Ценообразование в ритейле: в поисках баланса между доходностью и ценовым восприятием

Фото: McKinsey

Традиционное регулярное ценообразование в ритейле можно сравнить с аптечными весами. На одной чаше – ценовое восприятие сети потребителями, на другой – доходность. Стремясь выполнить свои цели, ритейлеры балансируют между этими двумя приоритетами. Проседая по доходности – повышают цены. Фиксируя отставание по обороту и трафику – понижают.

Выбор товаров, цены на которые корректируются, и масштабы изменений при этом чаще основывается на сформировавшихся в компании традициях и экспертном мнении. Куда реже – на аналитических аргументах. Это делает компромисс между доходностью и ценовым восприятием особенно сложным и болезненным.

В материале, вышедшем на vc.ru, компания McKinsey попыталась дать ответы на следующие вопросы. Можно ли назначить цены так, чтобы поднять одновременно обе чаши весов? Выиграть в доходности и при этом не утратить привлекательность в глазах гостей? Привлечь новый трафик в магазины и не потерять в рентабельности?

---

 От хаотичности к централизации

Система ценообразования во многих розничных сетях держится на минимуме аналитики и практически полностью опирается на экспертизу категорийного менеджера. Он понимает, как ведут себя товары в его категории, и регулирует цены на полках. Категорийный менеджер ориентируется на благо собственной категории и выполнение своих персональных целей, но это не всегда согласуется с бизнес-задачами всей сети.

Типичная ситуация: руководство сети приняло решение наращивать трафик. У руководителя категории “хлеб” с трафиком (например, с проникновением в чеки) все в порядке, но плохо с маржой, и он слегка поднимает цены на товары в своей категории. Тем временем его коллега из категории “шоколад” делает обратное: в его категории падают продажи, и он начинает снижать цены. Продажи начинают расти, но падает маржа.

Верхнеуровневая стратегия плохо каскадируется на конкретных людей и категории товаров и, что даже хуже, у гостя не складывается целостного ценового восприятия сети. Хлеб – дороже, чем в других магазинах, а шоколад  – дешевле. Это дорогой или дешевый магазин? Ничего не понятно.

Фундамент любого проекта по оптимизации ценообразования – переход от хаотичного ценообразования на уровне категорий к централизованному процессу с единым центром компетенций. График мониторинга цен, ценообразование по категориям, порядок согласования корректировок со стороны категорийных менеджеров требуют четкого регламента. И уже на эту основу можно нанизывать полезные инструменты от аналитики базового уровня до продвинутой аналитики на основе алгоритмов машинного обучения.

Купить или не купить?

Как человек принимает решение о том, купить или не купить какой-то товар?

Казалось бы, самый очевидный ответ – чем выше цена товара, тем меньше покупают и наоборот. Это ценовая эластичность спроса, то есть его изменение в ответ на рост или падение цены. Многие "коробочные" ИТ-решения в сегменте ценообразования строят свои рекомендации на базе оценки эластичности, пользуясь историческими данными как базой для расчёта. Наш опыт показывает: такой анализ скорее приведёт к некорректным рекомендациям, чем поможет улучшить ценообразование.

Ключевая проблема такого подхода – режим "розовых очков". Ценовая эластичность отражает поведение потребителя в идеализированной ситуации, когда магазин нашей сети стоит в чистом поле. Без конкурентов, изменений погоды, экономических кризисов и прочих внешних факторов. Тогда продажи товара действительно, скорее всего, будут меняться вслед за изменением его цены.

Но реальность устроена иначе. Редкие и незначительные изменения собственной регулярной цены на товар сопровождаются гораздо более сильным внешним влиянием – изменение цен у конкурентов, промо на товары в категории, маркетинговые активности конкурентов, сезонные колебания, пересмотр ассортимента – список можно продолжать бесконечно. Попытка выявить, как же "то единственное" изменение регулярной цены на 3% полгода назад повлияло на продажи товара и экстраполировать это на возможные другие варианты цены – не лучший путь к повышению эффективности ценообразования.

Не все факторы, влияющие на регулярный спрос, равнозначны. Есть один, который выделяется на фоне всех остальных и превосходит по значимости даже абсолютный уровень цены. Речь про соотношение цены товара у конкретного ритейлера с предложениями его конкурентов. Согласно множеству исследований, отправляясь за покупками, люди часто посещают до трёх магазинов и сравнивают стоимость на товары в них.

