В экономической теории многие разделы посвящены процессу ценообразования в торговле.

Но при практическом использовании инструментов формирования цены ритейлеры сталкиваются со множеством проблем, это приводит к ошибкам при определении цены и, как следствие, потерям в прибыли.

Например, когда ритейлер снижает цену, потребительский спрос растет, но прибыли нет. Увеличивает цену товара — спрос падает.

Как видим, существует сильная зависимость между ценой, спросом и прибылью.

Эластичность же позволяет найти оптимальное соотношение стоимости и количества продаж, позволяющее увеличить прибыль. Иными словами, цена выступает балансирующим фактором между ожидаемыми спросом и доходом.

Многие существующие модели ценовой эластичности претендуют на “мировое господство”, но проблема в том, что учесть при моделировании абсолютно все факторы влияющие на цену и спрос невозможно.

Разработанная нами модель предлагает коррекцию цены на товары по каждому магазину отдельно, используя исторические данные за полгода и учитывая факторы частоты, количества и стабильности продаж, которые повышают точность анализа. Модель не предполагает максимальный охват всех возможных факторов и случаев изменения цены, но срабатывает для корректировки цены отдельных товаров в магазинах наших клиентов.

Наш подход отличается от классического, и ниже мы объясним чем.

Классическая модель ценовой эластичности — определение коэффициента точечной ценовой эластичности.


Этот подход хорош в теории, но недостаточно достоверный на практике потому что:

1. На продажи товара влияет множество факторов кроме цены — конкуренция, реклама, лояльность покупателей к бренду, доступность товара и т.п.
2. Модель не включает фактор времени, а значит исключает важные для ритейла сезонные влияния на покупательский спрос.
3. Двух показателей цены для точного анализа мало.

Недостатки модели ценовой эластичности можно увидеть визуализировав соотношение изменений цены и продаж для конкретного товара.

Построим график:
по горизонтали — изменения цены;
по вертикали — изменения продаж товара.



Что мы получили? Большинство точек сосредоточенно около 0, как по у, так и по х. Как видим, изменения цены практически никак не влияют на спрос, да и сам спрос варьируется при стабильной цене. Отследить конкретные зависимости не возможно.

Будем искать другой подход для определения оптимальной цены на товар.

1. Нужно определится с периодом для анализа соотношения цены и спроса.
Выбранный нами период для анализа эластичности цены — полгода. Это позволяет при расчетах минимизировать риски инфляции, других внешних колебаний рынка ритейла.

2. Расчеты проводим для каждого магазина отдельно.
Оптимальная цена для товаров каждого магазина рассчитывается отдельно, так как у каждого магазина свой размер, ассортимент, контингент покупателей, покупательский спрос.

3. Для анализа берем только товары с относительно стабильным спросом, которые продаются не реже чем два раза в неделю.

4. Отслеживаем колебания спроса в зависимости от цены.
Построим график, поместив продажи товара на вертикальную ось, цену товара — на горизонтальную.



Как видим, точки продаж на графике сгруппировались относительно оси Х по изменениям цены.

В продуктовом ритейле, где цены не меняются кардинально, логично будет сгруппировать продажи по изменениям цены с шагом 0,5 грн. Дальше определяем среднее количество продаж в каждой группе и исключаем из анализа все единичные продажи, как недостоверные.

5. Расположим полученные точки средних продаж товара для каждой ценовой группы на графике.

На графике четко видно, что существует зависимость полученных данных и мы можем определить линейную регрессию (тренд).



Экспериментально мы определили что использовать модель можно, если цена на товар менялась хотя бы 4 раза, в противном случае результат будет неточным.

6. Мы получили формулу для определения зависимости количества продаж от цены.



Как недостоверные также будем рассматривать варианты, когда показатель b >= 0. В этом случае по каким-либо причинам, спрос на товар растет, хотя и цена растет. А значит такие показатели необходимо изучать отдельно. Возможен вариант, что спрос для этого товара вообще не эластичен, а значит в нашу модель он не попадает.

Визуально график, когда показатель b >= 0, выглядит так:



7. Построим модель зависимости прибыли от цены товара.
Для этого нам нужно определить зависимость маржи от цены.



Прибыль равна зависимости продаж, умноженной на маржу от цены.



