🤚 🚁 🎞️ ऑफ़लाइन खुदरा मूल्य अनुकूलन 🎸 🛸 ♊️

यह लेख खुदरा चक्र खोलता है। रिटेल में एनालिटिक्स का उपयोग करने के विचार को इस तरह के मार्केटिंग सर्कल के रूप में चित्रित किया जा सकता है:

मुख्य विचार, पहली नज़र में, एक बेकार तस्वीर है, यह दिखाने के लिए कि एनालिटिक्स आपको ग्राहक की मांग में बाद के बदलाव के आधार पर कुछ व्यावसायिक निर्णय लेने के परिणामों की भविष्यवाणी करने की अनुमति देता है। और बेहतर है कि हम विभिन्न चैनलों से मांग, जानकारी एकत्र करते हुए बेहतर समझें, हम परिणाम की भविष्यवाणी करेंगे। संक्षेप में, एक आदर्श दुनिया की एक तस्वीर, और हर कोई इस दुनिया में अपना रास्ता बनाता है।

आज हम ऑफलाइन रिटेल में प्राइसिंग एनालिटिक्स के बारे में बात करेंगे।

परिचय

विकी मूल्य निर्धारण की संक्षिप्त परिभाषा देता है। कंपनी के दृष्टिकोण से, मूल्य निर्धारण एक और उपकरण है जो आपको माल / सेवाओं की मांग का प्रबंधन करने की अनुमति देता है और, तदनुसार, कंपनी के KPI। कंपनियों को अधिक कुशलता से कीमतें तय करने में मदद करने के लिए डिजिटलाइजेशन और डेटा साइंस में प्रगति का लाभ क्यों नहीं उठाया गया।
सामानों का विशिष्ट खुदरा मूल्य निर्धारण इस प्रकार है:

उत्पाद जिनके लिए मूल्य सरकारी विनियमन के कारण सीमित है: तंबाकू, कुछ दवाएं। इस स्थिति में, वे आम तौर पर परेशान नहीं होते हैं और अधिकतम अनुमत मूल्य निर्धारित करते हैं
खरीदार के लिए संकेतक उत्पाद। वे "हमारी कीमत = प्रतियोगी की कीमत - 2%" (केवीआई, पहली कीमत, लोकोमोटिव, आदि) जैसे नियमों के आधार पर प्रतियोगियों से कड़ाई से कीमत लेते हैं।
शेष सामान ( बैक बास्केट ), जो प्रत्येक को उनकी क्षमताओं का सर्वश्रेष्ठ मूल्य निर्धारण करता है। यह आज उनके बारे में है कि हम इस बारे में बात करेंगे कि इन सामानों की कीमत को सबसे अच्छे तरीके से कैसे निर्धारित किया जाए। इनमें से, औसतन लगभग आधा राजस्व रहता है

बिंदु पर पहुंचें

संक्षेप में, मूल्य अनुकूलन की पूरी प्रक्रिया को निम्नलिखित चरणों में वर्णित किया जा सकता है:

ऐतिहासिक डेटा पर उपभोक्ता मांग का एक मॉडल का निर्माण
हम व्यावसायिक मूल्य निर्धारण नियम (उनके बारे में अधिक जानकारी) एकत्र करते हैं और उन्हें अनुकूलन की गणितीय सीमाओं में बदलते हैं
हम दिए गए KPI (मार्जिन, राजस्व, इकाइयों) के अनुसार अनुकूलन शुरू करते हैं और इष्टतम मूल्य प्राप्त करते हैं

यह बहुत मुश्किल नहीं लगता है, लेकिन यहाँ विवरण शुरू होता है।

सादगी के लिए, अंत से मूल्य अनुकूलन की प्रक्रिया पर विचार करें। यदि पहले दो अंक पूरे होते हैं (यानी, डिमांड मॉडल बनाए जाते हैं और मूल्य निर्धारण नियम औपचारिक हो जाते हैं), तो तीसरा एक विशुद्ध रूप से तकनीकी कदम है (निश्चित रूप से, यदि आप जानते हैं कि आपको कौन सा केपीआई को अनुकूलित करने की आवश्यकता है)। कई अलग-अलग कार्यों के लिए अनुकूलन विधियों का आविष्कार किया गया है । अंत में, आप बस मूल्य ग्रिड पर जा सकते हैं और सबसे अच्छा पा सकते हैं, हालांकि यह असली जेडी का दृष्टिकोण नहीं है।

