Журнал / Кирилл Наумов
AI и цены в ритейле: оптимизируйте решение, а не просто цифру
Как применять AI для ценообразования в ритейле: отделять эффект цены от шума спроса, сохранять маржу и доверие покупателей и проверять изменения до масштабирования.
Автор: Кирилл Наумов ·
«Конкурент снизил цену. Нам тоже снижать?» Вопрос вроде бы короткий. Но ответ зависит от того, сравнивают ли покупатели именно эти товары, есть ли они в наличии, что происходит с акцией и что компания пытается сохранить. AI может помочь разобраться. Но он не должен превращать каждое движение рынка в автоматическую гонку скидок.
Сначала решите, зачем меняется цена
Модели нужны понятная цель и ограничения. Нужно распродать сезонный остаток, удержать минимальную маржу, ответить на значимое снижение у конкурента, сохранить привычный покупателям ценовой образ или проверить новое предложение? Это разные задачи. До рекомендации зафиксируйте цель, список товаров, нижнюю границу маржи, допустимый размер изменения, ответственного за проверку и правила показа цены покупателю.
Изменение продаж ещё не доказывает эффект цены
На продажи одновременно влияют наличие, сезон, выкладка, акция, конкуренты и состав покупателей. Если цена упала в тот же день, когда товар поставили на заметное место, нельзя просто приписать рост продаж новой цене. Записывайте сопутствующие изменения и сравнивайте похожие товары, магазины или периоды. Если возможно, проведите ограниченный контролируемый тест с заранее оговорённым правилом остановки. График «до и после» сам по себе не выносит вердикт.
В полевом исследовании [Management Science о ценообразовании интернет-ритейлера с учётом конкурентов](https://pubsonline.informs.org/doi/10.1287/mnsc.2017.2753) разбирается, нужно ли отвечать на изменение цены конкурента, какому именно и насколько сильно. Исследователи использовали случайное распределение цен и проверяли стратегию в конкретной розничной среде. Результат относится к этому исследованию, а не гарантирует такой же эффект в другой компании.
Сведите предложение во всех каналах
До изменения проверьте всю цепочку: товар и его вариант, магазин или зону доставки, условия акции, время начала и окончания, ценник на полке, карточку товара, корзину и инструкции клиентской поддержке. Даже правильная рекомендация модели испортит впечатление, если на одном канале всё ещё вчерашняя цена, а важные условия спрятаны в сноске.
Считайте цену, акцию и наличие связанными, но разными фактами. Персональная рекомендация товара не означает, что нужна персональная цена. Не передавайте индивидуальные профили покупателей в систему ценообразования только потому, что технология это позволяет. Исследование сотрудников [Федеральной торговой комиссии США за январь 2025 года](https://www.ftc.gov/news-events/news/press-releases/2025/01/ftc-surveillance-pricing-study-indicates-wide-range-personal-data-used-set-individualized-consumer) описывает способы использования данных о потребителях для индивидуального ценообразования в США. Это исследование американского рынка, а не полный обзор требований во всех странах. Практический вывод проще: применение данных, логика цены и объяснение покупателю должны быть осознанными и проверенными решениями.
Покажите специалисту причину и степень уверенности
Менеджеру по ценообразованию или категории важно видеть, почему система предлагает именно такой шаг: остатки, сопоставимость цены конкурента, динамика спроса, условия акции и уверенность оценки. Если данные устарели, сравнение сомнительное или рекомендация выходит за лимит, отправляйте её на ручную проверку. Сохраняйте, какую цену предложила система, что применили на деле, было ли изменение и по какой причине.
Считайте не только выручку
Заранее договоритесь о сбалансированной оценке: валовая маржа, количество проданных единиц, распродажа остатка, объём уценки, наличие, влияние на корзину, жалобы и расхождения между каналами. Сравнивайте результат с подходящей контрольной группой и учитывайте товары, спрос на которые связан. Если модель увеличила штуки за счёт слишком глубокой скидки, на панели активности больше, а экономика может стать хуже.
Начните с одной категории, небольшого набора решений и обязательного одобрения человеком. Масштабируйте тест только тогда, когда предложение покупателю остаётся точным, коммерческая цель достигается и команда понимает, когда совет модели лучше не применять. Другие прикладные сценарии для ритейла, продаж, обучения и лояльности — на странице [AI for Retail workshop](https://www.kirillnaumovai.com/workshops/ai-retail-november).