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