АВТОМАТИЗАЦИЯ ЦЕНООБРАЗОВАНИЯ В РИТЕЙЛЕ С ПРИМЕНЕНИЕМ МАШИННОГО ОБУЧЕНИЯ

АННОТАЦИЯ

В современной экономике ритейл процессы, в частности в процесс ценообразования, трансформируются под влиянием цифровых технологий, где ключевую роль играют методы машинного обучения (МО). Введение МО в ритейл позволяет разрабатывать динамические модели цен, адаптированные под рыночные условия и поведение потребителей. Исследования показывают, что МО значительно улучшает качество управления ценами, предоставляя возможности для более точного анализа данных и прогнозирования спроса. Это, в свою очередь, ведет к повышению доходности и маржинальности предприятий ритейла. Работа освещает принципы интеграции МО в процессы ценообразования, включая этапы сбора и обработки данных, обучение моделей и их практическое применение для оптимизации цен. Значимость внедрения МО в ритейл подчеркивается результатами, которые демонстрируют значительное улучшение коммерческих показателей и эффективности операций.

ABSTRACT

In the modern economy, retail is being transformed under the influence of digital technologies, where machine learning (MO) methods play a key role in automating pricing. The introduction of MO into retail makes it possible to develop dynamic price models adapted to market conditions and consumer behavior. Research shows that the MO significantly improves the quality of price management by providing opportunities for more accurate data analysis and demand forecasting. This, in turn, leads to an increase in profitability and marginality of retail enterprises. The work highlights the principles of integrating MO into pricing processes, including the stages of data collection and processing, model training and their practical application for price optimization. The importance of introducing MO into retail is highlighted by the results, which demonstrate a significant improvement in commercial performance and operational efficiency.

Ключевые слова: ценообразование, ритейл, машинное обучение, искусственный интеллект, ИИ, современные технологии.

Keywords: pricing, retail, personalization, machine learning, artificial intelligence, AI, modern technologies.

Введение

В эпоху цифровизации изменились и предпочтения покупателей, все больше предпочитающих делать покупки не выходя из дома. Что в свою очередь обусловило рост популярности интернет-торговли (рис.1). В отличие от традиционной торговли, где успех продаж зависит от множества факторов — от характеристик товара до местоположения магазина и его визуального оформления — в интернет-торговле решающими становятся цена и спецификации товара [5].

В 2023 году объём интернет-торговли в России увеличился на 27,5% и составил 6,4 трлн руб. Темпы роста остаются двузначными и выше чем в 2021–2022 годах. Доля e-commerce в общем объёме розничных продаж повысилась до 13,8% с 11,6% в 2022 году, что подчеркивает значительное расширение данного сектора в условиях продолжающейся цифровизации [6].

Рисунок 1. Развитие онлайн-торговли в России [6].

Поэтому на розничном рынке процесс ценообразования все чаще становится центральным элементом поддержания конкурентоспособности. Одновременный рост количества и качества данных, включая внутренние и внешние данные о покупателях (например, соц. сети), и появление технологий машинного обучения (МО) открыло новые возможности для автоматизации стратегий ценообразования. Эти возможности дают ритейлерам инструменты для динамической корректировки цен в ответ на рыночный спрос, уровень запасов и меняющееся поведение потребителей. Эта автоматизация не только обещает повысить операционную эффективность, но и улучшить баланс между прибыльностью и удовлетворенностью клиентов.

Значение интеграции МО в стратегии ценообразования довольно высоко. Традиционным методам ценообразования, часто основанным на исторических данных и эвристических правилах, не хватает гибкости, чтобы реагировать на изменения рынка в реальном времени. Машинное обучение, напротив, использует обширные наборы данных для прогнозирования поведения потребителей с высокой точностью, создавая модели динамического ценообразования, которые адаптируются к колебаниям спроса и предложения [13]. Такие колебания могут быть обусловленных в том числе внешними факторами (например, погода, мероприятия), что подчеркивает важность внешних данных. Так, алгоритмы машинного обучения могут анализировать сезонные тенденции покупок, рекламное воздействие и цены конкурентов, чтобы оптимизировать стратегии розничного ценообразования, тем самым обеспечивая конкурентное преимуществона рынке в реальном времени.

