Pengoptimalan harga eceran offline

Artikel ini membuka siklus ritel. Gagasan menggunakan analytics dalam ritel dapat digambarkan sebagai lingkaran pemasaran:

Ide dasar, pada pandangan pertama, dari gambaran yang tidak berguna, adalah untuk menunjukkan bahwa analisis memungkinkan Anda untuk memprediksi konsekuensi dari pengambilan keputusan bisnis tertentu berdasarkan perubahan permintaan pelanggan berikutnya. Dan semakin baik kita memahami permintaan, mengumpulkan informasi dari saluran yang berbeda, semakin baik kita memprediksi hasilnya. Singkatnya, gambaran dunia yang ideal, dan semua orang pergi dengan caranya sendiri ke dunia ini.

Hari ini kita akan berbicara tentang analisis penetapan harga di ritel offline.

Pendahuluan

Wiki memberikan definisi harga yang ringkas. Dari sudut pandang perusahaan, penetapan harga adalah alat lain yang memungkinkan Anda untuk mengelola permintaan barang / jasa dan, karenanya, KPI perusahaan. Mengapa tidak memanfaatkan kemajuan dalam digitalisasi dan ilmu data untuk membantu perusahaan menetapkan harga lebih efisien.
Harga eceran barang yang umum adalah sebagai berikut:

• Produk yang harganya terbatas karena peraturan pemerintah: tembakau, beberapa obat-obatan. Dalam hal ini, mereka biasanya tidak repot dan menetapkan harga maksimum yang diizinkan
• Indikator produk untuk pembeli. Mereka diberi harga ketat dari pesaing berdasarkan aturan seperti "harga kami = harga pesaing - 2%" (KVI, harga pertama, lokomotif, dll.)
• Barang-barang yang tersisa ( keranjang belakang ), yang masing-masing harga sesuai kemampuan terbaik mereka. Ini tentang mereka hari ini bahwa kita akan berbicara tentang cara menetapkan harga barang-barang ini dengan cara terbaik. Dari jumlah tersebut, rata-rata, sekitar setengah dari pendapatan tetap

Langsung ke intinya

Secara singkat, seluruh proses optimasi harga dapat dijelaskan dalam langkah-langkah berikut:

1. Membangun model permintaan konsumen pada data historis
2. Kami mengumpulkan aturan penetapan harga bisnis (lebih banyak tentangnya di bawah) dan mengubahnya menjadi batasan matematis pengoptimalan
3. Kami memulai pengoptimalan sesuai dengan KPI yang diberikan (margin, pendapatan, unit) dan mendapatkan harga yang optimal

Kelihatannya tidak terlalu sulit, tetapi di sini detailnya dimulai.

Untuk mempermudah, pertimbangkan proses optimasi harga dari akhir. Jika dua poin pertama terpenuhi (yaitu, model permintaan dibuat dan aturan penetapan harga diformalkan), maka yang ketiga adalah langkah murni teknis (tentu saja, jika Anda tahu KPI mana yang perlu Anda optimalkan). Metode optimasi telah ditemukan untuk berbagai tugas . Pada akhirnya, Anda bisa memeriksa kisi-kisi harga dan menemukan yang terbaik, meskipun ini bukan pendekatan Jedi yang sebenarnya.

Poin kedua adalah tugas yang terpisah dan sangat sulit untuk mengumpulkan aturan untuk mengotomatisasi penetapan harga. Tidak banyak analis matematika, tetapi masalah utamanya adalah memformalkan dan menyetujui aturan yang ada di benak beberapa lusin Nikolaev Sergeyevichs. Untungnya, ada satu set templat aturan yang kurang lebih mapan yang dapat Anda mulai:

• Margin tidak lebih rendah / tidak lebih tinggi dari N [%] atau N [rubel]
• Perubahan harga tidak lebih dari N [%] atau N [rubel]
• Harga dalam cluster harga adalah sama
• Harga di dalam lini produk adalah sama
• Harga Satuan lebih murah untuk barang yang lebih besar.
• Harga tidak boleh lebih rendah / lebih tinggi dari N [%], relatif terhadap pesaing
• STM lebih murah daripada merek dengan N [%]
• Format harga ##. 00, # 9.95 (ya, harga seperti itu masih sangat disukai, dan tidak hanya di Rusia)

