За последнее время произошли изменения в поведении потребителей, покупательских привычках и динамике каналов продаж, которые, вероятно, будут влиять на все категории в ближайшие годы. Понимание динамики рынка и шаблонов поведения покупателей, которое было до COVID-19 и введения санкций, сейчас в лучшем случае менее точное, а зачастую совсем не работает.
Компании должны адаптировать все основные функции к текущим рыночным условиям и, в особенности, регулярное ценообразование как одну из ключевых стратегий управления восприятием магазинов со стороны покупателей и как следствие их лояльности к бренду.
Исходя из нашего опыта и тех уроков, которые извлекли из предыдущих кризисов, можно выделить 4 основные тактики, которые помогут адаптировать ценообразование к текущим рыночным реалиям и, по возможности, извлечь из них выгоду: фокус на автоматизации процессов; развитие культуры работы с данными; развитие аналитических возможностей; гибкий agile подход при внедрении.
Сейчас крайне важна скорость реакции на изменения, происходящие на рынке, такие как: цены конкурентов, закупочные цены, курсы валют и другие события, которые должны найти своё отражение в полочных ценах. Кроме того, важно иметь возможность гибкой адаптации правил ценообразования для учёта всё новых факторов и для возможности следования стратегии ценообразования как для достижения поставленных финансовых целей, так и для управления ценовым восприятием со стороны покупателей.
Если у менеджера по ценообразованию нет соответствующих инструментов автоматизации и поддержки принятия решений, то он находится в перманентном режиме тушения пожаров и быстро реагирует на всевозможные запросы и события, которые на него:
Это все негативно сказывается как на финансовых результатах компании, так и на мотивации самих менеджеров и ценовом восприятии компании со стороны покупателей. Поэтому сейчас как никогда важно развивать автоматизации и оптимизацию регулярного ценообразования. Это можно делать как путём внедрения промышленного решения, так и развивать собственную in-house разработку. При этом, независимо от того пути, которым вы пойдете, важно помнить об основных критически важных функциях и возможностях решения:
Как результат внедрения решений по автоматизации и поддержке принятия решений на основе данных и аналитики менеджеры смогут перейти в режим работы с рассчитанными ценами по исключениям (должно быть не больше 5% от общего количества рассчитанных цен) и значительно больше времени использовать на принятие стратегических решений, имеющих добавочную ценность для бизнеса.
Вывод: автоматизация и оптимизация ценообразования необходима для возможности выгодного поддержания и управления ценовым восприятием со стороны покупателей и смещении фокуса менеджеров на задачи имеющие добавочную ценность для бизнеса.
Мало кто задумывается о неявных затратах, которые несёт компания из-за низкого качества данных и их доступности. По исследованиям ряда ведущих аналитических агентств около 15% выручки компаниям стоят плохие данные и от 20% до 30% операционных расходов связаны с низким качеством данных. Наличие доступа к данным и их качество — это определяющий фактор для возможности перехода к аналитическому подходу в ценообразовании. Задача оптимизации регулярных цен требует большое количество данных как из внутренних, так и из внешних источников, таких как:
Процесс сбора и накопления данных, наличие этих данных в одном хранилище, их чистота и полнота — это один из ключевых факторов успешности любого аналитического проекта и оптимизация регулярных цен не является тут исключением. Известный факт, что около 80% работы аналитика приходится на сбор, очистку и подготовку данных, поэтому необходимо чтобы в компании была отдельная стратегия работы с данными и выстроена соответствующая инфраструктура и поддерживающие процессы.
Сама стратегия может быть сформулирована достаточно просто — в каждой точке принятия решения по запросу должны быть доступны данные в достаточном для этого полноте и качестве.
При этом, важно понимать, что при разработке стратегии надо руководствоваться принципами agile, а не классическим «вотерфол» подходом, в том плане, что отсутствие ряда, не критических данных, не должно останавливаться проекты по автоматизации и оптимизации ценообразования. Развитие качества данных их доступности и полноты должно идти параллельно с автоматизацией тем самым давая возможность компаниям достигать быстрых побед в виде улучшения финансовых показателей и постепенно наращивать возможности системы.
Вывод: необходимо на всех уровнях развивать культуру работы с данными и иметь соответствующую стратегию, поддержанную инфраструктурой и процессами
Сейчас не самое простое время для аналитических инструментов — общий уровень неопределённости и волатильности на рынке делает прогнозные и оптимизационные модели в лучшем случае менее точными, а зачастую совсем далёкими от действительности. При этом принимать лучшие решения по ценам без использования поддерживающих аналитических инструментов практически невозможно с учётом общей сложности задачи и огромного количества влияющих факторов. Менеджеры по ценообразованию еще могут качественно рассчитывать цены на отдельные товары, но как только речь идёт об оптимальной стратегии на уровне категории или выше (магазин, вся сеть), то человек с этим уже не справляется.
