Епіграф

Близько полудня Трурль увів до зали велике опудало на двох ногах, з однією лише маленькою рукою й заявив королеві, що це і є Досконалий Дорадник.
Зоставшися з Дорадником сам на сам, король спитав:
— Хто ти і що вмієш?
— Я Досконалий Королівський Дорадник, — відповів той глухим голосом, який наче долинав з порожньої бочки, — а вмію давати найдосконаліші з можливих поради.
— Гаразд, — сказав король. — А кому ти маєш виявляти послух і вірність, мені, чи тому, хто тебе створив?
— Вірність і послух я повинен виявляти тільки Вашій Королівській Величності, — продуднів Дорадник.
— Гаразд, — буркнув король. — Для початку… тобто… того… слухай… я не хочу, щоб перше має побажання справило на тебе враження, ніби я скупий… Але я хотів би, певною мірою, виключно з принципових міркувань, розумієш?..
— Ваша Королівська Величність ще не зволила сказати, чого хоче, — відповів Дорадник і висунув збоку маленьку третю ногу й сперся на неї, бо на мить втратив рівновагу.
— Досконалий Дорадник повинен уміти читати думки свого володаря! — гнівно рикнув Мудрильйон.
— Ваша Королівська Величність бажає не заплатити Трурлеві ані копійки? Розумію!

Станіслав Лем. Кіберіада. Універсальний порадник.

Ще на початку 2000-х років були в мене певні ідеї по створенню розумного автоматичного консультанта, який би в фоновому режимі давав поради користувачу по веденню бізнесу. Наприклад, яку кількість певного товару потрібно замовити, щоб його ефективно продати, з одного боку не утворюючі зайвого залишку, а з іншого боку, задовільнити попит. Як призначити оптимальну ціну на конкретний товар. Як позбутись неліквідного товару без зайвих збитків. І т.д. Задачі постають різні, не кожен може винайняти талановитого висококваліфікованого товарознавця. Але кожен може користуватись кваліфікованим електронним помічником. Звичайно, якщо такий існує.

Сума технології

Коли відбувся якісний стрибок, з'явились технології машинного навчання та нейромережі, стало зрозуміло - прийшов час. Одна з перших дослідницьких робіт прогнозувала попит на наступний період на базі великого обсягу продажів за довгий період. Метою цієї роботи було з'ясування можливостей підходу машинного навчання для виявлення складних залежностей на великих обсягах продажів. Результат виявився якісним, але мало придатним в межах окремого магазину. В той же час, стало зрозуміло, що певні задачі за допомогою машинного навчання, або як зараз модно казати "штучного інтелекту", все ж таки вирішувати можливо. І доволі якісно.

AI Retail Advisor як універсальний порадник

Ідея полягає в тому, щоб з часом розширювати набір оцінок різних параметрів та видавати максимально точні поради як в фоновому режимі, наприклад, під час редагування документів, так і по запиту користувача.

Аналіз цін та рекомендація з ціноутворення

Проблема даних

Що перше спадає на думку? Берем певний товар з нашого довідника, пробігаємо по популярних сайтах і знаходимо пропозиції цього товару з цінами. Але, чи будуть ці ціни актуальними? Як зрозуміти, що ціни відповідають попиту і є справжніми, ринковими? Треба знати обсяг продажів. Маємо 100 пропозицій певного товару з різних площадок. Наприклад, від 100 до 120 грн. Як дізнатись, яка буде найбільш актуальна ціна, яка забезпечить максимальну прибутковість з продажу цього товару протягом, наприклад, місяця? Товар з високою роздрібною ціною у 120 грн. має більшу маржу і, відповідно, вищу прибутковість на одиницю. Але продаєься їх по цій ціні за місяць 5 штук. В той же час за ціною в 115 грн. ми продаємо 200 штук. А за ціною 110 грн. продаємо 220 штук. Тобто маємо типову задачу оптимізації по знаходженню оптимуму ціни в залежності від кількості проданого товару, за яким буде забезпечена максимальна сума прибутку.

І тепер просте запитання. А чи знаємо ми обсяги продажів на цих популярних сайтах? Звичайно ми цього не можемо знати.

Сотні мільйонів фактичних атомарних продажів

Оскільки ми обробляємо величезні обсяги даних по продажах різних компаній, можна анонімізувати ці продажі, обробити їх певним чином, та навчити нейромережу по цінових пропозиціях. Для цього у нових версіях Trade Control Utility додано відповідний пункт до ліцензійної угоди на згоду користувача на використання знеособлених агрегованих даних.

Retail Advisor — інтелектуальний помічник у формуванні цін

1. Проблема: ціноутворення без аналітики

У більшості торгових систем ціна встановлюється вручну — “на око”, орієнтуючись на націнку чи інтуїцію.

В результаті:

• одні товари продаються надто дешево, втрачаючи прибуток;
• інші зависають на складі, бо їхня ціна вища за ринок;
• користувач не бачить, як саме ціна впливає на попит.

Retail Advisor вирішує цю проблему автоматично — він аналізує тисячі реальних продажів і підказує, де ціна адекватна, а де варто її скоригувати.