Nah, inilah poin pertama yang paling menarik - membangun model permintaan konsumen

Jenis Model dan Data

Model harus dibangun dengan mempertimbangkan bahwa itu akan digunakan untuk optimasi lebih lanjut. Yaitu peningkatan pohon bagus ketika Anda memiliki sedikit pasangan "produk / toko", tetapi cobalah untuk mengoptimalkan dengan meningkatkan 10.000.000 pasangan "produk / toko" untuk jendela malam 5 jam (selain itu, apakah Anda telah melihat bagaimana ansambel pohon memperhitungkan harga?).

Di bidang ini model linier masih berkuasa. Seperti yang diperlihatkan oleh praktik, model linier yang disetel dengan baik tidak kalah dalam keakuratannya dengan peningkatan "tanggal" rata-rata pemuja setan Ilmuwan. " Tetapi bahkan jika regresi linier sedikit lebih rendah daripada model lain, itu tidak begitu menakutkan, karena tugas akhir adalah menentukan harga terbaik, dan bukan perkiraan yang paling akurat.

Tugas kami adalah untuk mendapatkan model (atau model) yang akan memprediksi permintaan untuk setiap produk di setiap toko. Data khas yang diperlukan untuk ini adalah riwayat penjualan, riwayat residual, riwayat harga, riwayat promosi. Secara opsional, Anda dapat menambahkan data lain seperti harga pesaing, cuaca, data loyalitas atau data transaksi. Dalam hal ini, biasanya dalam kondisi baik hanya ada riwayat penjualan. Sisa-sisa makanan bisa melonjak karena penghapusan, pencurian, dan hanya masalah yang harus diperhitungkan (sering ada kasus ketika ada -0,4 kaleng kacang polong hijau di sisa makanan, jadi pikirkan apa artinya). Sejarah harga dan promosi adalah cerita yang berbeda sama sekali - mereka sulit ditemukan di kedalaman ERP (dan kadang-kadang mereka tidak ada di sana). Tentu saja, adalah mungkin untuk mengembalikan harga dari penjualan, tetapi karenanya akan mempengaruhi kualitas simulasi dan, tentu saja, tidak menjadi lebih baik.

Offtopic kecil

Seringkali sulit untuk menjelaskan bahwa analisis umumnya dapat membantu dalam penetapan harga. Berikut adalah dua kasus umum:

Kasus 1. Warna biru menunjukkan penjualan dalam [unit] tepat waktu, harga merah. Di sini pelanggan menunjukkan kepada kita grafik ini dan berkata: kita tidak memiliki ketergantungan klasik pada harga, karena harga tumbuh dan permintaan tumbuh, harga turun dan permintaan turun. Pada akhir artikel, akan menjadi jelas apa yang harus dilakukan dalam kasus ini (dan tidak - ini bukan produk Giffen ).

Di sini, selain harga, faktor tambahan harus diperhitungkan. Faktor-faktor ini mungkin termasuk (tetapi tidak terbatas pada):

• Harga sendiri dan harga pesaing
• Acara Promosi
• Liburan
• Musiman
• Tren
• Siklus Hidup Produk
• Persediaan

Tugas yang kami selesaikan adalah memahami bagaimana perubahan harga mempengaruhi permintaan dengan faktor-faktor lain yang diketahui.

Kasus 2. Grafik menunjukkan penjualan barang dari waktu ke waktu. Sulit untuk menemukan ketergantungan pada harga jika barang dijual satu per satu per minggu.

Jawabannya ada di permukaan - perlu mengumpulkan data untuk mendapatkan sinyal yang bermanfaat.
Mari kita teliti kedua kasus ini secara terperinci.

Anjak piutang dan Agregasi

Agar model dapat memperhitungkan faktor eksternal dan dioptimalkan dalam waktu yang wajar, mari gunakan regresi linier. Tidak ada disertasi yang ditulis pada topik “model mana yang terbaik untuk digunakan,” tetapi dalam praktiknya dua model yang sangat sederhana dari tipe berikut telah membuktikan diri dengan baik:

$$

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

$$

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

Mari kita lanjutkan dan menggunakannya.