По нашему опыту основные аналитические задачи несущие дополнительную ценность в процесс ценообразования — это:
Учёт кросс эффектов. Учёт дополнительных факторов спроса может существенно повысить качество прогнозной модели, а, следовательно, и эффекта от оптимизации цен. Среди этих факторов можно выделить такие как кросс-эффекты, частота промо, открытие и закрытие магазинов конкурентов, погода и другие. Оценить влияние факторов на спрос поможет последовательное включение их в модель прогнозирования и анализ изменения точности на ретро-периоде.
Из всех дополнительных факторов, в первую очередь стоит обратить внимание на кросс-эффекты — каннибализация продаж одних товаров другими и гало-эффект, когда спрос на одни товары увеличивает спрос на другие. Подход к оценке кросс-эффектов состоит в выделении схожих товаров с точки зрения закрытия определённых потребностей покупателей, которые формируют так называемые единицы потребности и оценить степень взаимного влияния на продажи товаров внутри и между такими группами.
Вывод: учёт дополнительных факторов, влияющих на спрос, и особенно кросс-эффектов существенно улучшает качество модели прогнозирование и как следствие эффекта от оптимизации цен
Аналитическое определение корзин товаров. После создания прогнозной модели с учётом дополнительных факторов необходимо разбить все товары на несколько корзин, в базовом варианте на две корзины:
Основная задача при определении списка товаров KVI это минимизация таких товаров при сохранении целевого ценового восприятия магазинов со стороны покупателей, что позволяет снизить инвестиции в цены и, следовательно, повысить валовую прибыль.
По нашему опыту, аналитическое определение товаров KVI имеет преимущество перед экспертным подходом, так как возможен учёт большого количества факторов и неочевидных зависимостей. Набор факторов при оценке критерия-KVI должен учитывать интересы клиентов, компании и реакции конкурентов, например: доля выручки, доля продаж по картам лояльности, частота покупок, количество конкурентов у которых есть данный товар в ассортименте и другие. Часто, использование аналитики позволяет сократить список товаров KVI на 10−20%.
Вывод: использование аналитики позволяет сократить список товаров KVI и, следовательно уменьшить инвестиции цены и увеличить валовую прибыль
Дифференциация цен на основании понимания особенностей локального окружения. Когда корзины товаров определены важно оценить наличие локальных особенностей спроса и степени влияния конкурентного окружения, так как они могут существенно отличаться даже в рамках одного города. Наличие локальных особенностей позволяет увеличивать прибыль за счёт реализации стратегии ценовой дифференциации:
Формирование локальных списков товаров KVI позволяет более эффективно управлять инвестициями в цены и использовать для одних и тех же товаров разные стратегии ценообразования от цен конкурентов или по модели спроса для разных магазинов.
Кластеризация магазинов по степени конкурентного окружения и готовности покупателя платить позволяет не держать излишне низкие цены там, где в этом нет необходимости — низкая степень конкурентного влияния и невысокая чувствительность покупателей к изменению цен.
При анализе конкурентного окружения важно оценивать степень влияния данного конкурента на продажи в нашем магазине и его удалённость. При этом аналитика позволяет уйти от экспертного суждения и использовать исторические данные продаж и информации об открытии/закрытии магазинов конкурентов для оценки степени их влияния на наши продажи. При этом желателен учёт такого влияния на уровне отдельных товарных категорий, а не всего магазина в целом. Так зачастую конкуренты имеет разную степень влияния на продажи в разных категориях.
Анализ чувствительности покупателей к цене должен включать такие показатели как: долю продаж в низком ценовом сегменте, доля продаж приходящиеся на сегмент покупателей «чувствительные к цене», информацию по социально-демографическому окружению магазина, дополнительные внешние данные, при их наличии, по особенностям трат потребителей.
Вывод: анализ локальных особенностей спроса и степени конкурентного окружения позволяет увеличить финансовые показатели за счёт реализации стратегии ценовой дифференциации
Последним по списку, но не последним по значимости является принцип быстрого получения первых результатов и постепенного наращивания сложности решения и аналитических моделей.
Одни из главных причин почему проекты по внедрению аналитических решений бывают неуспешными — это долгий срок внедрения и получения первых результатов, а также отсутствие принятия и веры в рекомендации со стороны бизнес-пользователей. Особенно это актуально для моделей машинного обучения, которые являются нелинейными по своей природе и их результаты очень сложно трактовать и разложить на понятные бизнесу факторы. Поэтому лучше начинать с более простых, возможно, линейных моделей, которые уже дают достаточный для защиты бизнес-кейса результат, но при этом их результаты будут понятны бизнес-пользователям, и они охотнее будут доверять соответствующим рекомендациям. Со временем, когда доверие пользователей вырастет, можно будет переходить к более сложным моделям, которые позволят еще улучшить ключевые финансовые показатели.
Такой поэтапный подход также позволяет быстрее получать практические результаты от аналитики, так называемые «быстрые победы», и легче обосновывать инвестиции в аналитические инструменты.
Вывод: применяйте поэтапный и гибкий подход: проектируйте, создавайте и тестируйте аналитические инструменты с постепенным наращиванием сложности. Постоянно измеряйте влияние на ключевые показатели, чтобы обеспечить корректировку приоритетов в режиме реального времени