Динамічне ціноутворення для e-commerce платформи: +18% виторг при тих самих обсягах

Завдання

Онлайн-маркетплейс з каталогом понад 100 тисяч SKU у категоріях електроніки, побутової техніки та аксесуарів стикався з фундаментальною проблемою ціноутворення: команда з 6 аналітиків оновлювала ціни вручну раз на тиждень, орієнтуючись переважно на ціни ключових конкурентів і внутрішні правила маржинальності. У сучасному e-commerce це катастрофічно повільно: прямі конкуренти оновлювали ціни щогодини або частіше, реагуючи на зміни попиту, закінчення акцій і стрибки собівартості. Наслідком стагнація виторгу при зростаючому трафіку: популярні товари з еластичним попитом продавались за цінами нижчими від оптимуму, залишаючи значну частку маржі на столі. Водночас специфічні нішеві SKU із слабкою конкуренцією коштували за заниженими цінами через страх відлякати покупця, хоча споживач готовий був платити більше. Крім того, щотижневий цикл оновлення цін означав, що маркетплейс не міг оперативно реагувати на ринкові події: вихід нової моделі товару, розпродаж у конкурента, злет попиту через вірусний контент у соцмережах. Окремою проблемою були промо-акції: знижки призначались за відчуттям, а не на основі аналізу еластичності, тому одні акції перекривали маржу без суттєвого приросту обсягів, інші давали відмінні результати, але ніхто не розумів чому.

Рішення

Розробили повноцінну систему динамічного ціноутворення з трьома ключовими компонентами. Перший компонент — ML-модель оцінки цінової еластичності для кожного SKU. Модель на базі XGBoost навчена на двохрічній історії продажів з урахуванням категорії, бренду, цінового сегмента, сезонності, дня тижня і поточної позиції в органічних та платних результатах пошуку. Для кожного товару модель розраховує криву попиту і визначає ціновий діапазон, в якому можна підвищити ціну без суттєвої втрати конверсії, або навпаки знизити ціну для стимулювання обсягів при необхідності. Другий компонент — система моніторингу цін конкурентів у реальному часі. Краулер на базі Scrapy збирає ціни з 12 основних конкурентів кожні 2 години для топ-40 тисяч найбільш конкурентних SKU. Дані нормалізуються з урахуванням умов доставки, гарантій і наявності оригінальних запчастин, щоб порівняння цін було коректним. Третій компонент — оптимізаційний движок з правилами бізнес-обмежень: мінімальна маржа по категорії, заборона на ціни нижче закупівельної, правила ціноутворення для пакетних акцій та обмеження на максимальну зміну ціни за одну ітерацію щоб уникнути різких стрибків, помітних покупцям. Оптимізаційний движок кожні 4 години перераховує оптимальні ціни для всього каталогу і через API оновлює їх на платформі. Весь цикл обробки 100 тисяч SKU займає 12 хвилин. Дашборд дозволяє менеджерам з ціноутворення задавати пріоритети, вручну фіксувати ціни для окремих товарів і відстежувати вплив змін ціноутворення на виторг і маржу в реальному часі.

Результат

За перші 3 місяці промислової роботи системи виторг зріс на 18% при тих самих обсягах відвідуваності та замовлень. Середня маржа по каталогу покращилась на 7.3 відсоткових пункти: система виявила і скоригувала як недооцінені топові позиції, так і переоцінені нішеві товари з низьким попитом. Частота оновлення цін зросла з одного разу на тиждень до 6 разів на добу. Команда ціноутворення скоротила ручну роботу на 85%, переключившись зі встановлення цін на стратегічний аналіз і контроль якості алгоритму. За підсумками A/B-тесту товари з динамічним ціноутворенням показали на 22% вищу конверсію у порівнянні з контрольною групою з фіксованими цінами.

Технології

Схожі кейси