РБК Pro —  
информационный сервис для предпринимателей и управленцев. Первый месяц — бесплатно
РБК Pro
— сервис для вашего бизнеса. Зарегистрируйтесь и получите доступ ко всем материалам. Первые 30 дней бесплатно.

Как искусственный интеллект устанавливает цены: схема работы и кейс

Ретейл Одежда и обувь IT Маркетинг Кейсы MarketMedia
Евгений Лимаренко, руководитель направления по развитию аналитических систем «Первый Бит», на примере интернет-магазина одежды показывает, как AI (искусственный интеллект) помогает в динамическом ценообразовании
Фото:Charles Pertwee / Bloomberg
Фото: Charles Pertwee / Bloomberg

Каким бывает динамическое ценообразование? Самый традиционный вариант — когда продавец назначает цену в зависимости от таких очевидных переменных, как сезон, пишет Евгений Лимаренко в колонке на MarketMedia. Допустим, разместить рекламу в СМИ дешевле в июле, чем в сентябре. На российских поездах дороже всего кататься во время летних школьных каникул. Здесь действует простой принцип: чем выше спрос, тем выше цена. Для такого ценообразования необязательно иметь даже аналитиков, не то что роботов. Особенно если у компании почти нет конкурентов.

Некоторые интернет-магазины ориентируется исключительно на конкурентов. К примеру, настраивают ценники так, чтобы «быть на 100 руб. дешевле, чем ближайший конкурент на маркетплейсе» или «всегда быть вторым по стоимости в этом городе». Магазины, злоупотребляющие такими настройками, рискуют начать работать в минус или используют полулегальные схемы. Их основной инструмент — парсинг цен (сбор информации о ценах конкурентов), и это тоже можно устроить без алгоритмов.

Еще один тип динамического ценообразования связан с машинным обучением. Такое обучение имеет смысл, когда у продавца большой ассортимент и полно конкурентов. Основная задача — найти оптимальную цену, или справедливую, если хотите. То есть цену, которую покупатель готов заплатить прямо сейчас и которая позволяет продавцу работать в плюс, не нарушая закон. Примеров такого ценообразования в российском онлайн-ретейле мало. Мы запустили свой пилотный проект весной 2018 года. Прежде чем узнать его результаты, посмотрите на простом примере, как в принципе работает «машинное» динамическое ценообразование.

Принцип работы

Имеются следующие вводные. Магазин работает в торгово-развлекательном центре. В пятницу поступила новая коллекция летних рубашек: синих, зеленых и красных. Всех рубашек — одинаковое количество. В субботу рубашки выставили на продажу. Вечером в воскресенье подвели итоги: за выходные купили шесть синих рубашек, три зеленые и одну красную.

Синие рубашки популярны, а красные имеют отличный шанс остаться на складе до следующего лета. Система ценообразования магазина анализирует эти данные и предлагает повысить стоимость синей рубашки на 15%, чтобы не допустить быстрого вымывания. Стоимость зеленой и красной рубашек — оставить на прежнем уровне. Директор магазина соглашается. В понедельник и вторник результаты такие: три синие, две зеленые и одна красная рубашка. Неплохо, учитывая, что в будни спрос в два раза ниже.