Роль ИИ в ценообразовании

До появления искусственного интеллекта ритейлеры в основном работали по стратегии cost-plus. Она подразумевает, что берется стоимость товара, к ней добавляются накладные расходы, маржа продавца и получается розничная цена. Главным ориентиром были цены конкурентов и аналитика — сколько покупатель готов заплатить за товар.

Затем появилась возможность собирать и анализировать большое количество данных, например, средний чек покупки и количество продаж по районам, городам, регионам, и родилось такое понятие, как эластичность спроса. Имеется в виду зависимость спроса на конкретный продукт от изменений его стоимости.

Чтобы понять спрос и выстроить прибыльную стратегию, нужно анализировать каждый продукт. Причем результаты — в разных регионах, в разные сезоны — будут существенно отличаться. Быстро и точно строить кривые эластичности и оптимизировать эти процессы позволяют технологии машинного обучения. Логично, что человеческий мозг просто не в состоянии охватить и обработать такие колоссальные объемы данных.

Возьмем в качестве примера сетевые продуктовые магазины. Условно товары в них можно поделить на две группы: бэк-баскет, то есть сопутствующие товары (шоколадка), и фронт-баскет — товары первой необходимости, например, мясо, молоко, хлеб и т. д. Выбор магазина потребителем происходит в основном по ценам на эти товары и по территориальной доступности.

И вот когда ИИ собрал и проанализировал эту информацию, можно установить цены так, чтобы максимизировать прибыль. Эту стратегию уже активно применяют ритейлеры в России. Для интернет-магазинов она тоже актуальна, но в более усложненном варианте эластичностей. Например, потому, что, в отличие от физического магазина, у покупателя нет стимула закупиться по-максимуму в одном месте. К тому же существуют агрегаторы цен, которые облегчают пользователю проведение сравнительного анализа ценовой политики разных онлайн-продавцов.

Кто пользуется услугами ИИ в маркетинге

Успешно и массово используют ИИ для оптимизации процесса ценообразования крупные онлайн-ритейлеры, такие как Ozon, Wildberries и «Яндекс маркет». Мелкие продавцы не могут себе этого позволить, для них наиболее целесообразное решение — продавать на маркетплейсах и ориентироваться на аналитику в категории.

Например, на Ozon можно посмотреть, кто по какой цене продает аналогичный продукт. Но Ozon не предоставляет серьезную аналитику для продавцов наподобие Amazon Analytics. Скорее, это что-то вроде «в вашей категории товаров еще есть 10 других продавцов, у них такие-то цены, и вы сейчас на седьмом месте по продажам». В какой-то степени, это помогает «манипулировать» ценами, предлагая лучшие.

Анализируя спрос, продавец получает возможность влиять на продажи. Одним из самых мощных стимулов для покупателя являются разнообразные акции, и в их разработке тоже способен помочь ИИ.

Планирование акций с помощью ИИ

Психологами и нейромаркетологами давно доказано, что охотнее всего мы покупаем товары со скидкой, с желтым ценником. И даже если рядом будет лежать товар с более низкой ценой, но с белым ценником, большинство купит именно товар со скидкой.

Тут с помощью ИИ упрощается регулирование: размеры и периоды скидок, выборка товаров, наиболее популярных в определенный период.

Промо-акции

Например, мы знаем, что в Масленицу все поголовно будут печь блины. Это значит, что продуктовая корзина по блинам в течение недели будет в топе продаж. Вполне логично, все это было и до искусственного интеллекта.

И что же здесь делает ИИ? Он находит подобные паттерны в поведении людей — будь то корзина на борщ или еще что-то, а также множество более мелких. На основании изученного спроса он прогнозирует популярность товаров в определенные периоды. И затем на основе этих данных можно сделать промо-акцию на эту категорию товаров для того, чтобы люди пошли конкретно в этот магазин.

Персонализированные акции

Индивидуальный промоушн — это тонкая настройка предложений на конкретного покупателя. Скажем, у вас есть карточка в «Пятерочке» или в «Ашане», к которой привязан номер телефона. Система отслеживает, что вы покупаете, и здесь начинает работать модель Upsell. На основании ваших покупок за какой-то период времени система выводит закономерности. И как только машинный алгоритм понимает ваш паттерн поведения, вам начинают приходить сообщения с персональными предложениями, скидками, акциями.

Это своего рода А-Б тестирование: какое предложение вынудит покупателя приходить чаще, покупать больше и только в этой сети магазинов. Это работает везде: в ритейлерах, в банках, в страховых компаниях, вообще в любой продаже. Искусственный интеллект берет на себя задачи, на решение которых человек либо потратит на порядок больше времени, либо вообще не справится с ними. Недалек тот момент, когда для работы магазина практически не нужно будет физическое присутствие человека.