2. Як працює Retail Advisor

Retail Advisor — це окремий сервіс, який отримує дані з продажів, прибуткових накладних та поточних залишків. Після чого аналізує власне так конкуренте середовище.

Коли користувач вводить нову ціну у прибутковій накладній, система:

1. миттєво формує запит до аналітичного ядра RetailAdvisor (EvaluateItem);
2. аналітичне ядро порівнює введену ціну з ринковими даними (іншими торговими точками, франшизами тощо);
3. система розраховує відхилення від ринкової медіани, прибутковість, стабільність попиту;
4. результат повертається назад у вигляді інтелектуальної підказки

3. Приклад роботи інтерфейсу

Повідомлення формуються асинхронно — під час редагування документа, без затримок, у фоновому режимі.

Після введення ціни для товару — наприклад, “Батончик шок. Bounty” — користувач бачить повідомлення внизу екрана:

🟢 Ціна в межах ринку, змін не потрібно. Товар 'Батончик шок. Bounty пл/пак 57г'.

Або, якщо ціна значно вища за ринкову:

🔴 Ціна перевищує ринкову межу — ризик зменшення попиту. Товар 'Батончик шок. Bounty пл/пак 57г'.

Якщо ціна трохи нижча за ринкову:

🟡 Ціна трохи нижча за ринкову — може збільшити продажі, але зменшує маржу. Товар 'Батончик шок. Bounty пл/пак 57г'.

Якщо ціна значно нижча за ринкову:

🔴 Ціна суттєво нижча за ринок — можливе зниження прибутковості. Товар 'Батончик шок. Bounty пл/пак 57г'.

Оскільки повідомлення формуються в фоновому режимі, це дозволяє працювати швидко, як у Visual Studio: користувач вносить дані, а система “підсвічує” потенційні проблеми та надає підказки.

Рекомендації по запиту

Якщо ми виділемо певні рядки з товарами (натискати треба на синій квадратик - record selector - на початку рядка та утримувати Ctrl або Shift за потреби), ми можемо запитати рекомендації у Retail Advisor напряму

Для цього натиснемо на команду "Отримати підказку" в розділі "Штучний інтелект"

І отримаємо перелік рекомендацій для обраних товарів.

4. Алгоритм аналізу

Аналітичне ядро RetailAdvisor базується на статистичних методах:

• обчислення логарифмічної медіани цін серед конкурентів;
• оцінка розмаху ринку (перцентилі 10–90%);
• розрахунок відхилення ціни користувача від медіани у %;
• автоматичне визначення ступеня важливості (UiSeverity):
  • 🟢 ціна в межах норми
  • 🟡 трохи вища за ринок
  • 🔴 значно вища за ринок
  • 🟡 трохи нижча за ринок
  • 🔴 суттєво нижча за ринок

Підказка супроводжується коефіцієнтом упевненості (Confidence), який враховує:

• кількість точок продажу, що брали участь у вибірці;
• стабільність ринку (розкид цін);
• кількість днів у вибірці.

Прибутковість і поради

Окрім ринкової ціни, система оцінює маржу та націнку, і формує поради такого типу:

• “Маржа нижча середньої по ринку — перевірте закупівельну.”
• “Ціна близька до медіани, маржа в межах норми.”
• “Висока ціна не впливає на обсяг продажів — товар нееластичний.”

Реактивний UX

Retail Advisor працює “у живому режимі”:
кожна зміна у документі або у полі “Ціна продажу” миттєво ініціює аналіз.

Система не блокує роботу користувача — поради з’являються у панелі Messages або у вигляді підказок.

Користувач може:

• переглянути коротке повідомлення (рядок у списку);
• навести курсор і побачити розширене пояснення з медіаною, маржею, та рівнем упевненості.

7. Межі застосування

Retail Advisor найточніше працює для:

• продуктів із масовими продажами (харчі, напої, товари FMCG);
• стабільних категорій із великою кількістю точок продажу.

Для унікальних або малотиражних товарів (парфуми, електроніка, побутова техніка) еластичність і залежність попиту від ціни не розраховуються, оскільки вибірка замала — система чесно повідомляє: “Недостатньо даних для оцінки ринкової чутливості.”

8. Переваги підходу

• ⚡ миттєвий зворотний зв’язок без очікування;
• 📊 реальні ринкові дані, а не “довідкові ціни”;
• 🧠 самонавчання на основі історичних рекомендацій;
• 🧩 прозора логіка — користувач бачить чому система радить певну ціну.

9. Майбутні модулі

Retail Advisor поступово розширюється:

• ABC/XYZ-аналіз — визначення найважливіших товарів за прибутковістю та стабільністю;
• Аналіз запасів — прогноз ризику дефіциту або надлишку;
• Цінова еластичність — для масових товарів з великою історією.

10. Висновок

Retail Advisor — це аналітичний рівень системи Base2Base, який перетворює Trade Control Utility з облікової програми у розумного радника, що допомагає підприємцю ухвалювати рішення, базуючись на даних.

Це вже не просто облік, а рекомендації, що підсилюють прибуток.