Оптимизация цен
Модель на вашей истории продаж считает, как спрос каждого SKU отвечает на изменение цены, и рекомендует цены, которые максимизируют маржинальный доход — в рамках МРЦ, конкурентного поля и остатков. Эффект не декларируем, а измеряем A/B-тестом.
Иллюстрация показывает рабочий контур направления; конкретные шаги и интеграции разобраны ниже.
Как это выглядит без автоматизации
В большинстве торговых компаний цена — это закупка плюс привычная наценка на категорию, с ручными правками, когда «конкурент задвигался». На двух десятках позиций так жить можно. На тысячах SKU это потери с двух сторон сразу: часть товаров недооценена и отдаёт маржу покупателю, который заплатил бы больше, часть переоценена и теряет объём. Обе ошибки не видны в отчётах — там просто «нормальные продажи».
Одна наценка на категорию — средняя температура по больнице
Внутри категории эластичность различается в разы: за ходовым товаром-маркером покупатель следит и уходит из-за 20 ₽, а сопутствующий хвост спокойно терпит +10–15% к цене. Единая наценка 30% теряет деньги на обоих концах: на маркерах — трафик, на хвосте — маржу.
Слежка за конкурентом вместо собственной стратегии
Цена «как у конкурента минус 5%» копирует чужие решения, принятые под чужие остатки, закупку и цели. Конкурент распродаёт сток перед новой коллекцией — вы просто режете маржу на товаре, который у вас купили бы и так.
До хвоста ассортимента руки не доходят никогда
Категорийный менеджер физически пересматривает 200–300 позиций в месяц. Остальные тысячи живут с ценами прошлого года при подорожавшей закупке и логистике: на части хвоста наценка давно ниже плановой, и этого никто не замечает.
Промо оценивается по выручке, а не по марже
Скидка 25% даёт всплеск штук и красивый график продаж. Сколько акций реально прибавили маржинальный доход, а сколько раздали маржу покупателям, которые купили бы без скидки, — не считает никто: для этого нужен прогноз «что было бы без акции».
Во что это обходится: Выручка 40 000 000 ₽/мес × 25% маржи = 10 000 000 ₽ маржинального дохода. Недобор всего 2–4% из-за усреднённых наценок, запоздалых реакций и убыточных промо — это 200 000 – 400 000 ₽ каждый месяц. В отчётности этой строки нет: недополученную маржу никто не считает.
Возможности системы
Мы строим ценовую модель на ваших данных: история продаж, остатки, себестоимость, промо и цены конкурентов. Модель оценивает эластичность — насколько изменится спрос каждого SKU при изменении цены — и подбирает цены, максимизирующие маржинальный доход в заданных вами границах. Это не чёрный ящик: у каждой рекомендации виден прогноз эффекта и причины, а последнее слово остаётся за вашим категорийным менеджером.
Эластичность по каждому SKU
Модель учитывает сезонность, промо-историю, остатки и взаимное влияние товаров внутри линейки. Для позиций с короткой историей работает иерархия: оценка категории уточняется до SKU по мере накопления данных.
Рекомендации с прогнозом эффекта
Не просто «поставьте 4 290 ₽», а прогноз: изменение штук, выручки и маржинального дохода с интервалом неопределённости. Менеджер принимает решение на цифрах, а не на интуиции.
Жёсткие ограничения бизнеса
МРЦ и договорные цены, минимальная маржа, ценовые лестницы внутри линейки, психологические окончания, максимальный шаг и частота изменений. Нарушение блокируется до выгрузки цены, а не разбирается задним числом.
Конкуренты и остатки — факторы, а не команда
Цены конкурентов из мониторинга входят в модель наравне с остатками: затоваренный SKU получает логику распродажи, дефицитный перед поставкой дёшево не отдаётся. Решение принимается по марже, а не рефлексом «подвинуться следом».
A/B-проверка вместо обещаний
Ассортимент или магазины делятся на тестовую и контрольную группы. Эффект — разница маржинального дохода между группами за один и тот же период: сезонность и рынок бьют по обеим одинаково, остаётся чистый вклад цен.
Выгрузка цен туда, где они живут
Согласованные цены автоматически уходят в 1С, интернет-магазин и кабинеты маркетплейсов с учётом комиссий каждого канала. Каждое изменение в журнале: старая цена, новая, прогноз, кто согласовал.
Путь одного события через систему
Каждый шаг оставляет след в журнале: любое решение системы можно открыть и проверить — что пришло, что проверено, что сделано.
Данные стекаются в витрину ежедневно
Продажи и остатки из 1С и кабинетов маркетплейсов, себестоимость, промо-календарь, цены конкурентов из мониторинга. Всё сводится к единому справочнику SKU — без этого ценовая аналитика рассыпается.