दूसरा बिंदु स्वचालित मूल्य निर्धारण के लिए नियम एकत्र करने का एक अलग और बहुत मुश्किल काम है। कई गणित विश्लेषक नहीं हैं, लेकिन मुख्य समस्या उन नियमों पर औपचारिकता और सहमति देना है जो कई दर्जन निकोलेव सर्गेयेविच के दिमाग में हैं। सौभाग्य से, नियम टेम्पलेट का अधिक या कम स्थापित सेट है, जहाँ से आप शुरू कर सकते हैं:

मार्जिन N [%] या N [रूबल] से कम / अधिक नहीं है
N [%] या N [रूबल] से अधिक मूल्य में परिवर्तन
मूल्य क्लस्टर के भीतर की कीमत समान है
उत्पाद लाइन के भीतर की कीमत समान है
बड़ी वस्तुओं के लिए यूनिट मूल्य सस्ता है।
प्रतिस्पर्धियों के सापेक्ष मूल्य N [%] से कम / अधिक नहीं हो सकता है
एसटीएम ब्रांड द्वारा एन [%] की तुलना में सस्ता है
मूल्य प्रारूप ##। 00, # 9.95 (हाँ, ऐसी कीमतें अभी भी बहुत पसंद हैं, और केवल रूस में नहीं)

खैर, यहां सबसे दिलचस्प पहला बिंदु है - उपभोक्ता मांग का एक मॉडल बनाना

मॉडल प्रकार और डेटा

मॉडल को ध्यान में रखते हुए बनाया जाना चाहिए कि इसका उपयोग आगे के अनुकूलन के लिए किया जाएगा। यानी जब आपके पास "उत्पाद / स्टोर" जोड़े की एक छोटी संख्या होती है, तो पेड़ के बूस्ट अच्छे होते हैं, लेकिन 5 घंटे की रात की खिड़की के लिए 10,000,000 "उत्पाद / स्टोर" जोड़े को बढ़ावा देकर अनुकूलित करने का प्रयास करें (इसके अलावा, क्या आपने देखा है कि पेड़ कैसे कीमतों के लिए खाता है?)

यहां बताया गया है कि पेड़ की टुकड़ियां किस प्रकार कीमतों को ध्यान में रखती हैं

मूल्य एक्स-एक्सिस पर दिखाया गया है, वाई-एक्सिस पर अनुमानित मांग
टाइम्स उदाहरण:

दो उदाहरण:

इस क्षेत्र में रैखिक मॉडल अभी भी शासन करते हैं। जैसा कि अभ्यास से पता चलता है, एक अच्छी तरह से तैयार रैखिक मॉडल औसत "तारीख" के बढ़ावा के लिए सटीकता में नीच नहीं है ~~satanist~~ वैज्ञानिक। ” लेकिन भले ही रैखिक प्रतिगमन दूसरे मॉडल से थोड़ा कम हो, लेकिन यह इतना डरावना नहीं है, क्योंकि अंतिम कार्य सर्वोत्तम मूल्य निर्धारित करना है, न कि सबसे सटीक पूर्वानुमान।

हमारा काम मॉडल (या एक मॉडल) प्राप्त करना है जो प्रत्येक स्टोर में प्रत्येक उत्पाद की मांग की भविष्यवाणी करेगा। इसके लिए आवश्यक विशिष्ट डेटा बिक्री इतिहास, अवशिष्ट इतिहास, मूल्य इतिहास, प्रचार इतिहास है। वैकल्पिक रूप से, आप प्रतिस्पर्धी मूल्य, मौसम, वफादारी डेटा या लेनदेन डेटा जैसे अन्य डेटा जोड़ सकते हैं। इस मामले में, आमतौर पर अच्छी स्थिति में केवल बिक्री का इतिहास होता है। राइट-ऑफ, चोरी और सिर्फ खाते में ले जाने की समस्या के कारण वामपंथी कूद सकते हैं (अक्सर ऐसे मामले होते हैं जब बाईं ओर हरे मटर के -0.4 डिब्बे हो सकते हैं, इसलिए सोचें कि इसका क्या मतलब है)। कीमतों और पदोन्नति का इतिहास पूरी तरह से एक अलग कहानी है - वे ईआरपी की गहराई में खोजना मुश्किल हैं (और कभी-कभी वे बस वहां नहीं होते हैं)। बेशक, बिक्री से कीमतों को बहाल करना संभव है, लेकिन यह तदनुसार सिमुलेशन की गुणवत्ता को प्रभावित करेगा और निश्चित रूप से, बेहतर के लिए नहीं।

