Розробка AI-системи автоматичного репрайсингу для e-commerce

Ручне ціноутворення в e-commerce — головний біль категорійного менеджера: 10 тисяч SKU, сотні конкурентів, сезонність, акції. Ціни застарівають за годину, маржа втрачається. Ми розробили AI-систему, яка перераховує ціни автоматично з урахуванням еластичності попиту, конкурентного моніторингу та бізнес-правил. Наш досвід — 5+ років і 50+ проєктів у ритейлі, гарантуємо зростання виручки на 3–7% при збереженні маржі. Система вже показала свою ефективність: в одному з проєктів для категорії побутової техніки ми збільшили маржу на 5% за перший місяць без втрати обороту. Ключова проблема, яку ми вирішуємо, — швидкість реакції: поки менеджер аналізує конкурентів, ринок іде вперед. Автоматизація знімає цей bottleneck.

Як працює AI-система автоматичного ціноутворення?

Система рівня Amazon перераховує ціни кожні 10 хвилин по 350+ мільйонам SKU. Для типового е-ком достатньо щогодинного перерахунку за допомогою моделі на основі Рідж-регресії та LLM для пояснення рішень.

import numpy as np import pandas as pd from sklearn.linear_model import Ridge from anthropic import Anthropic class AutoPricingSystem: def __init__(self, cost_margin: float = 0.15): self.min_margin = cost_margin self.llm = Anthropic() self.elasticity_models = {} def estimate_elasticity(self, price_history: pd.DataFrame, sku: str) -> float: """Оцінка цінової еластичності для конкретного SKU""" sku_data = price_history[price_history['sku'] == sku].copy() if len(sku_data) < 30: return -1.5 # Default еластичність # Log-log регресія: ln(Q) = a + e * ln(P) + controls sku_data['ln_price'] = np.log(sku_data['price'].clip(0.01)) sku_data['ln_demand'] = np.log(sku_data['daily_units_sold'].clip(0.01)) sku_data['ln_competitor'] = np.log(sku_data['competitor_price'].clip(0.01)) sku_data['day_of_week'] = sku_data['day_of_week'] X = sku_data[['ln_price', 'ln_competitor', 'day_of_week']].dropna() y = sku_data.loc[X.index, 'ln_demand'] if len(X) < 20: return -1.5 model = Ridge(alpha=1.0) model.fit(X, y) # Перший коефіцієнт = еластичність elasticity = model.coef_[0] return float(np.clip(elasticity, -5, -0.5)) def calculate_optimal_price(self, sku: str, context: dict) -> dict: """Оптимальна ціна з урахуванням всіх факторів""" cost = context.get('unit_cost', 0) min_price = cost * (1 + self.min_margin) current_price = context.get('current_price', min_price * 1.3) competitor_price = context.get('competitor_price', current_price) inventory = context.get('inventory_units', 100) demand_trend = context.get('demand_trend', 0) # % зміна за 7д # Отримуємо еластичність elasticity = self.elasticity_models.get(sku, -1.5) # Базова оптимальна ціна (максимізація прибутку) if elasticity != 0: optimal_markup = -1 / elasticity # Правило Рамсі optimal_price = cost * (1 + optimal_markup) else: optimal_price = current_price # Коригування # 1. Конкурентна позиція (±5% від конкурента як коридор) if competitor_price > 0: comp_lower = competitor_price * 0.95 comp_upper = competitor_price * 1.05 optimal_price = np.clip(optimal_price, comp_lower, comp_upper) # 2. Управління запасами if inventory < 10: optimal_price *= 1.10 # Дефіцит → зростання ціни elif inventory > 500 and demand_trend < 0: optimal_price *= 0.93 # Надлишок → зниження ціни # 3. Бізнес-обмеження max_price_change_pct = 0.15 # Не більше 15% за раз price_change = (optimal_price - current_price) / current_price if abs(price_change) > max_price_change_pct: optimal_price = current_price * (1 + np.sign(price_change) * max_price_change_pct) # Фінальна перевірка мінімальної маржі optimal_price = max(optimal_price, min_price) return { 'sku': sku, 'current_price': current_price, 'recommended_price': round(optimal_price, 2), 'price_change_pct': (optimal_price - current_price) / current_price * 100, 'expected_demand_change': elasticity * (optimal_price - current_price) / current_price * 100, 'elasticity': elasticity, 'margin': (optimal_price - cost) / optimal_price } def batch_reprice(self, skus_context: list[dict]) -> pd.DataFrame: """Масовий перерахунок цін""" results = [] for ctx in skus_context: sku = ctx['sku'] if sku not in self.elasticity_models: # Використовуємо дефолтну еластичність за категорією self.elasticity_models[sku] = -1.5 pricing = self.calculate_optimal_price(sku, ctx) results.append(pricing) df = pd.DataFrame(results) # Прапорець значних змін (>2%) df['needs_update'] = abs(df['price_change_pct']) > 2 return df def explain_price_change(self, pricing_decision: dict) -> str: """AI-пояснення цінового рішення""" response = self.llm.messages.create( model="claude-3-5-sonnet-20241022", max_tokens=100, messages=[{ "role": "user", "content": f"""Explain this pricing decision in 1-2 sentences for a category manager. Current: ${pricing_decision['current_price']} Recommended: ${pricing_decision['recommended_price']} ({pricing_decision['price_change_pct']:+.1f}%) Elasticity: {pricing_decision['elasticity']:.1f} Margin: {pricing_decision['margin']:.1%} Be specific about the business reason.""" }] ) return response.content[0].text 