Подставим в формулу зависимость продаж и маржи от цены.



8. Построим график зависимости прибыли от цены товара.
По вертикали — дневная прибыль.
По горизонтали — цена товара.
График начинает строится из точки цены без наценки, в ней полученная прибыль равна 0.



Находим точку на графике, в которой полученная прибыль будет максимальной и определяем значение оптимальной цены.

Модель показывает рекомендации по понижению цены от текущей до оптимальной, что принесет дополнительную прибыль за счет увеличения количества продаж в день.

Рассматривать возможность повышения цены до оптимальной (как на графике ниже) мы не будем. Ведь при формировании цены необходимо учитывать множество внешних факторов: цену конкурентов, ценовую политику сети, государственные рекомендации и ограничения.



Разберем несколько случаев использования функционала BI Datawiz.io для выбора оптимальной цены на товар. Сервис проводит анализ изменения цены и спроса для каждого товара магазина, и на основе описанной модели формирует рекомендации по оптимальному изменению цены на товары, где это повлечет за собой увеличение прибыли.

В Магазине 1 сформирована одна рекомендация для товара Шампанское советское от бренда Наш Киев.

В таблице указано:

• наименование товара;
• цена без наценки;
• текущая цена с наценкой;
• рекомендованная цена;
• среднее количество продаж в день;
• прогнозируемое количество продаж при изменении цены;
• прогнозированное увеличение прибыли по конкретному товару и по магазину в целом.

Т.е. вся необходимая информация для принятия решения.

Для более глубокого анализа и обоснованного принятия решений, ритейлер может посмотреть графики зависимости количества продаж от цены и удостоверится в правильности расчетов и рекомендаций.

Как видим, при кратковременном снижении цены (скорее всего в этот период проходили акции на товар), продажи товара значительно увеличивались. Увеличение цены на весь алкоголь, и шампанское в том числе, с 1 сентября повлекло за собой падение продаж.

На втором графике мы видим, как менялись средние продажи в день в зависимости от цены и сформированную линию тренда.

На 3 графике определена текущая и рекомендованная цена для Шампанского наш Киев.

Так, на данный момент шампанское продается по цене 51, 83 грн. за единицу, прибыль в день составляет 14,71 грн. При снижении цены до 45,99 грн. продажи вырастут и полученная дневная прибыль составит 40,04 грн.

Это на 25,33 грн. больше, чем текущая ежедневная прибыль.

В Магазине 2 мы видим рекомендации по изменению цены для 5 товаров. Общая ежедневная прибыль магазина составит 127,13 грн.

Рассмотрим графики формирования оптимальной цены на примере пива Львовское в ПЕТ бутылках объемом 1,2 л.

Как видим, за текущие полгода, цена на этот товар менялась 6 раз. А покупательский спрос достаточно сильно колебался даже при одинаковой цене.

Тут видна линейная зависимость.

Рекомендуется снизить цену с 16,91 грн. до 15,57 грн. при этом дневная прибыль увеличится на 2,65 грн. и составит 30,22 грн., как видно на кривой ниже.

В Магазине 3 сервис построил рекомендации для 4 товаров.

Проанализируем ценовую эластичность товара Шоколадный бисквит от бренда Рошен.

На графике мы видим 5 изменений цены, но при последнем повышении цены до 33,5 грн. каждодневные продажи товара не превышают 1, а значит такие данные мы не используем. Это видно на графике 2, где учитываются 4 показателя продаж.

На следующем графике отображается текущая цена бисквита которая составляет 32,66 грн. с каждодневным доходом в 16,42 грн. Рекомендованная цена составляет 29,62 грн., что увеличит прибыль на 7,05 грн.

Заметим, что предложенный нами подход к определению оптимальной цены приближен к практике и реальному состоянию дел в ритейле, исключает риски классического подхода к ценовой эластичности, который использует только два показателя, не учитывает сезонность и другие факторы.

Разработанная нами модель учитывает временной фактор, частоту, количество и стабильность продаж. Дает возможность для самостоятельного анализа с помощью визуализации исторических данных изменения цены и спроса.

Сервис BI Datawiz.io с помощью разработанной модели обрабатывает весь объем данных по продажам и показывает результаты в виде списка товаров, снижение цены на которые принесет прибыль ритейлеру.