Dengan kurangnya data, logis untuk menggunakan agregasi. Pada saat yang sama, secara agregasi kita dapat memahami langkah-langkah berikut:

• Pengumpulan informasi secara vertikal (pengoleksian informasi vertikal) - agregasi dalam pengertian klasik, misalnya, untuk mengawasi penjualan barang di tingkat kota, daripada toko tertentu.
• Pengumpulan informasi horisontal - penggunaan model ekonometrik dengan efek tetap , acak dan campuran menggunakan data panel.

Setelah kami memutuskan model peramalan dan metode agregasi, kami dapat melanjutkan ke dekomposisi permintaan - yaitu. mengevaluasi koefisien regresi pada tingkat hirarki komoditas-geografis yang paling tepat. Pada saat yang sama, kami percaya bahwa semua level yang lebih rendah dalam hierarki mewarisi dependensi yang diperoleh pada level yang lebih tinggi. Seringkali Anda harus kembali ke tahap memilih model dan metode agregasi dan mencoba beberapa opsi untuk dekomposisi.

Dekomposisi permintaan terdiri dari langkah-langkah berikut:

1. Di tingkat atas hirarki komoditas-geografis, kami mengevaluasi komponen musiman, siklus, dan tren menggunakan metode deret waktu.
2. Pada tingkat menengah, kita mengurangi musiman yang diperoleh, membangun model regresi yang kita bicarakan di atas - mengevaluasi pengaruh faktor-faktor eksternal.
3. Pada level yang lebih rendah, kami mengurangi musiman dan pengaruh faktor. Akibatnya, kami memiliki sisa makanan yang tidak dapat dijelaskan. Kami menyebutnya tren lokal dan kembali memprediksi deret waktu.

Hasil dekomposisi permintaan adalah model peramalan sendiri untuk setiap pasangan “toko barang”.

Tampaknya semua masalah telah diselesaikan, untuk setiap pasangan "toko barang" yang mereka bangun dengan model linier mereka sendiri, mereka tetap memberlakukan batasan dan mengirim semuanya ke pengoptimal. Faktanya, kesulitan utama dalam dekomposisi permintaan adalah membangun hierarki yang benar dan menentukan tingkat optimal dari konstruksi regresi. Untuk melakukan ini, kita perlu membangun hirarki produk dan geografis yang sesuai. Seringkali, hierarki perusahaan lebih cocok untuk tugas-tugas manajemen (misalnya, hierarki keuangan atau hierarki yang terkait dengan pemasok, dll.). Mereka tidak cocok untuk tugas pemodelan permintaan, jadi Anda perlu membangun hierarki kelas Anda.

Untuk membangun hierarki produk, Anda perlu mempelajari bagaimana pembeli memutuskan untuk membeli barang. Dan menanyakan pertanyaan ini kepada diri kita sendiri, kita sampai pada konsep baru - Pohon Keputusan Pelanggan (CDT) . Ini menunjukkan atribut produk mana yang penting bagi pembeli, dan dalam urutan apa mereka harus ditempatkan.

Dalam kebanyakan kasus, CDT dibangun berdasarkan atribut produk. Semakin rendah level CDT, semakin kuat produk saling menggantikan. Manajer kategori dapat sangat membantu dalam membangun CDT memahami kategori mereka dengan baik. Ada cara analitik untuk membangun CDT, misalnya, menganalisis grafik transaksi. Deskripsi metode tersebut adalah artikel terpisah.

Membangun hierarki geografis biasanya merupakan tugas yang lebih sederhana. Clustering dapat membantu di sini berdasarkan struktur musiman, struktur kategori penjualan, dan pergerakan pelanggan.

Ada satu kasus menarik dalam satu pengecer makanan: struktur permintaan sangat bervariasi tergantung pada sisi jalan utama mana toko-toko itu berada - ke daerah mereka mengambil lebih banyak vodka, bir dan rokok, ke pusat - lebih banyak produk pembersih, yoghurt anak-anak dan pakan ternak - Itu adalah pola konsumsi yang stabil.