Какую ценовую стратегию избрать ритейлеру в такой ситуации? В отдельных случаях даже небольшое изменение цены может сыграть решающую роль. По данным Nielsen, в одной из категорий молочных продуктов в магазинах, где разница в ценах с основным конкурентом одного из производителей была на 5% меньше, продажи были на 75% выше средних для этого SKU.

Ключевое значение имеет знание цен на рынке (как офлайн, так и у интернет-ритейлеров) и понимание того, как покупатели реагируют на изменение стоимости тех или иных категорий и товаров. Как обеспечить наличие качественной и своевременной информации о ситуации на рынке?

Мониторинг рынка. Исправление ошибок

Чтобы понять, на какие цены ориентироваться при разработке собственной ценовой стратегии, просто собрать данные из разных источников недостаточно, а цифры первичного мониторинга не всегда показательны. Где-то мы столкнемся с ошибками людей, которые делали замеры; где-то – с промо-ценами, которые не маркированы как акционные; где-то встретим экспериментальные магазины конкурентов.

С точки зрения data science, подобные отклонения в ценах – это “шумы” в данных, которые также называют выбросами или аномалиями. Алгоритмы машинного обучения могут быть к ним неустойчивы и для любого объективного анализа (например, относительной цены или эластичности) очистка данных – идентификация аномалий и их удаление – обязательный этап. Поиск аномалий также помогает выявить ошибки в методиках по сбору и занесению данных.

Независимо от того, в каких данных они возникли, с точки зрения data science существует два типа аномалий:

Аномалии во временных рядах.Например, мониторинг цен. Допустим, в какой-то момент времени цена на определенный продукт выросла или упала вдвое или по какому-то SKU цена намного выше, чем по другим.

Аномалии в наблюдениях, не генерируемых последовательно во времени. Например, при диагностике качества продукта на выходе по качеству сырья.

Мы обычно выделяем 5 способов борьбы с аномалиями:

1. На основе статистики

С применением простых статистических правил. После анализа всех данных из них исключаются показатели, превышающие средние более чем вдвое.

2. На основе кластеризации

Точки в рядах разделяются на кластеры при помощи алгоритмов. Если один из кластеров оказывается очень маленьким, это признак того, что мы имеем дело с аномалией.

3. На основе распределения данных

Если мы смотрим на цену во времени, она может равняться 100 р +/- 10. Мы предзадаем функциональную формулу этого распределения и пытаемся определить ее, а потом и все точки по этому распределению. Точки с маленькой вероятностью исключаются – это аномалии.

4. На основе прогнозов во временных рядах

Делая прогноз во временных рядах, мы смотрим, как факторы о продуктах и конкурентах объясняют цену. Известные тренды изменения цены, такие как сезонность, удаляются из данных. Если в прогнозе остаются большие ошибки, то скорее всего речь идет об аномалиях.

5. На основе нейронных сетей

Алгоритмы машинного обучения сжимают и разжимают данные, подобно программам архивации. При сжатии алгоритм должен сохранить как можно больше информации, а разжимающий алгоритм пытается восстановить исходные данные в максимальной полноте. Если ошибка после разжатия очень большая, скорее всего, это аномалия.

Управление ценовым восприятием

Есть товары, цены на которые покупатели знают очень хорошо. Это ключевые товарные позиции или KVI (key value items). Именно их стоимость сравнивают с ценами в других магазинах, именно она формирует восприятие уровня цен в общем. Если покупатель считает стоимость ключевых товарных позиций комфортной, то и цена других товаров представляется ему оптимальной. Выявление ключевых товарных позиций критично для продаж любой сети.

В матрице среднестатистического магазина – порядка 7000 наименований. Получить достаточную выборку ответов по каждому товару с помощью опросов практически невозможно. Экспертиза категорийного менеджмента тоже несет в себе большие погрешности.

Только углубленная аналитика позволяет без значительных инвестиций определить перечень KVI с высокой точностью. Имея данные программ лояльности, можно проанализировать, из чего формируется корзина гостя. Классифицировать покупателей на более и менее чувствительных к ценам и разделить товары в их корзине на те, которые действительно формируют ценовое восприятие, и те, которые почти на него не влияют.

Определив перечень ключевых товаров и распределение остальных SKU по разным группам чувствительности, остаётся выбрать оптимальную ценовую стратегию для каждой из групп. Излишне консервативная стратегия может не иметь положительного эффекта на трафик или даже сказаться негативно. Излишне агрессивная – привести к рекурсивным изменениям и ценовым войнам.