छोटा मोटा

यह समझाना अक्सर मुश्किल होता है कि एनालिटिक्स आमतौर पर मूल्य निर्धारण में मदद कर सकता है। यहाँ दो विशिष्ट मामले हैं:

केस 1. नीला रंग समय, लाल - कीमत में [इकाइयों] में बिक्री दिखाता है। यहां ग्राहक हमें यह ग्राफ दिखाता है और कहता है: हमारे पास कीमत पर कोई शास्त्रीय निर्भरता नहीं है, क्योंकि कीमत बढ़ रही है और मांग बढ़ रही है, कीमत गिर रही है और मांग गिर रही है। लेख के अंत में, यह स्पष्ट हो जाएगा कि इस मामले में क्या करना है (और नहीं - यह गिफेन का उत्पाद नहीं है)।

यहां, कीमत के अलावा, अतिरिक्त कारकों को ध्यान में रखा जाना चाहिए। इन कारकों में शामिल हो सकते हैं (लेकिन इन तक सीमित नहीं हैं):

उसके बिना कैसा है :)

खुद की कीमतें और प्रतिस्पर्धी मूल्य
प्रचार कार्यक्रम
छुट्टियां
मौसम
प्रवृत्तियों
उत्पाद जीवन चक्र
माल

जिस कार्य को हम हल कर रहे हैं वह यह समझना है कि मूल्य परिवर्तन अन्य ज्ञात कारकों के साथ मांग को कैसे प्रभावित करते हैं।

केस 2. ग्राफ समय के साथ माल की बिक्री को दर्शाता है। यदि सामान प्रति सप्ताह एक बार बेचा जाता है, तो कीमत पर निर्भरता का पता लगाना मुश्किल है।

इसका उत्तर सतह पर है - एक उपयोगी संकेत प्राप्त करने के लिए डेटा को एकत्र करना आवश्यक है।
आइए अब हम इन दोनों मामलों की विस्तार से जाँच करते हैं।

फैक्टरिंग और एकत्रीकरण

ताकि मॉडल बाहरी कारकों को ध्यान में रख सके और उचित समय में अनुकूलित हो सके, चलो रैखिक प्रतिगमन का उपयोग करें। "किस मॉडल का उपयोग करना सबसे अच्छा है" इस विषय पर कोई शोध प्रबंध नहीं लिखा गया है, लेकिन व्यवहार में निम्न प्रकार के दो बहुत ही सरल मॉडल ने खुद को अच्छी तरह साबित किया है:

l o g (ब ि क ् र ी) = A l p h a + B e t a c d o t l o g (P r i c e_{t}) + G a m m a c d o t प ् र ो म ो_{t} + d e l t a c d o t H o l i d a y_{t} + l d o t s

$\ log (बिक्री) = \ Alpha + \ Beta \ cdot \ log (Price_t) + \ Gamma \ cdot प्रोमो_t + \ delta \ cdot Holiday_t + \ ldots$

l o g (ब ि क ् र ी) = A l p h a + B e t a c d o t P r i c e_{t} + G a m m a c d o t प ् र ो म ो - t + d e l t a c d o t H o l i d a y_{t} + l d o t s

$\ log (बिक्री) = \ Alpha + \ Beta \ cdot Price_t + \ Gamma \ cdot प्रोमो -t + \ delta \ cdot Holiday_t + \ ldots$

चलो आगे बढ़ो और उनका उपयोग करें।

डेटा की कमी के साथ, एकत्रीकरण का उपयोग करना तर्कसंगत है। उसी समय, एकत्रीकरण द्वारा हम निम्नलिखित चरणों को समझ सकते हैं:

