Применение ML Pricing в ритейле: хвост виляет собакой

Привет, Habr! Мы Катя и Оля, продакт-менеджеры BigData в компании «Лента», отвечаем за развитие цифровых продуктов блоков «Ассортимент» и «Ценообразование». В этой статье расскажем про внедрение ML-модели и алгоритма ценообразования товаров «хвоста», а также — трудности, с которыми столкнулись.

Одной из первых успешных моделей машинного обучения в «Ленте» стал ML Pricing или «Оптимизатор цен». ML Pricing — это модель, подбирающая оптимальную регулярную цену для товара, то есть такую, при которой максимизируется маржа и не падает спрос.

Machine Learning – кто кого учит

Представьте, вы дрессируете собаку.

Пока она еще щенок и совершенно не понимает, чего вы добиваетесь строгим «сидеть», и почему так расстраиваетесь, обнаружив мокрое пятно посреди комнаты.

По мере многократного повторения команды, награды за ее выполнение, накопления опыта и выводов верный друг постепенно обучается. В этом процессе учится и хозяин – не только терпению, но и формулировкам, взаимодействию, передаче однозначных требований на старте. Довольно скоро по взгляду или минимальному движению руки пес замирает у ноги или приносит мяч, виляя хвостом – формируется доверие.

С машинным обучением все очень похоже.

На входе –  стройная модель и прозрачная логика. По мере повторения операции система запоминает сделанное, анализирует и действует «аналогично». Следом учится на ошибках, прогнозирует и строит гипотезы. И, конечно, учит пользователя ей доверять.

Ключевое отличие – это объем передаваемых данных. Человеку не по силам решить многие задачи, которые машина выполнит моментально и при этом, параллельно выиграет шахматную партию с Каспаровым

Предпосылки и причем тут хвост

Тысячи товаров в сотнях магазинов «Ленты» должны иметь цену, которая обеспечит рост их доходности без потери продаж. Логичный и простой выход – продавать самые важные товары дешевле или хотя бы не дороже, чем конкуренты. Для этих целей в компании используются ценовые мониторинги конкурентов (ТОП-1000, KVI, etc.) с ценообразованием по правилам (например, «минус x копеек»).

Ценовые мониторинги покрывают далеко не все SKU. Товары, не входящие ни в один из них, не участвующие в сезонных и регулярных промо, называют товарами «хвоста», в эту категорию попадает от 30% до 50% всех SKU. Хвост также, как и ключевые товары, должен быть привлекательным по цене для покупателя и доходным для компании.

Для регулярной переоценки такого огромного объема товаров с приемлемой частотой (например, 1 раз в месяц) нужно либо иметь армию экспертов, либо пренебречь точностью, а именно:

• не учитывать эластичность по цене;

• не учитывать влияние цены на группу;

• не прогнозировать спрос в случае изменения цены;

• не ограничивать доходность;

• не анализировать запасы;

• устанавливать цену субъективно.

Сегодня есть и третий вариант: создать алгоритм и обучить его расценивать товары по заданным условиям, учитывая влияние всех этих факторов.

Одна голова хорошо, а ML — лучше

Модель ML-Оптимизатора, т.е. программный код, может подбирать цены на каждый товар по заданным условиям 24/7 без перерыва на обед. В его основе — экспертиза ведущих специалистов по ценообразованию и инженеров больших данных. В его распоряжении – огромные вычислительные мощности.

Цель использования ML заключается не столько в высвобождении времени нескольких сотрудников, сколько — в скорости, точности и митигации рисков ручного управления ценой:

Методология Pricing ML

Рецепт оптимальной цены:

1. Приготовьте модель прогнозирования спроса, чувствительную к изменению цены. Для этого вам потребуется: история продаж в шт. в прошлом, значение цены в прошлом и будущем, значение промо в прошлом и будущем, количество запасов товара на складе, календарные признаки.

2. Историю продаж предварительно очистите от промо периодов для расчета корректного коэффициента эластичности.

3. Назначьте новую регулярную цену.

4. Смоделируйте спрос на товар в зависимости от выставленной регулярной цены.

5. Определите корректность эластичности через метрику WAPE.

6. Если поведение товара не объясняется за счёт изменения цены, исключите такой товар из исследования.

7. На горизонте 28 дней убедитесь, что новая цена гарантирует прирост маржи.

8. Следите за продажами в шт. – они не должны упасть.

9. Если пункты 7 и 8 не выполняются, назначьте другую цену и повторите.

10. Если пункты 7 и 8 выполняются – voila! – оптимальная цена готова. Теперь вы можете приготовить цены для остальных товаров хвоста!

Быстро и просто! *Да, для ML модели.

Внедрение Pricing ML

Путь внедрения ML модели ценообразования в «Ленте» был длинным и тернистым.