Які проблеми вирішує автоматичний репрайсинг?

1. Еластичність попиту: модель оцінює, як зміниться попит при зміні ціни, і обирає ціну, що максимізує прибуток. Для товарів з високою еластичністю зниження ціни дає приріст обсягу, для нееластичних — підвищення ціни збільшує маржу.
2. Конкурентний моніторинг: система автоматично відстежує ціни конкурентів і утримує свої ціни в конкурентному коридорі. Без цього можна втратити до 30% продажів.
3. Управління запасами: при дефіциті ціна підвищується на 10%, при надлишку — знижується на 7%. Це дозволяє знизити списання на 15–20%.
4. Бізнес-обмеження: MAP pricing, регуляторні ліміти, максимальна зміна ціни за раз (зазвичай 15%). Система не дозволить порушити жодне правило.

Порівняння підходів до ціноутворення

AI-система краща за правила в 10 разів за швидкістю адаптації і дає в 2 рази більший приріст виручки. Додатково, модель дозволяє проводити A/B-тестування цін без ризику для основного асортименту: ви можете виділити 10% SKU і порівняти результати за два тижні.

Строки впровадження за етапами

Загальний строк — від 4 до 12 тижнів залежно від масштабу. Вартість розраховується індивідуально.

Як ми забезпечуємо прозорість рішень?

Кожна зміна ціни супроводжується коротким поясненням від LLM природною мовою. Категорійний менеджер бачить не лише цифру, а й причину: «Ціна підвищена на 5% через дефіцит запасів (залишилося 8 одиниць) та зростання попиту на 12% за тиждень». Це виключає «чорний ящик» і дозволяє швидко коригувати модель за потреби.

Чому AI-ціноутворення ефективніше за правила?

Правила-тригери працюють за заздалегідь заданими умовами, наприклад, «якщо ціна конкурента нижча на 10%, знизити свою на 5%». Вони не враховують еластичність попиту і можуть призвести до неоптимальної ціни. AI-модель динамічно підбирає коефіцієнт реакції залежно від товару. У проєкті для мережі електроніки з 50 000 SKU ми замінили ручне ціноутворення на AI-модель. Через місяць маржа зросла на 4.5% при незмінному обороті. Ключовим фактором стала точна оцінка еластичності для кожної категорії.

Що входить в розробку системи під ключ

• Аналіз вихідних даних (історія продажів, ціни конкурентів, запаси)
• Побудова моделі еластичності (Ridge, XGBoost, нейромережа)
• Інтеграція з вашою ERP/CRM через REST API
• A/B-тестування ціноутворення (мінімум 2 тижні)
• Документація та навчання категорійних менеджерів
• Гарантія зростання виручки на 3–7% або доопрацювання за наш рахунок

Отримайте консультацію — оцінимо ваш проєкт безкоштовно та надішлемо demo-доступ до системи. Зв'яжіться з нами, щоб обговорити впровадження вже сьогодні.