Модель пересчитывает эластичность
По каждому SKU обновляется оценка отклика спроса на цену с учётом сезона, дня недели, промо и каннибализации внутри линейки. Позиции без собственной статистики получают оценку своей категории.
Оптимизатор подбирает цены
Для каждого SKU ищется цена с максимальным ожидаемым маржинальным доходом внутри ограничений: МРЦ, минимальная маржа, лестницы линейки, допустимый шаг изменения, целевая оборачиваемость остатков.
Рекомендации приходят на согласование
Менеджер видит пакет изменений, отсортированный по денежному эффекту: текущая цена, рекомендованная, прогноз, причина. Подтверждает пакетно, правит точечно или отклоняет — каждое решение остаётся в журнале.
Цены уезжают в системы
Подтверждённые цены выгружаются в 1С, на сайт и в кабинеты Wildberries, Ozon и Яндекс Маркета. Для каждого канала — своя цена с учётом его комиссии и логистики.
Факт сверяется с прогнозом
Через неделю по каждому изменению сравниваются прогноз и факт. Расхождения дообучают модель, систематические промахи по категории видны в отчёте — модель не деградирует незаметно.
Что происходит по неделям
Каждый этап заканчивается результатом, который вы видите и принимаете. Оплата привязана к приёмке, а не к обещаниям.
Аудит данных и ценовой политики
Выгружаем историю продаж за 1–3 года, остатки, закупочные цены и историю изменений цен. Проверяем главное: достаточно ли в данных ценовой вариативности, чтобы оценивать эластичность, и по какой доле ассортимента. Фиксируем действующие ограничения: МРЦ, договорные обязательства, внутренние правила.
Витрина данных и мониторинг конкурентов
Собираем витрину на PostgreSQL или ClickHouse: продажи, остатки, себестоимость, промо, комиссии каналов. Подключаем цены конкурентов — ваш действующий сервис мониторинга или настраиваем сбор по согласованному списку позиций и площадок.
Модель эластичности и проверка на истории
Строим модель спроса от цены по SKU и категориям. Прогоняем её на отложенных исторических периодах: что модель порекомендовала бы год назад и что произошло бы с маржой. Честно размечаем, где прогноз надёжен, а где данных мало.
Оптимизатор, ограничения и контур согласования
Переносим регламент ограничений в конфигурацию: МРЦ, минимальная маржа, лестницы, шаг и частота изменений, окончания цен. Собираем интерфейс согласования пакетов и выгрузку цен в 1С и кабинеты площадок.
A/B-пилот на части ассортимента
Делим согласованный ассортимент или магазины на тестовую и контрольную группы. Тестовая получает цены модели, контрольная живёт по старым правилам. Еженедельно разбираем результаты и спорные рекомендации, донастраиваем ограничения.
Масштабирование и сопровождение
Расширяем контур на весь ассортимент и все каналы. Следим за качеством модели: дрейф спроса, новинки, смена сезона, изменение комиссий площадок. Обновляем ограничения при смене коммерческой политики.
Модельный расчёт: из чего складывается эффект
Не «до 90% экономии», а конкретная модель с вводными, которые можно оспорить и пересчитать под себя.
| Показатель | Сейчас | После внедрения |
|---|---|---|
| Маржинальный доход | 10 000 000 ₽/мес | ≈ 10 240 000 ₽/мес (+3% на охваченной части) |
| Пересматривается позиций | 200–300 в месяц вручную | все 4 000 SKU еженедельно |
| Реакция на смену цены конкурента | от недели до «не заметили» | следующий пересчёт, в пределах суток |
| Продажи ниже МРЦ и минимальной маржи | всплывают случайно, задним числом | блокируются до выгрузки цены |
| Время менеджеров на цены | по 2 дня в неделю у каждого | 2–3 часа в неделю на согласование пакетов |
Полная цена владения — три составляющие
Никаких скрытых платежей: внешние сервисы вы оплачиваете напрямую по своим договорам, мы не делаем наценку на чужие тарифы.
Внедрение
- типовой проект: 950 000 ₽
- срок: 8–16 недель
- диагностика, разработка, интеграции, пилот
- документация и обучение команды
Поддержка
- мониторинг и реагирование по SLA
- исправление дефектов бесплатно
- обновление сценариев и интеграций
- ежемесячный отчёт о работе системы
Эксплуатация
- Мониторинг цен конкурентов (Priceva, Metacommerce и аналоги): 10 000 – 40 000 ₽/мес в зависимости от числа SKU и площадок
- Сервер или облако под витрину и расчёты: 5 000 – 30 000 ₽/мес
- Управляемый ClickHouse на больших объёмах данных: 10 000 – 50 000 ₽/мес
- число SKU, каналов и юрлиц: у розницы, сайта и каждого маркетплейса свои комиссии и своя выгрузка цен
- качество истории: если цены годами не менялись, эластичность добираем управляемыми экспериментами — это удлиняет путь до эффекта
- источник цен конкурентов: подключить готовый сервис мониторинга дешевле, чем строить сбор с нуля
- глубина автоматизации: рекомендации с ручным подтверждением дешевле полного автопилота с границами и журналом
- B2B-надстройка: скидочные матрицы и индивидуальные прайсы клиентов заметно усложняют модель по сравнению с единой розничной ценой
Участие заказчика
На диагностике достаточно обезличенных примеров. Боевые доступы — только после договора и NDA, через защищённые каналы.