सूचना का ऊर्ध्वाधर पूलिंग (ऊर्ध्वाधर सूचना पूलिंग) - शास्त्रीय अर्थ में एकत्रीकरण, उदाहरण के लिए, किसी विशेष स्टोर के बजाय शहर के स्तर पर माल की बिक्री को देखने के लिए।
क्षैतिज सूचना पूलिंग - पैनल डेटा का उपयोग करके फिक्स्ड , यादृच्छिक और मिश्रित प्रभावों के साथ अर्थमितीय मॉडल का उपयोग।

हम पूर्वानुमान मॉडल और एकत्रीकरण विधि पर फैसला करने के बाद, हम मांग के अपघटन के लिए आगे बढ़ सकते हैं - अर्थात। कमोडिटी-भौगोलिक पदानुक्रम के सबसे उपयुक्त स्तर पर प्रतिगमन गुणांक का मूल्यांकन करें। इसी समय, हम मानते हैं कि उच्च स्तर पर प्राप्त पदानुक्रम विरासत की निर्भरता में सभी स्तर कम हैं। अक्सर आपको एक मॉडल और एकत्रीकरण की विधि चुनने के चरण में वापस आना पड़ता है और अपघटन के लिए कई विकल्प आज़माते हैं।

मांग के अपघटन में निम्नलिखित चरण होते हैं:

कमोडिटी-भौगोलिक पदानुक्रम के ऊपरी स्तरों पर, हम समय-श्रृंखला विधियों का उपयोग करके मौसमी, चक्रीय और प्रवृत्ति घटकों का मूल्यांकन करते हैं।
मध्यवर्ती स्तरों पर हम प्राप्त मौसम को घटाते हैं, बहुत ही प्रतिगमन मॉडल बनाते हैं जिसके बारे में हमने ऊपर बात की थी - बाहरी कारकों के प्रभाव का मूल्यांकन करें।
निचले स्तरों पर, हम मौसमी और कारकों के प्रभाव को घटाते हैं। नतीजतन, हमारे पास अस्पष्टीकृत बचे हुए हैं। हम उन्हें स्थानीय रुझान कहते हैं और फिर से समय श्रृंखला की भविष्यवाणी करते हैं।

मांग के अपघटन का परिणाम "माल-दुकान" के प्रत्येक जोड़े के लिए अपना स्वयं का पूर्वानुमान मॉडल है।

ऐसा लगता है कि सभी समस्याओं का समाधान हो गया है, "माल-दुकान" के प्रत्येक जोड़े के लिए उन्होंने अपना स्वयं का रैखिक मॉडल बनाया है, यह प्रतिबंध लगाने और सब कुछ आशावादी को भेजने के लिए बना हुआ है। वास्तव में, मांग के अपघटन में मुख्य कठिनाई सही पदानुक्रम का निर्माण और प्रतिगमन निर्माण के इष्टतम स्तरों को निर्धारित करना है। ऐसा करने के लिए, हमें उपयुक्त उत्पाद और भौगोलिक पदानुक्रम बनाने की आवश्यकता है। अक्सर, कंपनी पदानुक्रम प्रबंधन कार्यों के लिए अधिक उपयुक्त होते हैं (उदाहरण के लिए, एक वित्तीय पदानुक्रम या आपूर्तिकर्ताओं, आदि से बंधा पदानुक्रम)। वे मॉडलिंग की मांग के कार्य के लिए खराब रूप से अनुकूल हैं, इसलिए आपको अपनी श्रेणी पदानुक्रम बनाने की आवश्यकता है।

उत्पाद पदानुक्रम का निर्माण करने के लिए, आपको यह अध्ययन करने की आवश्यकता है कि खरीदार सामान खरीदने का निर्णय कैसे लेता है। और अपने आप से यह सवाल पूछते हुए, हम एक नई अवधारणा पर आते हैं - ग्राहक निर्णय वृक्ष (सीडीटी) । यह दर्शाता है कि खरीदार के लिए कौन से उत्पाद विशेषता महत्वपूर्ण हैं, और उन्हें किस क्रम में स्थित होना चाहिए।