Декабрь 2022 – Понимая потенциал машинного обучения и успешную мировую практику его применения, команда Big Data выходит с инициативой создания MVP Оптимизатора цен и получает одобрение CEO на проведение пилота для Гипермаркетов.

Январь – Март 2023 – Разрабатываем MVP модели и дизайн пилота.

Апрель – Ноябрь 2023 – Проводим технический пилот и пилот MVP на тестовых торговых комплексах, обнаруживаем ограничения использования модели и области ее развития:

1. список категорий, показывающих статистически-значимый положительный эффект, покрывает не весь ассортимент «Ленты» (соотношение успешных/неуспешных категорий = 50/50);

2. рекомендованные цены – регулярные, а значит — не подходят для товаров «вечного» промо (EDPP).

Декабрь 2023 – Анализ пилота MVP на успешных категориях показывает отличные результаты, которые превысили прогнозное влияние на маржу (прирост маржи по товарам в пилотных ТК +2,01% vs 1% ожидаемого эффекта).

Март 2024 – Получаем одобрение доработки решения для его масштабирования (на товары EPDD и неуспешные категории) и бюджет.

Апрель 2024 – Продукты Pricing ML и Pricing Tool (ценообразование SKU мониторингов) объединяются в один проект для получения нового транша для развития.

Июнь 2024 – Ключевая веха в развитии продукта: объединенный проект получил зеленый свет на масштабирование.

Подготовка к защите бюджета и обоснование проекта проходила кросс-функционально, были вовлечены команда продукта, инженеры больших данных, бизнес-аналитики, инвестиционный контроллинг, команда бизнес-заказчика.

В процессе стало очевидно, что стратегических задач у Pricing ML сразу несколько – быть не только источником дополнительных бенефитов, но и формировать новое доверительное отношение бизнеса ко всем подобным продуктам.

Декабрь 2024  – Подтверждение бенефитной части по итогам первого этапа масштабирования (прирост маржи по товарам в 228 магазинах пилота +1,25%).

Настоящее время – Разработка и масштабирование решения для товаров, не вошедших в пилот.

Доверяй, но проверяй: почему важно довериться ML, но при этом держать руку на пульсе?

И Pricing ML, и Pricing Tool – это продукты со сложной начинкой и логикой. Однако, Pricing ML, как и любая модель машинного обучения, — «черный ящик»: не имеет интерфейса, физического воплощения, только невидимый объемный код, формулы. И поэтому обладает пониженным коэффициентом доверия. Это воспитанный и добрый пес, но без ошейника и незнакомый бизнесу.

Несмотря на значительные успехи пилота и смелые планы на будущее, проект встречает на своем пути ряд трудностей. В первую очередь, это недоверие бизнеса к результатам работы и рекомендациям инструмента. Хотя технологии машинного обучения имеют довольно долгую историю, их применение в бизнесе, и в том числе в «Ленте», началось относительно недавно.

Сотрудники, ответственные за переоценку товаров предпочитают работать в привычных схемах и инструментах: в excel и локальных файлах, пусть и с очень средней точностью. «Магическая» таблица с готовыми ценами, рассчитанными моделью без их участия, видится ненадежным и даже рискованным источником. Здесь, к сожалению, и происходит сбой.

Для оценки эффекта от применения модели и ее последующего дообучения бизнес должен принимать минимум 60% от всех рекомендованных цен Pricing ML.

Для совпадения прогнозов продажи и маржи с действительностью необходимо, чтобы цены были приняты и установлены как можно скорее (срок от получения итогов расчета до появления цены на полке не должен превышать 1,5 недели).

Если эти условия не выполняются, то ожидаемый эффект снижается и проверить реальную пользу инструмента становится уже сложно.

Как мы планируем развивать продукт дальше

В рамках развития Pricing ML в течение следующего года запланированы:

• масштабирование решения на все ТК Гипермаркетов «Ленты»;

• интеграция с продуктом Pricing Tool;

• доработка логики для рекомендации цен товаров EDPP;

• исследование и рекомендация цен товаров «неуспешных» по итогам пилота категорий.

Команда Супермаркетов также проявила интерес к решению, запланированы сбор бизнес-требований и проработка ролл-аута  в этом году.

Вместо заключения

Обученная машина обрабатывает огромные массивы данных с точностью и скоростью, недоступных сотруднику и даже целому отделу. К сожалению, или к счастью, человеческая природа такова, что мы скорее согласимся с ошибочным мнением другого человека, чем верным, но сформулированным искусственным интеллектом.

Задача успешных ML-моделей, таких как Pricing ML, – заработать не только дополнительные деньги, но и доверие бизнеса, снять сопротивление при обновлении процессов. Машинное обучение должно стать не просто трендовым «украшением» компании, а надежным и верным другом.

Делитесь в комментариях, как ваш бизнес встречает внедрение ML?