С чем соединяем
Работаем с тем, что у вас уже есть. Если вашей системы нет в списке — скорее всего, подключимся через API: уточним на диагностике.
Как это решение работает в разных бизнесах
Сеть «у дома» на 30 магазинов, 6 000 SKU: товары-маркеры вроде молока и сахара держат трафик минимальной наценкой, а маржа добирается на хвосте ассортимента, к цене которого покупатель малочувствителен. Модельный эффект такой стратегии — +2–3% маржинального дохода по сети без потери трафика.
Продавец на Wildberries и Ozon с 3 000 SKU ставил цены «как у конкурента минус 5%». Модель считает маржу после комиссии и логистики каждой площадки: на ~800 позициях цену можно поднять без потери заказов, на ~400 — снизить ради оборачиваемости. Модельный итог: +4% маржинального дохода при той же выручке.
Оптовик с 12 000 позиций и скидочной матрицей: менеджеры дают скидки «на глаз» до 15%. Система считает границу скидки по каждой паре клиент-позиция и блокирует переторговку ниже минимальной маржи — одна дисциплина скидок даёт +1,5–2% к марже.
Производитель продуктов питания, 400 SKU, отгрузки в сети: вместо ковровой индексации +4% на всё — точечное повышение на 6–8% там, где эластичность и полка позволяют, и заморозка цен на позициях с риском вылета из матрицы. Та же сумма повышения при меньшем риске потерять листинг.
Гостиница на 120 номеров: цена ночи зависит от даты, дня недели, глубины бронирования и загрузки — тысячи ценовых точек в году вместо трёх сезонных прайсов. Модельный эффект динамических тарифов — +5–10% выручки номерного фонда за счёт пиковых дат, которые раньше распродавались заранее и дёшево.
Что обычно спрашивают
У нас цены почти не менялись годами. На чём модель будет учиться?
Чем это отличается от репрайсера на маркетплейсе?
Кто в итоге меняет цены — модель или человек?
Покупатели не разозлятся, что цены скачут?
Как быть с МРЦ и требованиями поставщиков?
Как мы поймём, что деньги принесла модель, а не сезон?
Когда это решение не окупится
- меньше ~1000 SKU с историей продаж — эластичность считать не на чем: дешевле аккуратная ручная политика плюс сервис мониторинга конкурентов за 10–20 тысяч ₽/мес
- каждая сделка торгуется индивидуально (проектные B2B-продажи, стройподряд) — там работают регламент скидок и скоринг сделок, а не ценовая модель по SKU
- цены зафиксированы регулятором, франчайзером или головной компанией — оптимизировать нечего, полезен разве что контроль соблюдения
- в учёте нет себестоимости и собирать её не готовы: без неё маржинальный доход не посчитать, а оптимизировать выручку вслепую опасно
- стратегия «всегда дешевле всех»: для демпинга модель не нужна, хватит мониторинга конкурентов — правда, и маржи при такой стратегии не будет
Если на диагностике расчёт не сойдётся — мы предложим более простой вариант или честно скажем, что автоматизация вам пока не нужна. Это дешевле для всех, чем проект ради проекта.
Прогнозирование спроса
Модель на вашей истории продаж считает спрос по каждой паре «товар — точка» с учётом сезонности, промо и трендов, а затем сверяет прогноз с фактом и объясняет отклонения. Результат уходит прямо в закупки и производство: меньше дефицита при меньшем складском запасе.
Аналитика и прогнозированиеBI-дашборды для бизнеса
Ключевые показатели из 1С, CRM, маркетплейсов и рекламы — на одном экране, с автоматическим обновлением и детализацией до конкретной операции. Одна версия цифр на всю компанию вместо спора, чей Excel правильнее.
Маркетинг и e-commerceАнализ конкурентов
Ежедневно снимаем открытые данные конкурентов — цены, ассортимент, акции, наличие, контент, — сопоставляем их с вашим каталогом позиция к позиции и присылаем алерт только тогда, когда изменение действительно требует решения.
Посчитать «Оптимизация цен» на ваших цифрах?
Пришлите объёмы и пару примеров — вернёмся с картой процесса, честным расчётом экономики и точной сметой. Если не сойдётся — так и скажем.