ज्यादातर मामलों में, उत्पाद विशेषताओं के आधार पर एक सीडीटी बनाया जाता है। सीडीटी स्तर जितना कम होता है, उतने ही मजबूत उत्पाद एक दूसरे को बदलते हैं। सीडीटी बनाने में श्रेणी प्रबंधकों को बहुत मदद मिल सकती है उनकी श्रेणियों को अच्छी तरह से समझें। सीडीटी बनाने के लिए विश्लेषणात्मक तरीके हैं, उदाहरण के लिए, लेनदेन ग्राफ का विश्लेषण। इस तरह के तरीकों का वर्णन एक अलग लेख है।

सीडिंग के लिए एक रिटेलर का उदाहरण लेनदेन ग्राफ

प्रत्येक बिंदु एक उत्पाद है,
किनारों का वजन लेनदेन की संख्या की विशेषता है जिसमें दोनों उत्पाद एक साथ थे

भौगोलिक पदानुक्रम का निर्माण आमतौर पर एक सरल कार्य है। क्लस्टरिंग मौसम की संरचना, श्रेणी की बिक्री संरचना और ग्राहक आंदोलनों द्वारा यहां मदद कर सकता है।

एक दिलचस्प मामला एक खाद्य रिटेलर में था: मांग की संरचना बहुत भिन्न थी कि दुकानों के प्रमुख सड़कों के किनारे किस आधार पर स्थित थे - इस क्षेत्र में वे अधिक वोदका, बीयर और सिगरेट ले गए थे, केंद्र में - अधिक सफाई उत्पाद, बच्चों के योगर्ट और पशु चारा - यह खपत का एक स्थिर पैटर्न था।

CDT और भौगोलिक पदानुक्रम को अलग-अलग बनाए जाने के बाद, हम उन्हें कमोडिटी-जियोग्राफिकल में संयोजित करते हैं। इस प्रकार, हमने एक नया पदानुक्रम बनाया है जो मॉडलिंग की मांग के लिए बहुत अच्छा है।

परिणाम क्या है?

नतीजतन, हमने एक नई पदानुक्रम का निर्माण किया जो मांग मॉडलिंग के लिए अच्छी तरह से अनुकूल है, और उन कार्यों का एक अनुक्रम भी मिला है जिन्हें आगे के अनुकूलन के लिए मांग मॉडल बनाने के लिए किए जाने की आवश्यकता है। यहाँ मॉडल निर्माण प्रक्रियाओं का एक संक्षिप्त सारांश दिया गया है:

मौसमी, प्रवृत्ति, चक्रीय घटकों का मूल्यांकन करें
- हम वस्तु-भौगोलिक पदानुक्रम के स्तर तक डेटा एकत्र करते हैं, जिस पर हम मौसमीता, प्रवृत्ति और चक्रवाती घटकों का मूल्यांकन करते हैं
- नीचे दिए गए सभी पदानुक्रम स्तर प्राप्त मानों को प्राप्त करते हैं।
हम डेटा को उस स्तर तक एकत्रित करते हैं जिस पर हम बाहरी कारकों के प्रभाव का मूल्यांकन करेंगे
मौसमी और प्रवृत्ति घटाना
हम बाहरी कारकों के प्रभाव का मूल्यांकन करते हैं
- बाहरी कारकों के प्रभाव की गणना के अनुमान के नीचे सभी पदानुक्रम स्तर विरासत में मिलते हैं
प्राप्त मौसमी मूल्यों को घटाएं और सबसे विस्तृत स्तर - उत्पाद / स्टोर पर बाहरी कारकों के प्रभाव का आकलन करें
अवशेषों को सरल तरीकों से चिकना और अनुमानित किया जाता है। हम सीज़न, छुट्टियों, प्रोमो और कीमतों के प्रभाव को बहाल करते हैं।

परिणामस्वरूप, प्रत्येक दुकान में प्रत्येक उत्पाद के लिए हमें अपना सूत्र मिल गया:

ब ि क ् र ी = f (म ू ल ् य, प ् र ो म ो, स म ु द ् र, अ व क ा श, स ू च ी, L c y c l e, . . .)

