Искусственный интеллект для ритейла: какие результаты получит бизнес
И какие задачи можно решить с его помощью.


Сумерки автоматизации

Цена остается одним из основных факторов принятия решения о покупке. Подход к ценообразованию меняется в зависимости от поведения покупателей и трендов рынка.

Эволюция ценообразования началась с базовых переоценок «от закупочной цены» и разных ценовых проектов. Результат полностью зависел от уровня экспертности человека, принимающего решение.
Цена остается одним из основных факторов принятия решения о покупке. Подход к ценообразованию меняется в зависимости от поведения покупателей и трендов рынка.

Эволюция ценообразования началась с базовых переоценок «от закупочной цены» и разных ценовых проектов. Результат полностью зависел от уровня экспертности человека, принимающего решение.
По мере усложнения процесса, в помощь эксперту добавлялись BI-системы и отделы аналитики. Однако, рост популярности e-commerce и омниканальности требовал принимать решения еще чаще. При этом, количество SKU на менеджера возрастало, как и ожидания потребителей.

Ответ был найден в автоматизации. Для бизнеса это нетривиальная задача, требующая времени для настройки системы, а также вовлечения нескольких отделов. Автоматизация уменьшает скорость обработки данных и время на принятие решений, но взамен лишает гибкости. Нередки случаи, когда войны ценовых роботов загоняют индустрии на дно доходности или еще немного ниже.
Но решение, как всегда, есть.
Заря эры искусственного интеллекта в ритейле
Сейчас 70 % компаний, которые демонстрируют динамику прибыли выше среднего, остаются гибкими и быстро реагируют на изменения спроса и ситуацию на рынке. Дело не только в том, кто быстрее всех переклеит ценники. Теперь необходимо понимать настроения и поведение потребителей, а не фокусироваться только на действиях конкурентов. В таких вопросах искусственный интеллект имеет огромный потенциал для ритейла.
Искусственный интеллект в ритейле — это набор алгоритмов машинного обучения, в основе которых лежат нейронные сети.
Алгоритм обучается по тому же принципу, что и человек — на опыте прошлых транзакций. Разница только в том, что алгоритм делает это намного быстрее, никогда не устает и ничего не забывает. Проживая каждую транзакцию, он улавливает нелинейные связи между набором факторов.

Нелинейность — ключевой аспект.

Нужно не только понять, как изменение цены на этот продукт отразится на его продажах. Важно отделить сезонность, действия конкурентов от изменений потребительских настроений и промо-активностей, а затем отследить связи между позициями и как изменение набора цен скажется на всем портфеле. С этими и другими задачами справляется искусственный интеллект.
70 % компаний с динамикой прибыли выше среднего — гибкие и быстро реагируют на изменения спроса и ситуацию на рынке.
Deloitte Digital. Consumer Experience In The Retail Renaissance
Какие бизнес-задачи решает искусственный интеллект
1. «Поднять цены так, чтобы это не сказалось на количестве продаж». Искусственный интеллект учитывает эластичность спроса на каждый товар и рекомендует оптимальную цену, при которой можно сохранить количество проданных штук и получить максимальную маржинальность.

2. «Учесть поведение потребителей при формировании цены». Помимо действий конкурентов и зависимости продаж товара от его цены искусственный интеллект учтет изменения потребительских настроений, сезонность и промо-активности. В результате, цена улучшит покупательский опыт.

3. «Прогнозировать эффект от принимаемых решений в ценообразовании». Искусственный интеллект моделирует разные рыночные ситуации с прогнозируемой точностью, что дает возможность понимать эффект от принимаемых решений.

4. «Избавиться от ненужных промо, убивающих маржинальность».Моделируя зависимость продаж от промо, искусственный интеллект оценивает влияние разных промо-механик на продажи, и предлагает оптимальный сценарий без привлечения человека.

5. «Использовать весь опыт ценовых и промо-экспериментов, за который ваш бизнес заплатил деньгами». Обучаясь на данных бизнеса, искусственный интеллект учтет каждую транзакцию, сезонность и промо, и подсчитает оптимальную цену намного быстрее и точнее, чем человек.
Какие результаты получит бизнес
Результаты внедрения искусственного интеллекта в ценообразование зависят от положения магазина на рынке, стартовых показателей бизнеса, а также от эффективности и скорости принятия решений на стороне клиента.
Gartner Quаdrant подсчитал предварительные результаты внедрения алгоритмов в ценообразование:
  • увеличение выручки от 1% до 5%;
  • рост маржинальности от 2% до 10%;
  • сокращение невыгодных промо до 80%;
  • увеличение цикла жизни клиента на 20%.
По результатам кейса Competera с британским магазином, внедрение искусственного интеллекта в ценообразование крупного бизнеса уже через месяц дает такие результаты:
  • рост продаж в штуках на 22,3%;
  • увеличение прибыли на 13,9%.
Рост выручки — от 1% до 5% при внедрении машинного обучения в ценообразование.
Gartner Quаdrant. Market Guide for B2B Price Optimization and Management Software
Перспективы ценообразования
Алгоритмы идеально подходят крупным ритейлерам, которые работают на динамичных рынках, требующих изменения цен на тысячи позиций еженедельно, а то и несколько раз в день, игрокам со сложной структурой регионального или канального ценообразования, либо тем, кто исчерпал источники быстрого роста и готов получить дополнительные 5—15% от оптимизации процессов.

Данные — главный актив компании в любых инициативах, связанных с ценообразованием. Критически важно убедиться, что данные бизнеса правильно структурированы и хранятся надлежащим образом.

Мобильность команды — залог успешной реализации проекта оптимизации ценообразования. Внедрение искусственного интеллекта влечет за собой изменения ролей в команде. Технология забирает на себя сложную рутину, освобождая человека для стратегических задач:
  • договориться о специальных условиях с поставщиком;
  • выбрать стратегию работы с категорией, а не с отдельными товарами;
  • освободить склады для хорошо продающихся позиций;
  • корректировать выбор сценария на основе полученного прогноза.
Выводы
Мы находимся на заре эры машинного обучения в ценообразовании крупного бизнеса. В следующие два-три года нас ждет волна экспериментов и внедрений систем на основе машинного обучения.

Конкурентное преимущество получает тот бизнес, который внедряет технологичный подход в формировании оптимальных цен, основываясь на поведении потребителей, сезонности и активности конкурентов