Preisoptimierung im Offline-Handel

    Dieser Artikel öffnet den Einzelhandelszyklus. Die Idee der Verwendung von Analysen im Einzelhandel kann als ein solcher Marketingkreis dargestellt werden:



    Auf den ersten Blick ist das Hauptziel eines nutzlosen Bildes, zu zeigen, dass der Analyst Ihnen die Auswirkungen bestimmter Geschäftsentscheidungen auf Grundlage der sich ändernden Nachfrage der Konsumenten vorhersagen kann. Je besser wir die Nachfrage verstehen und Informationen aus verschiedenen Kanälen zusammenfassen, desto besser können wir das Ergebnis vorhersagen. Kurz gesagt, das Bild der idealen Welt und jeder geht auf seine eigene Weise in diese Welt.


    Heute werden wir über Preisanalyse im Offline-Handel sprechen.


    Einleitung


    Das Wiki bietet eine präzise Definition der Preisgestaltung . Aus der Sicht des Unternehmens ist die Preisbildung ein weiteres Instrument, mit dem Sie die Nachfrage nach Gütern / Dienstleistungen und entsprechend die KPIs des Unternehmens verwalten können. Nutzen Sie die Errungenschaften der Digitalisierung und Datenwissenschaft, um das Unternehmen dabei zu unterstützen, die Preise effizienter festzulegen.
    Typische Einzelhandelspreise lauten wie folgt:


    • Produkte, deren Preis aufgrund staatlicher Vorschriften begrenzt ist: Tabak, einige Drogen. In diesem Fall sollten Sie normalerweise den maximal zulässigen Preis nicht stören.
    • Warenkennzeichen für den Käufer. Sie werden von den Mitbewerbern aufgrund von Regeln wie "Unser Preis = Mitbewerberpreis - 2%" (KVI, Erstpreis, Lokomotiven usw.) streng festgelegt.
    • Der Rest der Ware ( hinterer Korb ), der jeweils nach seinen Fähigkeiten berechnet wird. Heute geht es darum, wie wir den Preis für diese Waren optimal einstellen können. Es bleibt im Durchschnitt etwa die Hälfte des Umsatzes.

    Näher am Punkt


    In Kürze kann der gesamte Prozess der Preisoptimierung in den folgenden Schritten beschrieben werden:


    1. Erstellen Sie ein Modell der Verbrauchernachfrage nach historischen Daten
    2. Wir sammeln Preisregeln aus dem Unternehmen (über sie unten) und setzen sie in mathematische Optimierungsbeschränkungen um
    3. Wir führen die Optimierung für einen bestimmten KPI (Marge, Umsatz, Einheiten) durch und erhalten die besten Preise.

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



    Betrachten Sie zur Vereinfachung den Prozess der Preisoptimierung vom Ende. Wenn die ersten beiden Elemente erfüllt sind (d. H. Nachfragemuster erstellt und Preisregeln formalisiert werden), handelt es sich bei dem dritten Schritt um einen rein technischen Schritt (natürlich wenn Sie wissen, welcher KPI optimiert werden sollte). Optimierungsmethoden haben viele für unterschiedliche Aufgaben erfunden . Am Ende können Sie einfach das Preisraster durchgehen und das beste finden, obwohl dies nicht der Ansatz eines echten Jedi ist.


    Der zweite Punkt ist eine separate und sehr schwierige Aufgabe, Regeln für die Automatisierung der Preisbildung zu sammeln. Es gibt nicht viele Analysen und Mathematik hier, aber das Hauptproblem besteht darin, die Regeln zu formalisieren und zu vereinbaren, die in den Köpfen mehrerer Dutzend Nikolaev Sergeyevich liegen. Glücklicherweise gibt es eine mehr oder weniger gut etablierte Reihe von Regelvorlagen, von denen aus Sie beginnen können:


    • Marge ist nicht niedriger / nicht höher als N [%] oder N [rub.]
    • Preisänderung nicht mehr als N [%] oder N [Rub.]
    • Der Preis innerhalb des Preisclusters ist gleich.
    • Der Preis innerhalb der Produktlinien ist gleich.
    • Der Preis pro Volumeneinheit ist für mehr Waren günstiger.
    • Der Preis kann im Vergleich zu Mitbewerbern nicht niedriger / höher als N [%] sein
    • STM ist billiger als die Marke um N [%]
    • Das Preisformat ist ##. 00, # 9.95 (ja, solche Preise sind immer noch sehr beliebt, und das nicht nur in Russland)

    Nun, das ist der interessanteste erste Punkt - ein Modell der Verbrauchernachfrage.


