Optimización de precios minoristas fuera de línea

Este artículo abre el ciclo minorista. La idea de usar análisis en el comercio minorista se puede representar como un círculo de marketing:

La idea principal, a primera vista, de una imagen inútil, es mostrar que el análisis le permite predecir las consecuencias de tomar ciertas decisiones comerciales basadas en el cambio posterior en la demanda del cliente. Y cuanto mejor comprendamos la demanda, agregando información de diferentes canales, mejor predeciremos el resultado. En resumen, una imagen de un mundo ideal, y cada uno va por su propio camino a este mundo.

Hoy hablaremos sobre análisis de precios en el comercio minorista fuera de línea.

Introduccion

Wiki ofrece una definición concisa de precios . Desde el punto de vista de la empresa, la fijación de precios es otra herramienta que le permite administrar la demanda de bienes / servicios y, en consecuencia, los KPI de la empresa. ¿Por qué no aprovechar los avances en digitalización y ciencia de datos para ayudar a las empresas a establecer precios de manera más eficiente?
El precio típico de venta de bienes es el siguiente:

• Productos cuyo precio es limitado debido a la regulación gubernamental: tabaco, algunos medicamentos. En este caso, generalmente no se molestan y establecen el precio máximo permitido
• Productos indicadores para el comprador. Los precios de los competidores están estrictamente basados ​​en reglas como "nuestro precio = precio del competidor - 2%" (KVI, primer precio, locomotoras, etc.)
• Los bienes restantes ( canasta trasera ), que cada uno valora lo mejor que puede. Es sobre ellos hoy que hablaremos sobre cómo establecer el precio de estos productos de la mejor manera. De estos, en promedio, queda aproximadamente la mitad de los ingresos

Llegar al punto

Brevemente, todo el proceso de optimización de precios se puede describir en los siguientes pasos:

1. Construyendo un modelo de demanda del consumidor sobre datos históricos
2. Recopilamos reglas de precios comerciales (más sobre ellas a continuación) y las convertimos en limitaciones matemáticas de optimización
3. Comenzamos la optimización de acuerdo con el KPI dado (margen, ingresos, unidades) y obtenemos los precios óptimos

No parece muy difícil, pero aquí comienzan los detalles.

Para simplificar, considere el proceso de optimización de precios desde el final. Si se cumplen los dos primeros puntos (es decir, se crean modelos de demanda y se formalizan las reglas de fijación de precios), entonces el tercero es un paso puramente técnico (por supuesto, si sabe qué KPI necesita optimizar). Se han inventado métodos de optimización para muchas tareas diferentes . Al final, puedes simplemente repasar la tabla de precios y encontrar el mejor, aunque este no es el enfoque del verdadero Jedi.

El segundo punto es una tarea separada y muy difícil de recopilar reglas para automatizar los precios. No hay muchos analistas matemáticos, pero el principal problema es formalizar y acordar las reglas que están en la mente de varias docenas de Nikolaev Sergeyevichs. Afortunadamente, hay un conjunto de plantillas de reglas más o menos bien establecido desde el que puede comenzar:

• Margen no inferior / no superior a N [%] o N [rublos]
• Cambio en el precio no más de N [%] o N [rublos]
• El precio dentro del grupo de precios es el mismo.
• El precio dentro de la línea de productos es el mismo.
• El precio unitario es más barato para artículos más grandes.
• El precio no puede ser más bajo / más alto que N [%], en relación con los competidores
• STM es más barato que la marca en N [%]
• Formato de precio ##. 00, # 9.95 (sí, tales precios siguen siendo muy aficionados, y no solo en Rusia)

Bueno, aquí está el primer punto más interesante: construir un modelo de demanda del consumidor

Tipo de modelo y datos

El modelo debe construirse teniendo en cuenta que se utilizará para una mayor optimización. Es decir los aumentos de árboles son buenos cuando tiene una pequeña cantidad de pares de "producto / tienda", pero intente optimizar aumentando 10,000,000 pares de "producto / tienda" para una ventana nocturna de 5 horas (además, ¿ha visto cómo los conjuntos de árboles representan los precios?).

En esta área, los modelos lineales aún gobiernan. Como muestra la práctica, un modelo lineal bien ajustado no es inferior en precisión al impulso de la "fecha" promedio satanista Científico. Pero incluso si la regresión lineal es ligeramente inferior a otro modelo, no da tanto miedo, porque La tarea final es determinar el mejor precio y no el pronóstico más preciso.

