Система оптимизации цен на платформе Microsoft Azure Machine Learning spellabs.R- pricer. - презентация

1 Система оптимизации цен на платформе Microsoft Azure Machine Learning spellabs.R- pricer

2 О компании spellabs Опыт в разработке ПО – 10 лет Разработка корпоративных портальных решений Интеллектуальный анализ данных и прогнозная аналитика Партнерство с IBMПартнерство с Microsoft

3 Задача Нахождение цен на группу товаров, максимизирующую ожидаемый оборот от продажи этой группы товаров за фиксированный промежуток времени. Схожие задачи: Увеличение Валового дохода при оптимизации цен на группу товаров Увеличение Чистого дохода при оптимизации цен на группу товаров Увеличение маржи при оптимизации цен на группу товаров

4 Зачем нужна система оптимизации цен? Выгода подтверждается большим количеством внедренных проектов 4 Метрика / Приложение Оптимизация Цен Рост оборота 1 – 3% Рост валового дохода 2 – 5% Роста объема продаж 0 – 1% Пример: розничная сеть с оборотом в $ 10 млрд и средней наценкой 30% Увеличение валового дохода = $ 90 млн в год за счет оптимизации цен Источник: AMR Research

5 5 История успеха с BILLA Ведущий продуктовый ритейлер в Австрии, более чем 1000 магазинов Стратегия и вызовы Обеспечить самую низкую на рынке цену для выбранной продуктовой корзины Улучшить исполнение ценовой стратегии Улучшить конкурентоспособность Поддержать прибыльность сети Масштаб 1000 магазинов, Более электронных ценников Проект за 4 месяца собственными силами Почему решение для управления ценами Возможность реагировать на любые изменения цены конкурентами в режиме реального времени Возможность обеспечить реализацию стратегии «качество по доступным ценам» Подходит под все требования Billa Выгоды Сохранить конкурентоспособность на рынке За счет более конкурентных цен обеспечена высокая оборачиваемость товара

6 Как быстро можно получить выгоду от использования системы оптимизации цен? Средний возврат на инвестиции – 12 месяцев 6 Источник: AMR Research

7 Подход spellabs Оптимизируем цены на каждый товар на основании истории спроса на него и на сопутствующие товары. Сопутствующие товары – это товары, приобретаемые совместно или товары конкуренты. 1. Мы разбиваем товары на тесно связанные группы и анализируем группы этих товаров по отдельности. 2. Для прогнозирования спроса на каждый товар, мы строим нелинейную регрессионную модель в зависимости от цен на товары в группе(кросс эластичность) и магазин. Возможно использовать внешние факторы(макроэкономические показатели. Например, инфляция, курс доллара…) 3. Строим нелинейную оптимизационную модель, описываемую : - Функцией цели (прибыль, оборот и т.п.) - Ограничениями. диапазон цен, остатки и т.д. - Найденные зависимости спроса от цен

8 Принцип работы. Шаг 1. Скрининг. Из анализа удаляем товары: С неизменными ценами. С незначительным вкладом в оборот. С нестабильной историей продаж.

9 Принцип работы. Шаг 2. Кластеризация. 1. Строим матрицу корреляции спроса для каждой пары товаров. 2. Производим кластерный анализ: получаем группы сильно коррелированных по спросу товаров. 3. В дальнейшем анализируем каждую группу отдельно.

10 Принцип работы. Шаг 3. Регрессия 1. Регрессия. Для каждого товара в группе находим зависимость спроса на него в зависимости от магазина и цен на другие товары этой группы. Спрос на товар 1 = f1(Магазин, Цена 1, …, Цена 5, Другие факторы) …. Спрос на товар 5 = f5(Магазин, Цена 1, …, Цена 5, Другие факторы) 2. Обучаем модель на полученных данных, проверяем результат на обучающих и тестовых данных.

11 Принцип работы. Шаг 4. Оптимизация. Оптимизация. Находим максимум суммарного ожидаемого оборота (по всем товарам по всем магазинам) как функцию от вектора цен на товары. Целевая функция: Ожидаемый оборот по всем товарам по всем магазинам = Оборот для магазина М1= {Ц1 * f1(М1, Ц1,…,Ц5) + … + Ц5 * f5(М1, Ц1,…,Ц5)} + Оборот для магазина М2= { Ц1 * f1(М1, Ц1,…,Ц5) + … + Ц5 * f5(М2, Ц1,…,Ц5) } + ……….. + Оборот для магазина Мi= { Ц1 * f1(Мi, Ц1,…,Ц5) + … + Ц5 * f5(Мi, Ц1,…,Ц5) } Ограничения: диапазоны цен Задача оптимизации: найти цены, при которых ожидаемый оборот максимален.

12 Алгоритм работы системы оптимизации цен Microsoft Azure Machine Learning 12 Моделирование спроса Рекомендуемые цены Проверка на соответствие ценовым и маркетинговым стратегиям, действующему законодательству РФ Чеки -Цены конкурентов (опционально) -Ценовые ограничения (опционально) Оптимизация вектора цен на группу товаров Вывод цены на ценник Выявление кластеров и групп товаров

13 Общая архитектура

14 Наши предложения 1. Выполняем пилотный проект. 2. Берем 2 группы магазинов, контрольные магазины и тестовые. Магазины должны быть сравнимы, площадь, место, кассы, обороты. 3. В одной группе проводим эксперимент, в другой не проводим. Если в одной группе изменения статистически значимы, то считаем наш эксперимент успешным и можно выходить на полноценный проект.

15 Спасибо