Ценовая кластеризация: больше, чем чеки

Крупные ритейлеры управляют тысячами магазинов по стране. Во всех ли надо применять единую ценовую стратегию? Или стоит выделить более "дорогие" и "дешевые" магазины? Что может служить поводом отнести магазин к той или иной группе? Любой крупный розничный игрок однажды приходит к этим вопросам, но далеко не все и не всегда находят на них эффективный ответ.

В качестве потенциальных критериев кластеризации сети рассматривают множество факторов-кандидатов: размеры магазина, региональные особенности, покупательские миссии, окружение магазина и десятки других свойств. Выбрать оптимальные факторы сложно из-за отсутствия внятного критерия качества результирующей кластеризации.

Вполне возможно, что некий набор факторов приводит к высокоточной кластеризации, но нет поводов полагать, что между полученными кластерами стоит варьировать цены. А если и стоит, то как? Точный ответ может дать только обширный набор пилотов и экспериментов. Наш опыт показывает, что лучше других при формировании ценовых кластеров работают два фактора: платежеспособность трафика в магазине и интенсивность конкуренции в его окружении.

Кластеризацей по интенсивности конкуренции нельзя пренебрегать: гости, как мы помним, принимают решение о покупке, сравнивая цены. В магазинах, которые расположены “дверь в дверь” с конкурентами, целесообразно использовать ценовую стратегию, отличную от той, где нет конкурентов в пешей доступности. Собственные инсайты ритейлеров и общедоступные данные позволяют очень точно отслеживать и динамично актуализировать эту информацию. API известных картографических сервисов дают возможность уйти от расстояний "по прямой линии" и использовать реальные пешеходные маршруты.

Чеки, обезличенные данные мобильных операторов и банковских сетей позволяют рассмотреть платежеспособность как уже существующих покупателей, так и потенциальных клиентов, которые бывают в районе магазина, и классифицировать их по паттернам потребления. Так ритейлер может понять свой потенциал роста.

Варьируя ценовую стратегию между различными кластерами магазинов, можно рационализировать инвестиции маржи в цены: иметь более агрессивную стратегию в магазинах, где это необходимо, компенсируя затраты в точках с меньшим риском оттока.

Контролируемые эксперименты

Крупные интернет-ритейлеры непрерывно тестируют десятки и сотни гипотез. Для этого они проводят множество пилотов и экспериментов. Какая из иллюстраций "цепляет" взгляд на рекламном баннере? Какой порядок строк меню удобнее для посетителей сайта? Как изменится конверсия на этапе оплаты при добавлении возможности пользоваться ApplePay?

На все эти вопросы интернет-ритейлер может найти ответ, предлагая случайным гостям веб-портала отличную от стандартной версию сайта. Это несложно сделать в онлайн-магазине, но в случае с физической сетью разделить потоки клиентов и перенаправить их на разные лэндинги невозможно. Есть ли надежда и для оффлайн-игроков ворваться в мир масштабных пилотов и экспериментов?

Большинство традиционных оффлайн-сетей, даже использующих инструменты углубленной аналитики, не прибегают к помощи множественных пилотов и экспериментальных моделей. Но лидеры в цифровой трансформации розничного бизнеса находят такую возможность и в оффлайн-среде. Главное требование – действительно крупный масштаб.

Предположим, некая розничная сеть управляет тысячами магазинов по стране. Что если использовать десятки или даже сотни групп магазинов со схожими характеристиками в качестве экспериментальной платформы? Варьируя заданным образом ценовую стратегию между группами магазинов и во времени, ритейлер может "обучить" свои модели ценообразования с учетом многочисленных факторов, о которых говорили в начале статьи.

И это только один из возможных экспериментов.

Выводы

Тонко настроив систему ценообразования с помощью углубленной аналитики, можно улучшить ценовое восприятие и ускорить рост сети, не теряя при этом в доходности. Гранулярная работа с ценами позволяет не просто определить лучшую стратегию, но варьировать цены во многих разрезах: по сегментам товаров, категориям, кластерам магазинов.

Ценообразование – одна из наиболее чувствительных тем для ритейл-бизнеса. Внедрение изменений требует тщательной проработки и большой осторожности. В каждом проекте есть своя специфика, фокус и особый подход. В McKinsey проект – это всегда совместная работа с клиентом и создание продукта с учётом организационного контекста.

Сформированное однажды ценовое восприятие очень сложно поменять, поэтому в ценообразовании нельзя жить методом проб и ошибок. Разочаровавшиеся гости, ушедшие в другой магазин, могут либо вообще не вернуться, либо их возвращение очень дорого обойдется ритейлеру.