Nuestra tarea es obtener modelos (o un modelo) que predigan la demanda de cada producto en cada tienda. Los datos típicos que se necesitan para esto son el historial de ventas, el historial residual, el historial de precios, el historial promocional. Opcionalmente, puede agregar otros datos, como precios de la competencia, clima, datos de lealtad o datos de transacciones. En este caso, generalmente en buenas condiciones solo hay un historial de ventas. Las sobras pueden saltar debido a cancelaciones, robos y solo problemas que se tienen en cuenta (a menudo hay casos en los que puede haber -0.4 latas de guisantes verdes en las sobras, así que piense qué significa eso). La historia de los precios y las promociones es una historia completamente diferente: son difíciles de encontrar en las profundidades de ERP (y a veces simplemente no están allí). Por supuesto, es posible restaurar los precios de las ventas, pero esto afectará la calidad de la simulación y, por supuesto, no para mejor.

Pequeño tema

A menudo es difícil explicar que los análisis generalmente pueden ayudar en la fijación de precios. Aquí hay dos casos típicos:

Caso 1. El color azul muestra las ventas en [unidades] a tiempo, rojo - precio. Aquí el cliente nos muestra este gráfico y dice: no tenemos una dependencia clásica del precio, porque el precio está creciendo y la demanda está creciendo, el precio está cayendo y la demanda está cayendo. Al final del artículo, quedará claro qué hacer en este caso (y no, este no es el producto de Giffen ).

Aquí, además del precio, se deben tener en cuenta factores adicionales. Estos factores pueden incluir (pero no están limitados a):

• Precios propios y precios de la competencia
• Eventos promocionales
• Vacaciones
• Estacionalidad
• Tendencias
• Ciclo de vida del producto
• Inventario

La tarea que estamos resolviendo es comprender cómo los cambios de precios afectan la demanda con otros factores conocidos.

Caso 2. El gráfico muestra la venta de bienes a lo largo del tiempo. Es difícil encontrar una dependencia del precio si los productos se venden uno a la vez por semana.

La respuesta se encuentra en la superficie: es necesario agregar datos para obtener una señal útil.
Examinemos ahora en detalle ambos casos.

Factoring y Agregación

Para que el modelo pueda tener en cuenta factores externos y optimizarse en un tiempo razonable, usemos la regresión lineal. No se ha escrito ninguna disertación sobre el tema "qué modelo es el mejor para usar", pero en la práctica dos modelos muy simples del siguiente tipo han demostrado su eficacia:

$$

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

$$

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

Avancemos y usémoslos.

Con la falta de datos, es lógico utilizar la agregación. Al mismo tiempo, por agregación podemos entender los siguientes pasos:

• Agrupación vertical de información (agrupación vertical de información): agregación en el sentido clásico, por ejemplo, para observar las ventas de bienes a nivel de la ciudad, en lugar de una tienda en particular.
• Agrupación de información horizontal: el uso de modelos econométricos con efectos fijos , aleatorios y mixtos utilizando datos de panel.

Después de haber decidido el modelo de pronóstico y el método de agregación, podemos proceder a la descomposición de la demanda , es decir evaluar los coeficientes de regresión en el nivel más apropiado de la jerarquía geográfica de productos básicos. Al mismo tiempo, creemos que todos los niveles inferiores en la jerarquía heredan dependencias obtenidas en niveles superiores. A menudo tiene que volver a la etapa de elegir un modelo y método de agregación y probar varias opciones de descomposición.

La descomposición de la demanda consta de los siguientes pasos:

1. En los niveles superiores de la jerarquía geográfica de productos básicos, evaluamos componentes estacionales, cíclicos y de tendencia utilizando métodos de series de tiempo.
2. En niveles intermedios, restamos la estacionalidad obtenida, construimos el modelo de regresión mismo del que hablamos anteriormente, evaluamos la influencia de factores externos.
3. En los niveles inferiores, restamos la estacionalidad y la influencia de los factores. Como resultado, tenemos restos inexplicables. Los llamamos tendencias locales y nuevamente predecimos las series de tiempo.

El resultado de la descomposición de la demanda es su propio modelo de pronóstico para cada par de "bienes-tienda".

Parece que todos los problemas se han resuelto, para cada par de "tienda de bienes" que han construido su propio modelo lineal, queda por imponer restricciones y enviar todo al optimizador. De hecho, la principal dificultad en la descomposición de la demanda es construir la jerarquía correcta y determinar los niveles óptimos de construcción de regresión. Para hacer esto, necesitamos construir productos adecuados y jerarquías geográficas. A menudo, las jerarquías de la empresa son más adecuadas para las tareas de gestión (por ejemplo, una jerarquía financiera o una jerarquía vinculada a proveedores, etc.). Son poco adecuados para la tarea de modelar la demanda, por lo que debe construir su jerarquía de clases.

Para construir una jerarquía de productos, debe estudiar cómo el comprador decide comprar bienes. Y haciéndonos esta pregunta, llegamos a un nuevo concepto: el Árbol de decisión del cliente (CDT) . Muestra qué atributos del producto son importantes para el comprador y en qué orden deben ubicarse.