    Modelltyp und Daten


    Das Modell sollte auf der Tatsache basieren, dass es zur weiteren Optimierung verwendet wird. Ie Baum-Büsten sind gut, wenn Sie eine kleine Anzahl von „Produkt / Laden“ -Paaren haben, aber versuchen Sie die Optimierung, indem Sie 10.000.000 „Produkt / Geschäft“ -Paare für ein 5-Stunden-Nachtfenster aufbauen (haben Sie außerdem gesehen, wie Baumensembles die Preise berücksichtigen?).


    Hier finden Sie den Preis für Baumensembles.

    По оси X указана цена, по оси Y предсказанный спрос
    Раз пример:



    Два пример:



    In diesem Bereich werden immer noch lineare Modelle gesteuert . Wie die Praxis zeigt, ist ein gut abgestimmtes lineares Modell dem durchschnittlichen Anstieg des Datums nicht unterlegenSatanistsaentista Aber selbst wenn die lineare Regression leicht zu einem anderen Modell führt, ist es nicht so schlimm, weil Die letzte Aufgabe besteht darin, den besten Preis und nicht die genaueste Prognose zu ermitteln.


    Unsere Aufgabe ist es, Modelle (oder Modelle) zu erhalten, die die Nachfrage jedes Produkts in jedem Geschäft vorhersagen. Typische Daten, die dafür benötigt werden, sind eine Verkaufsgeschichte, eine Bilanz von Salden, eine Preisgeschichte, eine Promo-Geschichte. Optional können Sie weitere Daten hinzufügen, wie z. B. Mitbewerberpreise, Wetter, Loyalitätsdaten oder Transaktionsdaten. In diesem Fall befindet sich normalerweise in gutem Zustand nur eine Verkaufshistorie. Überreste können aufgrund von Abschreibungen, Diebstahl und nur Problemen, die berücksichtigt werden, sprunghaft sein (es gibt Fälle, in denen -0,4 Dosen grüne Erbsen auf den Waagen stehen, denken Sie also nach, was das bedeutet). Die Geschichte von Preisen und Promo ist im Allgemeinen eine separate Geschichte - in den Tiefen von ERP sind sie schwer zu finden (und manchmal sind sie einfach nicht da). Natürlich ist es möglich, Preise von den Verkäufen zurückzugewinnen. Dies hat jedoch einen angemessenen Einfluss auf die Qualität der Modellierung und natürlich nicht zum Besseren.


    Kleiner Offtop


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



    Fall 1. Blau zeigt den Umsatz in [Stück] rechtzeitig, Rotpreis. Hier zeigt uns der Kunde dieses Diagramm und sagt: Wir haben keine klassische Abhängigkeit vom Preis, denn der Preis steigt und die Nachfrage steigt, der Preis sinkt und die Nachfrage sinkt. Am Ende des Artikels wird klar, was in diesem Fall zu tun ist (und nein - dies ist kein Produkt von Giffen ).


    Hierbei müssen neben dem Preis zusätzliche Faktoren berücksichtigt werden. Solche Faktoren können (nicht beschränkt auf) sein:


    Wie kann es ohne ihn sein :)

    • Eigene Preise und Preise der Wettbewerber
    • Werbeveranstaltungen
    • Feiertage
    • Saisonalität
    • Trends
    • Produktlebenszyklus
    • Inventar

    Das Problem, das wir lösen, besteht darin, zu verstehen, wie die Preisänderung die Nachfrage mit anderen bekannten Faktoren beeinflusst.



    Fall 2. Die Grafik zeigt den rechtzeitigen Verkauf von Waren. Es ist schwierig, eine Abhängigkeit vom Preis zu finden, wenn die Ware ein Stück pro Woche verkauft wird.


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


    Faktoren und Aggregation


    Damit das Modell externe Faktoren berücksichtigen und in einer angemessenen Zeit optimieren kann, verwenden wir die lineare Regression . Zum Thema "welches Modell ist am besten zu verwenden" wurde keine einzige Dissertation geschrieben, aber in der Praxis erwiesen sich zwei sehr einfache Modelle der folgenden Form als bekannt:


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


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


    Lasst uns weitermachen und sie benutzen.