Setelah membangun secara terpisah CDT dan hirarki geografis, kami menggabungkannya menjadi komoditas-geografis. Dengan demikian, kami telah membangun hierarki baru yang bagus untuk pemodelan permintaan.

Apa hasilnya

Sebagai hasilnya, kami membangun hierarki baru yang cocok untuk pemodelan permintaan, dan juga mendapatkan serangkaian tindakan yang perlu dilakukan untuk membangun model permintaan itu sendiri untuk optimasi lebih lanjut. Berikut ini ringkasan singkat prosedur pembuatan model:

• Mengevaluasi komponen musiman, tren, dan siklus
  
  • Kami mengumpulkan data ke tingkat hirarki komoditas-geografis, di mana kami mengevaluasi komponen musiman, tren, dan siklus.
  • Semua level hierarki di bawah mewarisi nilai yang diperoleh.
• Kami mengumpulkan data ke tingkat di mana kami akan mengevaluasi pengaruh faktor-faktor eksternal
• Kurangi musim dan tren
• Kami mengevaluasi pengaruh faktor eksternal
  
  • Semua level hierarki di bawah mewarisi estimasi yang dihitung dari dampak faktor eksternal
• Kurangi nilai musiman yang diperoleh dan nilai pengaruh faktor-faktor eksternal pada tingkat yang paling rinci - produk / toko
• Residu dihaluskan dan diprediksi dengan metode sederhana. Kami mengembalikan musiman, liburan, pengaruh promo dan harga.

Akibatnya, untuk setiap produk di setiap toko kami mendapat formula kami sendiri:

$$

$$Penjualan = f (Harga, Promo, Laut, Hari Libur, Inventaris, Lcycle, ...)$$

Orang-orang dari bisnis akan segera bertanya, tetapi bagaimana pengaruh timbal balik barang satu sama lain diperhitungkan? Ini dapat diperhitungkan pada tahap pemodelan dengan beberapa cara, tetapi di sini ada dua yang paling populer:

• Metode langsung - kami memperhitungkan harga barang yang memiliki pengaruh terbesar satu sama lain dalam formula permintaan:

  
  

  $$

  $$Penjualan = f (Harga, Harga_I, Harga_K, ...)$$
  
  

• Memodelkan pangsa penjualan - kami memperkirakan penjualan grup dan pangsa setiap produk dalam grup:

  
  

  $$

  $$Grup \ _penjualan = f (Rata-rata \ _harga, Promo_I, Promo_K, ...)$$
  
  

  $$

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

Selanjutnya, kami mengirim formula untuk setiap pasangan "toko barang" ke pengoptimal dan mendapatkan harga optimal pada output.

Tapi bagaimana dengan contoh itu?

Ya, pada pandangan pertama, ketergantungan permintaan pada harga benar-benar tidak ada, tetapkan harga maksimum dan bergembiralah.
Tetapi setelah membangun hierarki baru untuk perkiraan, setelah menghitung musiman pada tingkat yang lebih tinggi, kami menguranginya di tingkat barang.

Ketergantungan khusus pada permintaan terhadap harga (semakin tinggi harga, semakin sedikit permintaan). Yaitu dalam hal ini, pengaruh musiman jelas terlihat, dengan mempertimbangkan yang segera jelas bahwa produk tersebut cukup elastis.

Kesimpulan

Mengoptimalkan harga tidak hanya bermanfaat bagi perusahaan (beberapa persen dari margin belum mengganggu siapa pun), tetapi juga menarik. Ada regresi, dan optimasi, dan analisis grafik, dan semua ini dalam pembungkus tanggal besar - ada ruang bagi jiwa analis untuk berbalik. Tetapi jangan lupa bahwa pemodelan permintaan dan optimalisasi harga hanyalah sebagian kecil dari proses penetapan harga bisnis besar dan, selain dari itu, tidak banyak gunanya.

Optimalkan proses, optimalkan harga, optimalkan penyimpanan data (setelah semua, Garbage In-Garbage Out) dan dapatkan hasil yang keren.