierung der Nachfrage, daher müssen Sie Ihre Klassenhierarchie erstellen.

Um eine Produkthierarchie aufzubauen, müssen Sie untersuchen, wie sich der Käufer für den Kauf von Waren entscheidet. Wenn wir uns diese Frage stellen, kommen wir zu einem neuen Konzept - dem Customer Decision Tree (CDT) . Es zeigt, welche Produktattribute für den Käufer wichtig sind und in welcher Reihenfolge sie sich befinden sollten.

In den meisten Fällen wird ein CDT auf der Grundlage von Produktattributen erstellt. Je niedriger der CDT-Wert, desto stärker ersetzen sich die Produkte. Kategoriemanager können beim Aufbau eines CDT eine große Hilfe sein verstehen ihre Kategorien gut. Es gibt analytische Möglichkeiten zum Erstellen eines CDT, z. B. das Analysieren eines Transaktionsdiagramms. Die Beschreibung solcher Methoden ist ein separater Artikel.

Das Erstellen einer geografischen Hierarchie ist normalerweise eine einfachere Aufgabe. Clustering kann hier nach Saisonalität, Kategorie-Verkaufsstruktur und Kundenbewegungen helfen.

Ein interessanter Fall war bei einem Lebensmitteleinzelhändler: Die Struktur der Nachfrage war sehr unterschiedlich, je nachdem, auf welcher Seite der Hauptstraßen sich die Geschäfte befanden - in der Region nahmen sie mehr Wodka, Bier und Zigaretten in die Mitte - mehr Reinigungsprodukte, Kinderjoghurt und Tierfutter - Es war ein stabiles Konsummuster.

Nachdem wir CDT und geografische Hierarchie getrennt aufgebaut haben, kombinieren wir sie zu einer rohstoffgeografischen. Daher haben wir eine neue Hierarchie erstellt, die sich hervorragend zur Modellierung der Nachfrage eignet.

Was ist das Ergebnis?

Infolgedessen haben wir eine neue Hierarchie erstellt, die sich gut für die Bedarfsmodellierung eignet, und eine Reihe von Aktionen erhalten, die ausgeführt werden müssen, um die Bedarfsmodelle selbst für die weitere Optimierung zu erstellen. Hier ist eine kurze Zusammenfassung der Modellierungsverfahren:

• Bewerten Sie Saisonalität, Trend und zyklische Komponenten
  
  • Wir aggregieren die Daten auf der Ebene der rohstoffgeografischen Hierarchie, auf der wir Saisonalität, Trend und zyklische Komponenten bewerten
  • Alle Hierarchieebenen unten erben die erhaltenen Werte.
• Wir aggregieren die Daten auf der Ebene, auf der wir den Einfluss externer Faktoren bewerten
• Saisonalität und Trend abziehen
• Wir bewerten den Einfluss externer Faktoren
  
  • Alle folgenden Hierarchieebenen erben eine berechnete Schätzung der Auswirkungen externer Faktoren
• Subtrahieren Sie die erhaltenen saisonalen Werte und bewerten Sie den Einfluss externer Faktoren auf der detailliertesten Ebene - Produkt / Geschäft
• Die Residuen werden mit einfachen Methoden geglättet und vorhergesagt. Wir stellen Saisonalität, Feiertage, den Einfluss von Sonderangeboten und Preisen wieder her.

Als Ergebnis haben wir für jedes Produkt in jedem Geschäft unsere eigene Formel erhalten:

$$

$$Umsatz = f (Preis, Promo, See, Urlaub, Inventar, Fahrrad, ...)$$

Geschäftsleute werden sofort fragen, aber wie wird der gegenseitige Einfluss von Waren aufeinander berücksichtigt? Es kann in der Modellierungsphase auf verschiedene Arten berücksichtigt werden, aber hier sind zwei der beliebtesten:

• Direkte Methode - In der Nachfrageformel berücksichtigen wir die Preise von Waren, die den größten Einfluss aufeinander haben:

  
  

  $$

  $$Sales = f (Price, Price_I, Price_K, ...)$$
  
  

• Modellierung des Umsatzanteils - Wir prognostizieren den Umsatz der Gruppe und den Anteil jedes Produkts innerhalb der Gruppe:

  
  

  $$

  $$Group \ _sales = f (Durchschnitt \ _Preis, Promo_I, Promo_K, ...)$$
  
  

  $$

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

Als nächstes senden wir die Formeln für jedes Paar „Warenladen“ an den Optimierer und erhalten die optimalen Preise am Ausgang.

Aber was ist mit diesem Beispiel?

Ja, auf den ersten Blick fehlt die Abhängigkeit der Nachfrage von den Preisen wirklich, setzen Sie den Höchstpreis fest und freuen Sie sich.
Nachdem wir jedoch eine neue Hierarchie für die Prognose erstellt und die Saisonalität auf einer höheren Ebene berechnet haben, subtrahieren wir sie auf der Ebene der Waren.

Typische Abhängigkeit der Nachfrage vom Preis (je höher der Preis, desto geringer die Nachfrage). Das heißt, In diesem Fall ist der Einfluss der Saisonalität deutlich sichtbar, wobei sofort ersichtlich ist, dass das Produkt ziemlich elastisch ist.

Fazit

Die Preisoptimierung ist nicht nur für das Unternehmen von Vorteil (einige Prozent der Marge haben noch niemanden gestört), sondern auch interessant. Es gibt Regressionen, Optimierungen und Diagrammanalysen, und das alles in einem großen Datums-Wrapper - es gibt Raum für die Seele des Analytikers, sich umzudrehen. Vergessen Sie jedoch nicht, dass Nachfragemodellierung und Preisoptimierung nur ein kleiner Teil des Preisfindungsprozesses für Großunternehmen sind und im Übrigen von geringem Nutzen sind.

Optimieren Sie Prozesse, optimieren Sie Preise, optimieren Sie die Datenspeicherung (schließlich Garbage In - Garbage Out) und erzielen Sie coole Ergebnisse.