    Wenn Daten fehlen, ist es sinnvoll, die Aggregation zu verwenden. In diesem Fall können unter der Aggregation die folgenden Schritte verstanden werden:


    • Vertikales Informations-Pooling (vertikales Informations-Pooling) - Aggregation im klassischen Sinne, z. B. für den Verkauf von Waren auf Stadtebene und nicht für ein bestimmtes Geschäft.
    • Horizontales Informations-Pooling (horizontales Informations-Pooling) - Verwendung von ökonometrischen Modellen mit festen , zufälligen und gemischten Effekten unter Verwendung von Paneldaten.

    Sobald wir auf der Modellvorhersage und die Methode der Aggregation entschieden haben , können Sie fortfahren die Nachfrage Zersetzung - dh die Regressionskoeffizienten auf der am besten geeigneten Ebene der rohstoffgeographischen Hierarchie auswerten. Gleichzeitig glauben wir, dass alle Ebenen unterhalb der Hierarchie Abhängigkeiten erben, die auf höheren Ebenen erlangt werden. Häufig müssen Sie zur Auswahl eines Modells und einer Aggregationsmethode zurückkehren und verschiedene Optionen für die Zerlegung ausprobieren.


    Die Zerlegung der Nachfrage besteht aus den folgenden Schritten:


    1. Auf den oberen Ebenen der rohstoffgeographischen Hierarchie schätzen wir saisonale, zyklische und Trendkomponenten mithilfe von Zeitreihenmethoden.
    2. Bei durchschnittlichen Niveaus subtrahieren wir die erhaltene Saisonalität, bauen das oben erwähnte Regressionsmodell auf - wir schätzen den Einfluss externer Faktoren.
    3. Auf den unteren Ebenen subtrahieren wir die Saisonalität und den Einfluss von Faktoren. Als Ergebnis haben wir unerklärliche Rückstände. Wir nennen sie lokale Trends und prognostizieren erneut Zeitreihen.

    Das Ergebnis der Bedarfszerlegung ist ein eigenes Prognosemodell für jedes "Warenhaus".


    Es scheint, dass alle Probleme gelöst wurden. Für jedes Paar "Warenlager", für das sie ein lineares Modell bauten, müssen Beschränkungen auferlegt und alles an den Optimierer gesendet werden. Tatsächlich besteht die Hauptschwierigkeit der Zerlegung der Nachfrage darin, die richtige Hierarchie aufzubauen und die optimalen Werte für die Regressionskonstruktion zu bestimmen. Dafür müssen wir eine geeignete Produkt- und geographische Hierarchie aufbauen. Unternehmenshierarchien reagieren häufig auf mehr Managementaufgaben (z. B. Finanzhierarchie oder mit Lieferanten verknüpfte Hierarchie usw.). Sie sind für das Problem der Modellierungsnachfrage schlecht geeignet, daher müssen Sie Ihre Klassenhierarchie aufbauen.


    Um eine Produkthierarchie aufzubauen, muss untersucht werden, wie der Käufer die Kaufentscheidung trifft. Und wenn wir uns diese Frage stellen, kommen wir zu einem neuen Konzept - dem Customer Decision Tree (Customer Decision Tree, CDT) . Es zeigt, welche Güterattribute für den Käufer wichtig sind und in welcher Reihenfolge diese gefunden werden sollen.



    In den meisten Fällen basiert CDT auf den Eigenschaften der Ware. Je niedriger der CDT-Wert ist, desto stärker ersetzen sich die Waren. Category Manager können eine große Hilfe beim Aufbau eines CDT sein verstehe ihre Kategorien gut. Es gibt Analyseverfahren zum Erstellen von CDT, z. B. die Analyse des Transaktionsgraphen. Die Beschreibung solcher Methoden ist ein separater Artikel.


    Ein Beispiel für ein Transaktionsdiagramm eines Einzelhändlers für Seeds

    Каждая точка – товар,
    Вес ребер характеризуется количеством транзакций, в которых оба товара были вместе



    Das Erstellen einer geografischen Hierarchie ist normalerweise eine einfachere Aufgabe. Hier hilft das Clustering nach der Struktur der Saisonalität, der Verkaufsstruktur der Kategorien und den Bewegungen der Kunden.