En la mayoría de los casos, un CDT se construye sobre la base de los atributos del producto. Cuanto más bajo es el nivel de CDT, más fuertes se reemplazan los productos entre sí. Los gerentes de categoría pueden ser de gran ayuda para crear un CDT, ya que entender bien sus categorías. Hay formas analíticas para construir un CDT, por ejemplo, analizando un gráfico de transacciones. La descripción de tales métodos es un artículo separado.

Construir una jerarquía geográfica suele ser una tarea más simple. La agrupación puede ayudar aquí por estructura de estacionalidad, estructura de ventas de categoría y movimientos de clientes.

Un caso interesante fue en un minorista de alimentos: la estructura de la demanda variaba mucho dependiendo del lado de las carreteras principales donde se ubicaban las tiendas, a la región donde llevaban más vodka, cerveza y cigarrillos, al centro, más productos de limpieza, yogures infantiles y alimentos para animales. - Era un patrón de consumo estable.

Habiendo construido por separado el CDT y la jerarquía geográfica, los combinamos en uno geográfico básico. Por lo tanto, hemos construido una nueva jerarquía que es excelente para modelar la demanda.

Cual es el resultado

Como resultado, creamos una nueva jerarquía que es adecuada para el modelado de la demanda, y también obtuvimos una secuencia de acciones que deben hacerse para construir los modelos de demanda para una mayor optimización. Aquí hay un breve resumen de los procedimientos de construcción de modelos:

• Evaluar la estacionalidad, tendencia, componentes cíclicos.
  
  • Agregamos los datos al nivel de la jerarquía geográfica de productos básicos, en el que evaluamos la estacionalidad, la tendencia y los componentes cíclicos.
  • Todos los niveles de jerarquía a continuación heredan los valores obtenidos.
• Agregamos los datos al nivel en el que evaluaremos la influencia de factores externos.
• Resta estacionalidad y tendencia
• Evaluamos la influencia de factores externos.
  
  • Todos los niveles de jerarquía a continuación heredan una estimación calculada del impacto de factores externos.
• Reste los valores estacionales obtenidos y evalúe la influencia de factores externos en el nivel más detallado: producto / tienda
• Los residuos se suavizan y predicen por métodos simples. Restauramos la estacionalidad, las vacaciones, la influencia de las promociones y los precios.

Como resultado, para cada producto en cada tienda tenemos nuestra propia fórmula:

$$

$$Ventas = f (Precio, Promo, Mares, Vacaciones, Inventario, Ciclo, ...)$$

Las personas de negocios preguntarán de inmediato, pero ¿cómo se tiene en cuenta la influencia mutua de los bienes entre sí? Se puede tener en cuenta en la etapa de modelado de varias maneras, pero aquí hay dos de los más populares:

• Método directo: tenemos en cuenta los precios de los bienes que tienen la mayor influencia entre sí en la fórmula de la demanda:

  
  

  $$

  $$Ventas = f (Precio, Precio_I, Precio_K, ...)$$
  
  

• Modelado de la participación de ventas: predecimos las ventas del grupo y la participación de cada producto dentro del grupo:

  
  

  $$

  $$Group \ _sales = f (Promedio \ _precio, Promo_I, Promo_K, ...)$$
  
  

  $$

  $$Item \ _share_I = f (Precio_I, Promo_I, Precio_K, Promo_K, ...)$$
  
  

A continuación, enviamos las fórmulas para cada par de "bienes-tienda" al optimizador y obtenemos los precios óptimos en la salida.

¿Pero qué hay de ese ejemplo?

Sí, a primera vista, la dependencia de la demanda de los precios está realmente ausente, establezca el precio máximo y disfrute.
Pero habiendo construido una nueva jerarquía para el pronóstico, habiendo calculado la estacionalidad en un nivel superior, la restamos al nivel de los bienes.

Dependencia típica de la demanda en el precio (cuanto mayor es el precio, menor es la demanda). Es decir En este caso, la influencia de la estacionalidad es claramente visible, teniendo en cuenta que es inmediatamente obvio que el producto es bastante elástico.

Conclusión

Optimizar los precios no solo es beneficioso para la empresa (un pequeño porcentaje del margen aún no ha molestado a nadie), sino que también es interesante. Hay regresiones, y optimización, y análisis de gráficos, y todo esto en una gran envoltura de fechas: hay espacio para que el alma del analista cambie. Pero no olvide que el modelado de la demanda y la optimización de precios son solo una pequeña parte del proceso de fijación de precios de las grandes empresas y, aparte del resto, son de poca utilidad.

Optimice los procesos, optimice los precios, optimice el almacenamiento de datos (después de todo, Garbage In - Garbage Out) y obtenga excelentes resultados.