Более того, внедрение машинного обучения в розничное ценообразование означает не только сохранение конкурентоспособности; речь идет о выживании в эпоху цифровых технологий, когда потребительские предпочтения меняются с беспрецедентной скоростью. Возможность использовать основанную на данных информацию для прогнозирования этих изменений и реагирования на них имеет решающее значение.

Однако интеграция машинного обучения в розничное ценообразование не лишена проблем. Ритейлерам приходится решать вопросы, связанные с качеством данных и их хранением, проблемами конфиденциальности и необходимостью постоянного совершенствования алгоритмов для обеспечения точности и актуальности. Несмотря на эти проблемы, перспективы машинного обучения и искусственного интеллекта в целом в трансформации розничного ценообразования неоспоримы. Поскольку все больше ритейлеров продолжают использовать возможности машинного обучения растет вероятность изменений в подходе к разработке и реализации стратегии ценообразования, переходя от статических моделей к более динамичным подходам, основанным на постоянном обновлении данных в реальном времени.

Литературный обзор

Машинное обучение оказывает значительное влияние на различные секторы экономики, включая ритейл и похожие отрасли, где динамическое изменение цен подкрепляется рядом исследований, подтверждающих эффективность такого подхода [9]. Например, Кузнецов С.В. отмечает, что традиционные статичные цены уступают место динамическим моделям с фокусом на персонализацию [8]. Загайнова Е.В. разработала механизм для авиакомпаний, позволяющий с помощью динамического ценообразования сократить количество непроданных билетов [3].

В работе с динамическим ценообразованием важно учитывать большое количество переменных, что выходит за рамки человеческих возможностей в плане обработки информации. В этом контексте, машинное обучение предоставляет возможности для создания моделей, способных к самостоятельной корректировке и адаптации в соответствии с изменяющимися условиями, тем самым повышая эффективность и качество работы без необходимости глубокого понимания всех процессов, участвующих в получении результатов.

Как подчеркивает в своей работе Черняков, потенциал таких моделей в розничной торговле выходит за рамки ценообразования и охватывает все розничные операции, от управления запасами до обслуживания клиентов, что еще раз подчеркивает преобразующее влияние машинного обучения на отрасль розничной торговли [14].

Другим примером моделей, набирающих популярность по мере развития технологий и накопления данных, являются модели генеративного искусственного интеллекта. В ритейле такие модели не только оптимизируют ценообразование, но и предоставляют бизнес-обоснование для принятия решений менеджерами.

В рамках данной статьи будет более подробно рассмотрен вопрос автоматизации ценообразования в ритейле, при помощи внедрения технологий искусственного интеллекта [17].

Определение машинного обучения

Машинное обучение (МО) — это отрасль  искусственного интеллекта (ИИ) и информатики, которая фокусируется на использовании данных и алгоритмов, позволяющих ИИ имитировать способ обучения людей, постепенно повышая его точность.

Калифорнийский университет в Беркли выделяет в системе обучения алгоритма машинного обучения три шага:

1. Процесс принятия решения. Как правило, алгоритмы машинного обучения используются для прогнозирования или классификации. На основе некоторого обучающего набора, алгоритм аппроксимирует закономерности в данных.
2. Расчет функции ошибки: функция ошибки оценивает прогноз модели. Если есть известные примеры, функция ошибок может провести сравнение, чтобы оценить точность модели. Пример простейшей функции ошибки – среднего квадратного отклонения (MSE) – представлен в формуле (1):

                                                                      (1)

3. Процесс оптимизации модели: в целях минимизации ошибки (формула 1) на обучающем наборе, параметры модели корректируются, чтобы уменьшить несоответствие между известным примером y_i и оценкой модели . Алгоритм будет повторять этот итеративный процесс «оценки и оптимизации», автономно обновляя веса до тех пор, пока не будет достигнут порог точности [1].

Если говорить о типах машинного обучения, то большинство задач можно разделить на два вида машинного обучения: обучение с учителем (supervised learning) и обучение без учителя (unsupervised learning). В этих методах “учителем” может выступать специалист, который задает правила и контролирует работу алгоритма, но это не является обязательным. В контексте машинного обучения “учителем” может быть любое вмешательство человека в процесс обработки информации – например, ручная разметка данных для обучения. В обоих случаях алгоритму предоставляются исходные данные, которые он должен проанализировать и найти в них закономерности. Главное отличие между обучением с учителем и обучением без учителя заключается в наличии или отсутствии представленных гипотез, которые требуется проверить или подтвердить. Также есть третий тип – обучение с подкреплением, где модель обучается принимать решения и выполнять действия в определенной среде, с целью максимизировать некоторую награду или накопленную полезность.

Каждый из этих типов моделей машинного обучения решает разные задачи, в том числе в ритейле (примеры в скобках):

1. обучения с учителем – задачи регрессии (например, прогноз продаж) и классификации (например, сегментация потребителей с заранее определенными сегментами)
2. обучение без учителя – задачи кластеризации (например, группировка магазинов без заранее определенных групп)
3. обучение с подкреплением – управление роботизацией (например, автоматизация производства и управления складом товаров).

Благодаря такому широкому спектру применимости, машинное обучение оказывает прямое всестороннее воздействие на розничную торговлю, а его комбинация с оптимизацией и автоматизацией расширяет возможности применения. Это позволяет розничным предприятиям, от онлайн-платформ до традиционных магазинов, проводить комплексный анализ больших объемов информации для выявления тенденций и более глубокого понимания рынка.

Особенно заметными становятся преимущества машинного обучения в области установления цен на товары, так как эффект ценообразования напрямую и полностью транслируется не только в выручку, но и в прибыль компаний. С достаточным объемом данных, алгоритмы могут анализировать и моделировать сложные многофакторные зависимости спроса, что ранее было существенно сложнее. Результаты такого анализа позволяют разработать динамические системы ценообразования, адаптируемые под конкретные цели бизнеса и конкретных потребителей, с учетом их интересов и потребностей [10].

Этапы внедрения машинного обучения

Эффективное использование данных для прогнозирования спроса и оптимизации цен требует тщательной подготовки и анализа. Для обеспечения успеха этого процесса следует принять во внимание несколько основополагающих этапов.

Данный процесс начинается со сбора данных из многочисленных источников, включая записи о транзакциях, описания продуктов, исторические данные о рекламных акциях, отзывы клиентов, информацию о конкурентах, а также данные о запасах и поставках. Качество и доступность этих данных напрямую влияют на эффективность моделирования и точность прогнозов.

Следующим этапом следует процесс унификации, который преобразует все данные в единый формат, что способствует повышению качества данных и их прозрачности.

Далее идет синхронизация данных, этот процесс важен для поддержания актуальности и согласованности данных, хранящихся в различных системах. Синхронизация может выполняться в реальном времени или согласно установленному расписанию, чтобы обеспечить актуальность данных во всех системах.

После чего проводится непосредственно моделирование и последующее обучение систем машинного обучения. После обучения моделей начинается их практическое использование для установления цен. Несмотря на возможность полностью автоматизировать процесс, не рекомендуется исключаться экспертную проверку из процесса принятия решений. Знания экспертов, например, категорийных менеджеров, являются новыми вводными для модели и препятствуют появления случайных выбросов и ошибок.

Для поддержания эффективности моделей необходимо регулярно обновлять данные и исследовать новые источники информации, чтобы адаптировать модели к меняющимся условиям рынка [15].

Для наглядности, на рисунке 3 отражены этапы внедрения машинного обучения. Весь процесс от выявления возможностей и формулировки гипотез до внедрения модели может занимать до года.

Рисунок 3. Этапы внедрения машинного обучения [12].

Результаты применения машинного обучения

Основываясь на данных о покупках, потребительских тенденциях и активности в социальных сетях, алгоритмы способствуют формированию персонализированных ценовых предложений и сопровождающих маркетинговых кампаний.

Практическое применение различных моделей машинного обучения заключается в следующих аспектах [11]:

1. байесовские подходы (аплифт моделирование) и A/B тестирование позволяют моделировать поведение потребителей для создания настроенных персонализированных предложений, повышая тем самым клиентскую отклик и уменьшая отток
2. линейные и динамические оптимизационные алгоритмы могут адаптировать цены и специальные предложения в реальном времени для увеличения продаж
3. регрессионные алгоритмы расчета эластичности (формула 2) обеспечивают эффективное управление выручкой и запасами, поддерживая оптимальный уровень наличия товаров в зависимости от рекомендуемых цен

4. авторегрессионное моделирование временных рядов (ARIMA) помогает спрогнозировать будущий спрос, позволяя компаниям адекватно планировать свои запасы и маркетинговые акции.

Комплекс таких моделей может значительно улучшить ключевые показатели деятельности для ритейлеров. Исследования, проведенные Gartner Quadrant, выявили следующие результаты после начального внедрения алгоритмов в процесс ценообразования:

• Повышение общей выручки на 1-5%;
• Увеличение маржинальности на 2-10%
• Сокращение неэффективных промоакций на 80%;
• Расширение жизненного цикла клиента на 20% [16].

Результат анализа внедрения искусственного интеллекта в ценообразование ведущего британского ритейлера, проведенного компанией Competera [7], демонстрирует следующие результаты уже через месяц использования технологии:

• увеличение объема транзакций на 22,3%;
• рост выручки на 13,9%.

Эти данные подтверждают, что внедрение машинного обучения в процесс ценообразования способно принести значительные выгоды для крупного бизнеса, особенно на динамичных рынках, где требуется изменение цен на тысячи товарных позиций еженедельно, или даже несколько раз в день. Алгоритмы особенно полезны для компаний с сложной структурой регионального или много-канального ценообразования.

Однако, внедрение таких алгоритмов требует значительных инвестиций – в данные и в команду. Данные являются достаточно важным активом в любых инициативах, связанных с ценообразованием, и их корректная структуризация и хранение имеют решающее значение для успеха. Кроме того, мобильность команды является залогом успешной реализации проектов оптимизации цен, где искусственный интеллект способствует изменению ролей в команде, перераспределяя рутинные задачи и освобождая ресурсы для стратегических инициатив.

Практическое применение машинного обучения в ценообразовании

Розничные компании по всему миру используют алгоритмы машинного обучения для совершенствования своих стратегий ценообразования, улучшения качества обслуживания клиентов и оптимизации своих цепочек поставок.

Динамическое ценообразование является приоритетной областью применения машинного обучения в розничной торговле, позволяя компаниям корректировать свои цены в режиме реального времени в зависимости от меняющихся рыночных условий, колебаний спроса и ценовых стратегий конкурентов. Например, Amazon, лидер в сфере розничной торговли, использует сложные алгоритмы машинного обучения для корректировки цен на свои продукты несколько раз в день. Анализируя данные о паттернах потребительских покупок, ценах конкурентов и уровне запасов, Amazon обеспечивает конкурентоспособное ценообразование, которое максимизирует размер прибыли, сохраняя при этом удовлетворенность клиентов. Показано, что реализация стратегий динамического ценообразования позволяет увеличить выручку до 25% в некоторых секторах розничной торговли [2,4].

Также машинное обучение значительно расширяет возможности ритейлеров сегментировать клиентов на основе различных критериев, таких как покупательское поведение, предпочтения и реакция на рекламные акции. Эта сегментация позволяет использовать персонализированные цены и маркетинговые стратегии, которые увеличивают вовлеченность и продажи. Например, в исследовании Чернякова [3] обсуждается, как алгоритмы обучения без подкрепления, такие как кластеризация K-means, используются для группировки клиентов со схожим поведением, на которых ритейлеры затем могут ориентироваться с помощью индивидуальных маркетинговых сообщений и предложений. Такой целенаправленный подход не только увеличивает продажи, но и повышает лояльность клиентов за счет предоставления соответствующего контента и предложений.

Интеграция  процессов ценообразования и управления запасами через  алгоритмы машинного обучения имеет дополнительный синергетический эффект. Предиктивная аналитика используется для прогнозирования спроса на продукцию, тем самым определяя стратегии пополнения запасов, которые предотвращают как затоваривание, так и дефицит [12]. Показательным примером является внедрение Walmart системы прогнозирования на основе машинного обучения, которая анализирует исторические данные о продажах, сезонные тенденции и рекламную деятельность для прогнозирования будущего спроса на продукцию с высокой точностью. Эта система позволила Walmart сократить расходы на хранение товарных запасов и повысить уровень наличия товаров на складе, способствуя повышению качества обслуживания клиентов.

Наконец, разработка моделей генеративного искусственного интеллекта открывает новые возможности для дальнейшей оптимизации ценообразования. Так автоматизация создания маркетингового контента позволяет перейти к гипер-персонализации ценовых и промо предложений.