    Ein interessanter Fall war in einem Lebensmitteleinzelhändler: Die Nachfragestruktur war sehr unterschiedlich, je nachdem, auf welcher Seite der Hauptstraßen Geschäfte waren - mehr Wodka, Bier und Zigaretten wurden in Richtung der Region genommen, mehr Reiniger, Kinderjoghurts und Tierfutter wurden im Zentrum genommen. - Es war ein stabiles Konsumverhalten.


    Wir haben CDT und geografische Hierarchie separat aufgebaut und kombinieren diese zu einer geografisch geografischen. Daher haben wir eine neue Hierarchie aufgebaut, die für die Modellierung der Nachfrage hervorragend ist.


    Was ist das ergebnis


    Daher haben wir eine neue Hierarchie aufgebaut, die sich gut für die Nachfragemodellierung eignet. Außerdem haben wir eine Abfolge von Aktionen erhalten, die zur weiteren Optimierung der Nachfragemodelle erforderlich sind. Hier ist eine kurze Reihenfolge der Gebäudemodelle:


    • Wir schätzen Saisonalität, Trend und zyklische Komponenten.
      • Wir aggregieren die Daten auf der Ebene der rohstoffgeographischen Hierarchie, auf der wir Saisonalität, Trend und zyklische Komponenten schätzen.
      • Alle Hierarchieebenen erben die resultierenden Werte.
    • Wir aggregieren Daten auf der Ebene, auf der wir den Einfluss externer Faktoren bewerten.
    • Saisonalität und Trend abziehen
    • Wir bewerten den Einfluss externer Faktoren.
      • Alle Hierarchieebenen erben die berechnete Auswirkungsschätzung von externen Faktoren.
    • Subtrahieren Sie die erzielten Saisonwerte und bewerten Sie den Einfluss externer Faktoren auf der detailliertesten Ebene - Produkt / Geschäft
    • Die Überreste werden mit einfachen Methoden geglättet und vorhergesagt. Wiederherstellung der Saisonalität, der Feiertage, der Wirkung von Promo und der Preise.

    Als Ergebnis erhielten wir für jedes Produkt in jedem Geschäft eine eigene Formel:


    $ Umsatz = f (Preis, Promo, Seas, Holiday, Inventory, Lcycle, ...) $


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


    • Direkte Methode - Wir berücksichtigen die Preise von Waren, die sich in der Nachfrageformel am stärksten aufeinander auswirken:


      $ Umsatz = f (Preis, Preis_I, Preis_K, ...) $


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


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


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



    Als Nächstes werden die Formeln für jedes Paar "Warenlager" an das Optimierungsprogramm gesendet und erhalten die besten Preise am Ausgang.



    Was ist mit diesem Beispiel?


    Wir kehren zum Beispiel des ersten Falles zurück.

    Спрос (синий) и цена (красный) во времени



    Спрос (ось Y) в зависимости от цены (ось X)


    Ja, auf den ersten Blick ist die Abhängigkeit der Nachfrage vom Preis wirklich nicht gegeben, ein Höchstpreis festgelegt und man kann sich freuen.
    Wenn Sie jedoch eine neue Hierarchie für die Prognose erstellen, die Saisonalität auf einer höheren Ebene berechnen, ziehen Sie sie auf der Güterebene ab.
    Wir bekommen folgendes Bild

    Спрос со компенсированной сезонностью (синий) и цена (красный) во времени



    Спрос со компенсированной сезонностью (ось Y) в зависимости от цены (ось X)


    Typische Abhängigkeit der Nachfrage vom Preis (je höher der Preis, desto geringer die Nachfrage). Ie In diesem Fall ist der Effekt der Saisonalität deutlich zu erkennen, wobei zu berücksichtigen ist, dass das Produkt sehr elastisch ist.


    Fazit


    Die Optimierung der Preise 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 all dies ist in einem großen Wrapper-Datum - es gibt viel zu tun für die Seele des Analytikers. Vergessen Sie jedoch nicht, dass Nachfragemodellierung und Preisoptimierung nur einen kleinen Teil eines umfangreichen Preisgestaltungsprozesses für Unternehmen darstellen und ansonsten wenig Nutzen bringen.


    Prozesse optimieren, Preise optimieren, Datenspeicherung optimieren (immerhin Garbage In - Garbage Out) und großartige Ergebnisse erzielen.


    Jetzt auch beliebt: