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.

Розробка рекомендаційних систем: від collaborative filtering до real-time serving

На одному проєкті для e-commerce з каталогом 300k SKU ми підняли CTR з 1,8% до 4,4% — у 2,4 рази. Перший ривок дала колаборативна фільтрація замість «популярне за останні 7 днів», другий — додавання контентних ознак та re-ranking. Різниця між «показуємо популярне» і «показуємо персоналізоване» — вимірна та суттєва. Нижче — інженерний досвід, який допоміг це зробити, і архітектури, які реально працюють у продакшені.

Collaborative Filtering: матрична факторизація та нейронні підходи

Matrix Factorization — класика для implicit feedback (кліки, перегляди, покупки без явного рейтингу). ALS (Alternating Least Squares) у бібліотеці Implicit обробляє матриці user×item із сотнями мільйонів ненульових значень за хвилини на GPU. Latent factors 64–256, регуляризація λ=0.01–0.1 — стартові параметри. Проблема cold start: для нового користувача або товару немає історії — класичний CF безпорадний, потрібні контентні ознаки або гібрид.

Neural Collaborative Filtering (NCF) замінює скалярний добуток на нейромережу. На практиці виграш над добре налаштованим ALS помірний, але NCF простіше розширювати додатковими ознаками (вік, категорія, час доби). Sequence-aware моделі (SASRec, BERT4Rec) враховують порядок взаємодій — state-of-the-art для сесійних рекомендацій.

Як вибрати архітектуру рекомендаційної системи?

Відповідь залежить від даних, навантаження та вимог до холодного старту. Нижче — три основні підходи з критеріями вибору.

Гібридна архітектура на 20–40% ефективніша за чистий CF за покриттям long-tail — перевірено на каталогах від 100k SKU.

Content-Based Filtering: коли історії взаємодій мало

Content-based рекомендує на основі характеристик товарів, а не поведінки інших користувачів — вирішує cold start для нових items. Текстові ембединги через sentence-transformers (multilingual-e5-base, BGE-M3) → пошук схожих через FAISS IndexFlatIP — запит за <5 ms на 100k товарів. Item2Vec (Word2Vec на послідовностях переглядів) дає інтерпретовані «схожі товари» за пару годин навчання.

Структуровані ознаки (категорія, бренд, ціна) подаються через embedding layers або в gradient boosting — CatBoost працює з категоріями без ручного кодування.

Чому гібридні моделі працюють краще?

Production-системи майже завжди дворівневі. Stage 1 (Retrieval) — швидкий відбір 100–500 кандидатів із 300k товарів через ALS або Two-Tower модель з векторним пошуком (FAISS, Qdrant). Stage 2 (Ranking) — важкий ранжувальник на LightGBM або нейромережі з cross-features, часом, пристроєм та контекстом сесії. LightFM — хороша відправна точка для середнього масштабу без важкої інфраструктури. Наша практика показує: перехід від single-stage до two-stage дає приріст точності на 15–25% при зростанні latency всього на 20–30 мс.

Real-Time Serving: архітектура під навантаження

Latency SLA — 50–100 ms при тисячах запитів на секунду. Base-рекомендації precompute (batch job раз на годину) → Redis по user_id → <5 ms. Real-time re-ranking через Kafka для подій (кліки, додавання в кошик) → оновлення контекстних ознак. Feature serving — Redis з TTL (кількість переглядів за 24 години, останній клікнутий item). При навантаженні 10k req/s ставимо Redis Cluster з реплікацією.

A/B тестування — єдиний достовірний спосіб оцінити покращення. Офлайн-метрики корелюють з онлайн не завжди. Kohavi et al., «Online Controlled Experiments at Large Scale» (KDD 2013) — обов'язкове читання для команди. Тест з 5–10% трафіку, моніторинг CTR, конверсії, revenue per session. Одна з наших клієнтських систем після гібридизації збільшила виручку на 18% за місяць A/B.

Терміни розробки рекомендаційної системи

Етапи та типові часові витрати — у таблиці нижче. Вартість розраховується індивідуально під масштаб каталогу та вимоги до latency.

Що входить у розробку під ключ

1. Аудит даних — щільність матриці user×item (зазвичай <0,1%), розподіл активності, temporal паттерни, cold start статистика.
2. Baseline — «популярне» як простий поріг, який часто важко перевершити.
3. Ітеративне покращення — ALS → контентні ознаки → two-stage → sequence-aware. Кожен крок з A/B.
4. Інфраструктура serving — batch precomputation, Redis, real-time re-ranking, моніторинг у Grafana.
5. Документація — model card з метриками, інструкція з деплою, опис ознак.
6. Навчання команди — сесія з інтерпретації результатів та донавчання моделі.
7. Підтримка — 1 місяць після запуску (фікс інцидентів, доналаштування pipeline).

Ми — команда з 7+ роками досвіду в рекомендаційних системах, реалізували понад 30 проєктів для e-commerce та медіа. Гарантуємо прозоре A/B-тестування та фіксацію покращення метрик.

Хочете оцінити потенціал зростання вашого каталогу? Зв'яжіться з нами для безкоштовного аудиту даних. Замовте розробку рекомендаційної системи — перший прототип протягом двох тижнів.

from implicit.als import AlternatingLeastSquares

model = AlternatingLeastSquares(
    factors=64,
    regularization=0.05,
    iterations=15,
    use_gpu=True
)
model.fit(user_item_matrix)

Більше про математику рекомендаційних систем — у Wikipedia.