$बिक्री = f (मूल्य, प्रोमो, समुद्र, अवकाश, सूची, Lcycle, ...)$

व्यापार से लोग तुरंत पूछेंगे, लेकिन एक दूसरे पर ध्यान देने वाले सामानों का आपसी प्रभाव कैसा है? इसे मॉडलिंग के स्तर पर कई तरीकों से ध्यान में रखा जा सकता है, लेकिन यहां दो सबसे लोकप्रिय हैं:

प्रत्यक्ष विधि - हम उन वस्तुओं की कीमतों को ध्यान में रखते हैं जो मांग सूत्र में एक दूसरे पर सबसे अधिक प्रभाव डालती हैं:

$ब ि क ् र ी = f (म ू ल ् य, P r i c e_{I}, P r i c e_{K}, . . .)$
$बिक्री = f (मूल्य, Price_I, Price_K, ...)$
बिक्री का हिस्सा मॉडलिंग - हम समूह की बिक्री और समूह के भीतर प्रत्येक उत्पाद की हिस्सेदारी की भविष्यवाणी करते हैं:

$स म ू ह_{s} a l e s = f (औ स त_{p} r i c e, P r o m o_{I}, P r o m o_{K}, . . .)$
$समूह \ _sales = f (औसत \ _price, Promo_I, Promo_K, ...)$

$आ इ ट म_{s} h a r e_{I} = f (P r i c e_{I}, P r o m o_{I}, P r i c e_{K}, P r o m o_{K}, . . . $$
$आइटम \ _share_I = f (Price_I, Promo_I, Price_K, Promo_K, ... $$

अगला, हम ऑप्टिमाइज़र को "माल-दुकान" के प्रत्येक जोड़े के लिए सूत्र भेजते हैं और आउटपुट पर इष्टतम मूल्य प्राप्त करते हैं।

लेकिन उस उदाहरण का क्या?

हम पहले मामले से उदाहरण पर लौटते हैं

समय के साथ मांग (नीला) और कीमत (लाल)

कीमत (एक्स अक्ष) के आधार पर मांग (वाई अक्ष)

हां, पहली नज़र में, कीमतों पर मांग की निर्भरता वास्तव में अनुपस्थित है, अधिकतम मूल्य और आनन्द निर्धारित करें।
लेकिन पूर्वानुमान के लिए एक नया पदानुक्रम बनाया गया है, उच्च स्तर पर मौसमी गणना की गई है, हम इसे सामान के स्तर पर घटाते हैं।

निम्न चित्र प्राप्त करें

समय के साथ मौसम-समायोजित मांग (नीला) और कीमत (लाल)

मौसम के हिसाब से समायोजित (वाई अक्ष) बनाम मूल्य (एक्स अक्ष) की मांग

कीमत पर मांग की विशिष्ट निर्भरता (कीमत जितनी अधिक होगी, उतनी कम मांग)। यानी इस मामले में, मौसमी का प्रभाव स्पष्ट रूप से दिखाई देता है, यह ध्यान में रखते हुए कि यह तुरंत स्पष्ट है कि उत्पाद काफी लोचदार है।

निष्कर्ष

कीमतों का अनुकूलन न केवल कंपनी के लिए फायदेमंद है (मार्जिन का कुछ प्रतिशत अभी तक किसी को परेशान नहीं किया है), लेकिन यह भी दिलचस्प है। प्रतिगमन, और अनुकूलन, और ग्राफ विश्लेषण, और यह सब एक बड़ी तिथि आवरण में है - विश्लेषक की आत्मा के चारों ओर घूमने के लिए जगह है। लेकिन यह मत भूलो कि मांग मॉडलिंग और मूल्य अनुकूलन बड़े व्यापार मूल्य निर्धारण प्रक्रिया का सिर्फ एक छोटा सा हिस्सा है और बाकी के अलावा, बहुत कम उपयोग हैं।

प्रक्रियाओं का अनुकूलन, कीमतों का अनुकूलन, डेटा भंडारण का अनुकूलन (सब के बाद, कचरा में - कचरा बाहर) और शांत परिणाम प्राप्त करें।

ऑफ़लाइन खुदरा मूल्य अनुकूलन