Заключение

Применение машинного обучения в ценообразовании демонстрирует значительные преимущества для бизнеса, включая управление выручкой, персонализацию предложений и оптимизацию запасов. Эффективность МО проявляется в способности алгоритмов к обработке больших объемов данных и выявлению закономерностей, что при достаточном объеме и качестве данных позволяет ритейлерам адаптировать цены в реальном времени и улучшать взаимодействие с клиентами.

Таким образом, интеграция машинного обучения в ценообразование не только повышает экономическую эффективность, но и способствует более глубокому пониманию рынка и потребностей клиентов, что является важным фактором конкурентоспособности на современном рынке розничной торговли.

Список литературы:

1. Введение в машинное обучение: как начать и что нужно знать. [Электронный ресурс] – Режим доступа: https://serverspace.ru/about/blog/vvedenie-v-mashinnoe-obuchenie-kak-nachat-i-chto-nuzhno-znat/?utm_source=yandex.ru&utm_medium=organic&utm_campaign=yandex.ru&utm_referrer=yandex.ru
2. Динамическое ценообразование на основе LSTM — ANN в ретейле товаров для дома. [Электронный ресурс] – Режим доступа: https://habr.com/ru/articles/421429/
3. Загайнова Е. В. Модель динамического ценообразования на рынке пассажирских авиаперевозок //Журнал экономической теории. – 2017. – №. 4. – С. 176-182.
4. Иваненко А. Р., Калабина Е. Г. Возможности использования динамического ценообразования в сфере ритейла //e-FORUM. – Федеральное государственное бюджетное образовательное учреждение высшего образования Уральский государственный экономический университет, 2021. – Т. 5. – №. 2.
5. Ильин И. В. и др. Основные тренды цифровой трансформации российского бизнеса //Наука и бизнес: пути развития. – 2019. – №. 7. – С. 137-143.
6. Интернет-торговля в России выросла в 2023 году — какие компании показали лучший результат. [Электронный ресурс] – Режим доступа: https://alfabank.ru/make-money/investments/learn/t/internet-torgovlya-v-rossii-virosla-v-2023-godu--kakie-kompanii-pokazali-luchshii-rezultat/#:~:text
7. Искусственный интеллект для ритейла: какие результаты получит бизнес. [Электронный ресурс] – Режим доступа: https://vc.ru/trade/48616-iskusstvennyy-intellekt-dlya-riteyla-kakie-rezultaty-poluchit-biznes
8. Кузнецов С. В. Динамическое ценообразование в электронной комерции //Экономические исследования и разработки. – 2017. – №. 3. – С. 6-11.
9. Люкевич И. Н., Долгов А. М. Применение машинного обучения в ценообразваонии инноваций //Фундаментальные и прикладные исследования в области управления, экономики и торговли. – 2023. – С. 114-122.
10. Машинное обучение в ритейле: как использовать данные для прогнозирования спроса и оптимизации цен. [Электронный ресурс] – Режим доступа: https://invento-labs.by/o-kompanii/blog/2024/apr/mashinnoe-obuchenie-v-ritejle-kak-ispolzovat-dannye-dlya-prognozirovaniya-sprosa-i-optimizacii-cen.html
11. Применение аналитики в ценообразовании Competera. [Электронный ресурс] – Режим доступа: https://competera.ai/solutions/by-need/ai-retail
12. Рогулин Р.С. Обзор прикладных основ использования аналитики данных и машинного обучения в прогнозировании спроса // Экономические и социально-гуманитарные исследования. 2023. № 3 (39). С. 115—126.
13. Смоляков Д. А. Искусственный интеллект и экономика: перспективы и последствия автоматизации //Внедрение передового опыта и практическое применение результатов инновационных исследований. – 2023. – С. 231.
14. Черняков А. Н. Обзор информационных платформ-источников наборов данных для построения моделей машинного обучения в ритейле //Инновации и инвестиции. – 2023. – №. 3. – С. 218-223.
15. Этапы внедрения моделей машинного обучения на крупных предприятиях. [Электронный ресурс] – Режим доступа: https://www.pvsm.ru/proizvodstvo/337314
16. How AI Helps Retailers With Price Optimization. [Электронный ресурс] – Режим доступа: https://dlabs.ai/blog/how-ai-helps-retailers-with-price-optimization/
17. Kreuzberger D., Kühl N., Hirschl S. Machine learning operations (mlops): Overview, definition, and architecture //IEEE access. – 2023.