Магазин будущего

Прототип такого магазина уже существует. Amazon Go — это оффлайн-магазин, по размерам сравнимый с «Перекресток экспресс». В нем нет кассиров или консультантов торгового зала, люди там занимаются разве что выкладкой товара, когда он заканчивается. Недавняя новость о том, что система оказалась не полностью автоматизированной, а за покупателями на самом деле следили сотрудники из Индии, можно трактовать по-разному. Дело в том, что в machine learning разметка данных производится вручную. То есть утверждать, что в Amazon отсутствовал искусственный интеллект нельзя. Скорее всего, сотрудники работали постфактум и просто исправляли ошибки ИИ, но не пробивали 100% товаров покупателей вручную. Сейчас компания планирует сосредоточиться на технологии dash cart («умные тележки»). Но это более примитивная технология по сравнению с той, которой сейчас пользуется, например, сеть UNIQLO. Там на товары наносится RFID-метка, и после того, как их сложили в корзину, она автоматически считывается, и выставляется счет.

В любом случае все идет к тому, что магазины будут работать по следующему принципу: на входе вы сканируете QR-код от своего аккаунта магазина, ваше лицо видит камера и сохраняет в системе. Камеры отслеживают все ваши перемещения по магазину и действия. Например, фиксируют, что вы взяли с полки и положили в корзину, а что вернули обратно на полку. После того, как вы взяли все необходимое, просто выходите из магазина. Система зафиксировала покупки, выставила счет и списала деньги с вашего аккаунта. Все ваши действия система анализирует, чтобы понять, по какой причине вы купили товар или вернули его на полку. В дальнейшем эти данные используются для грамотного ценообразования, чтобы стимулировать продажи.

Это сверточные модели нейронных сетей. Одни обрабатывают видео, фотографии — распознают лицо, одежду, отслеживают ваше перемещение по залу магазина. Другая модель компьютерного зрения отслеживает положение товара. Они, можно сказать, общаются между собой: вот отсюда попал товар, перешел вот этому человеку, или появился товар от вот этого человека. Архитектура гораздо более сложная, но в первом приближении работает именно так.

Мерчендайзинг при помощи ИИ

В зависимости от конфигурации магазинов мерчандайзинг — расположение товара на полках — выстраивается на разном уровне.

Например, есть некоторые априорные знания о том, что на выходе от кассы хорошо берут флэш-продукты, типа жевательной резинки. Все, что на уровне глаз — с большой вероятностью будут брать. Это давно доказано и хорошо работает, но при помощи ИИ это можно сделать еще лучше. Скажем, динамически определять положение товара на полке в зависимости от того, что сейчас нужно запустить по продажам.

Или рекомендательные алгоритмы. Вы заходите на сайт, что-то смотрите, и появляется рекомендация: с этим товаром покупают еще вот эти. Или вам рекомендуется посмотреть товары, подобные выбранному вами.

То есть сравниваются корзины, строятся определенные эмбендинговые модели, которые определяют вероятность совместной покупки. И в зависимости от того, куда вы кликаете, что просматриваете, покупаете, строится рекомендательная система. Это достаточно старая модель, в категории машинного обучения это делают уже лет 6.

Если посмотреть на сервисы типа Spotify, Amazon, Wildberries — это именно рекомендательная система.

ИИ-оптимизация других процессов в продажах

В качестве еще одного примера давайте рассмотрим оптимизацию supply chain в Amazon. Они монополисты, единственные, кто с ними еще соревнуются, это Walmart, Costco и другие ритейлеры. Малый и средний бизнес тут вообще не у дел.

Каким образом сделать так, чтобы снизились затраты на доставку и хранение товара, чтобы были минимальные стоки на складах и предлагать покупателям лучшие цены? По сути, это то, за счет чего Amazon уничтожил большинство конкурентов. Бизнес-модель следующая: у Amazon незамысловатый сайт, но это осознанное решение. Американцы неприхотливы, им не нужен красивый визуал, к которому привыкли, например, москвичи. И поэтому для них сделали специально такой сайт, где у них возникает ощущение, что там будет дешево, потому что сайт выглядит плохо.

А что происходит за кулисами? У Amazon есть огромная сеть распределительных центров, где решается огромное количество задач.

Задача номер один: предсказать спрос на определенные категории товаров в определенных регионах. Задача номер два: логистическая оптимизация. Как расположить ассортимент для того, чтобы время доставки было меньше, чем 24 часа или 48 часов? Грамотным расположением товаров минимизируются затраты на работу, на перевозки и на все остальное. За счет этого они и предлагают покупателям лучшие цены, вытесняя конкурентов.

Все ранее существующие инструменты уже давно освоили большинство ритейлеров и сейчас тот момент, когда конкуренцию можно выиграть именно за счет умных алгоритмов. Да, возможно, это принесет небольшой процент дополнительных продаж, но именно эти цифры и станут решающими в конкурентной гонке.