Продолжаем публикацию серии статей о B2B ценообразовании.

Оптимизация бизнес-процессов ценообразования основана на системе data-driven моделей, которая позволяет в рамках заданных динамики, правил и ограничений рассчитывать следующие цены и скидки:

1. Цена прайс-листа для сегмента клиентов

2. Цена контракта

3. Индивидуальная цена заказа

4. Промо-цена для сегмента

5. Индивидуальные скидки

Работа системы моделей основана на трех блоках: базовые модели, блок моделей оптимизации прайс-листов и блок моделей индивидуального ценообразования. При этом базовые модели используются для обработки и анализа данных, блок моделей оптимизации прайс-листов — для управления ценами на продукты в рамках определенных сегментов клиентов, а блок моделей индивидуального ценообразования — для установки индивидуальной цены для каждого клиента на основе поведения клиента и условий сделки. Такой подход позволяет максимизировать прибыльность компании и повысить уровень удовлетворенности клиентов.

Первый блок моделей включает в себя такие «подготовительные» модели — Сегментация и кластеризация клиентов, Определение состояния (поведения) клиента, Определение списка KVI для ценового позиционирования. Этот блок моделей формирует базу для работы основных моделей расчета цен.

Модель “Сегментации/кластеризации клиентов” осуществляет периодическую кластеризацию клиентской базы и выделение микросегментов, в результате чего для каждого клиента в дополнение к уже настроенным признакам в Компании сегментам клиентов (например, по объему товарооборота) присваивается признак микросегмента.

Модель “Состояния клиента” на основании многомерного вектора характеристик клиента позволяет оценить состояние клиента с точки зрения его поведения (любит или не любит торговаться, насколько чувствителен к индивидуальным скидкам и т.д.).

Модель “Ценового позиционирования и KVI” для сегментов клиентов на основании истории продаж корзин сегментов через кластеризацию выделяет товары-индикаторы для формирования ценового позиционирования, которые могут использоваться в других моделях, например, в модели “Динамики конкуренции” или “Предсказания общего спроса“. При этом потребности в отдельной сегментации продуктов нет, так как продукты кодируются через характеристики — код, категории и т.д. А эластичность спроса конкретного продукта выучивается моделями автоматически, исходя из исторических данных по этому продукту.

Ядром системы моделей является блок моделей оптимизации прайс-листов и, в частности, многофакторная Модель “Предсказания общего спроса для сегментов клиентов”. Результаты работы этой системы используются в решении оптимизационных задач расчета оптимальных прайс-листов для сегментов клиентов в модели “Оптимизация прайс листов” и расчета общего широкого промо, в том числе для сегментов клиентов в модели “Оптимизации общего промо”. Данный блок оптимизационных моделей должен работать по графику с заданной периодичностью и событиям изменения ключевых факторов: цен конкурентов, закупочной цены, валового дохода, количества продаж, сезона, целевой функции и др. На основе оптимальных референциальных прайсовых цен при формировании заказов и контрактных цен применяется третий блок моделей индивидуального ценообразования, в котором базовыми моделями являются модели предсказания WTP (willingness-to-pay), оттока и оценки CLTV, а также расчета лучшей экспертной скидки. Результаты работы данных моделей подаются на вход моделей Оптимизации индивидуальных скидок объема/заказа и расчета Контрактного/проектного ценообразования.

Для эффективного контроля и обогащения количества и сложности моделей необходимо использовать вспомогательную модель проактивного обучения. Эта модель помогает обогатить обучающую выборку моделей предсказания общего спроса, вероятности оттока и вероятности покупки за счет ценовых экспериментов и улавливания текущих внешних изменений. Кроме того, важно определить и зафиксировать ключевые правила и ограничения для работы системы моделей, такие как минимальная рентабельность по марже в разрезе каналов продаж/категорий, ценовые индексы, стратегия конкуренции, максимальное увеличение цены за расчетный период, рекомендованные цены производителей, частота переоценок и другие факторы, которые влияют на формирование доверия и состояние развития отношений с клиентом. Определение таких правил и ограничений помогает управлять процессом ценообразования и обеспечить достижение стратегических целей компании.

Основные типы используемых моделей в рамках предлагаемого стека моделей методики ценообразования выбраны исходя из анализа практики применения в решении задач data-driven ценообразования, проведенного компанией McKinsey и опыта команды myRetailStrategy. Требования к большому объему данных, наличие пропусков, выбросов заставляют быть готовым к использованию вычислительно интенсивных и мощных алгоритмов. Мы применяем следующие типы вычислительных ML моделей: Regression, RandomFores (деревья решений), K-means, CHAIDDecisionTree. Выбор нейронных сетей для решения задач ценообразования в данном случае будет неэффективным, поскольку требует значительных усилий в предобработке данных и вычислительные мощности, а также, основываясь на опыте команды myRetailStrategy, нет убедительных доказательство того, что нейронные сети способны показать более сильную предсказательную силу на табличных данных, чем модели деревьев решений.^.