Как автоматизация цен с помощью ИИ принесла 9% к марже в розничной сети DIY из 50 магазинов

Традиционные методы ценообразования, основанные исключительно на ретроспективном анализе продаж, часто снижают конкурентоспособность ритейлеров, поэтому региональная сеть товаров для дома и ремонта (DIY) с оборотом в несколько миллиардов рублей инициировала проект по переходу от ручного управления к автоматизированной системе. Внедрение алгоритмов охватило 50 магазинов в Поволжье и весь ассортимент из 15 000 SKU, это позволило полностью отказаться от субъективных решений менеджеров в пользу математических моделей. Эта цифровая трансформация процесса ценообразования привела к существенному росту ключевых финансовых показателей - по итогам проекта валовая маржа ритейлера увеличилась на 9%, а общая выручка выросла на 2,5%.

Делюсь историей проекта, который реализовала БизнесМатика

Профиль клиента и масштаб проекта

Клиент: Региональная розничная сеть в Поволжье.
Масштаб: 50 офлайн-магазинов и интернет-магазин. Годовой оборот — несколько миллиардов рублей.
Исходный ИТ-ландшафт - гетерогенная среда, включающая 1C:ERP в качестве ядра, кастомную WMS-систему и высокую долю ручных операций в Excel при управлении категориями.

Итоги внедрения

Проект прошел путь от пилотного запуска на двух товарных категориях до масштабирования на весь ассортимент (15 000 SKU).
Ключевые показатели эффективности (KPI): Рост валовой маржи: +9%, Увеличение выручки: +2.5%

Боль клиента: «Мы или демпингуем, или не продаем»

До прихода ИИ жизнь коммерческого отдела напоминала бесконечный день сурка.

10 категорийных менеджеров физически не успевали переоценивать 15 000 товаров. Цены менялись раз в две недели. За это время конкуренты успевали трижды поменять ценники, а поставщики — дважды поднять закупочные цены.
Цены ставились по методу «палец в небо» или «Cost+» (закупка + фиксированная наценка). Эластичность спроса? Нет, не слышали. Если товар не продавался, устраивали тотальную распродажу, сжигая маржу.
Федеральные гиганты (условный "Леруа") заходили в регион и давили ценами. Нужно было научиться играть тоньше: где-то быть дешевле гиганта (на товары-маячки), а где-то незаметно зарабатывать больше.

Данные - нефть, которую пришлось очищать

Алгоритм - как спортивный болид, на плохом бензине не поедет. А «бензин» у клиента был так себе. Мы собрали данные из трех источников:

Внутренние продажи (чеки): История за 2 года из 1C. Тут были сюрпризы: товары-дубли, пересортица и отрицательные остатки. Пришлось потратить месяц на «генеральную уборку» данных.
Конкуренты: Парсинг цен топ-3 конкурентов в регионе. Данные лились ежедневно, но часто с «шумом» (акция 2+1, которую парсер не всегда видит как скидку).
Товарные справочники: Себестоимость, минимальная маржа, размеры товаров.

Клиент параноидально боялся облаков («А вдруг базу украдут?»), поэтому решение разворачивали в защищенном контуре Yandex Cloud с VPN-туннелем до офиса, чтобы данные не покидали периметр без шифрования.

ИИ-мозг поверх 1С

Мы не стали ломать старую 1С, а надстроили над ней «умную голову».
Система работает как опытный шахматист:

Анализирует доску: Смотрит на остатки, текущий спрос, цены конкурентов и день недели.
Просчитывает ходы: ML-модель предсказывает, как изменится спрос, если цену поднять на 5 рублей или опустить на 10.
Делает ход: Выдает рекомендованную цену.
Проверяет правила: «Не ставить цену ниже себестоимости», «Не менять цену чаще раза в сутки», «Быть дешевле конкурента Х на товары из списка Y».

Результат (новая цена) автоматически пушится в 1С, а оттуда летит на кассы и электронные ценники.

Этапы: От «не верю» до «дайте ещё»

Весь проект занял 7 месяцев.

Месяц 1-2: Аудит данных и создание математической модели спроса.
Месяц 3-4 (Офлайн-тест): Алгоритм считал цены, но не применял их. Менеджеры смотрели в отчеты и крутили пальцем у виска: «Почему он хочет поднять цену на лопаты зимой?». Оказалось, алгоритм заметил микро-тренд на уборку снега раньше людей.
Месяц 5-6 (Пилот): Выбрали 10 магазинов (тестовая группа) и 10 похожих (контрольная группа). Запустили авто-цены на категорию «Сантехника» и «Инструмент».
Месяц 7: Подведение итогов и раскатка на всю сеть.

Команда

С нашей стороны: 1 Data Scientist (мозги модели), 1 Data Engineer (трубы с данными), 1 Бизнес-аналитик (переводчик с человеческого на машинный) и PM.
Со стороны клиента:

Владелец процесса: Коммерческий директор (единственный, кто верил в успех с самого начала).
IT-директор: Главный страж ворот, который следил, чтобы мы не «положили» 1С.
Категорийные менеджеры: Сначала — главные саботажники, потом — главные пользователи.

Что под капотом

Мы не изобретали велосипед, а взяли надежные промышленные инструменты:

Python — основной язык разработки.
Библиотеки: Pandas (работа с таблицами), CatBoost (отличный алгоритм градиентного бустинга от Яндекса, идеально работает с табличными данными и категориальными признаками).
Airflow: Оркестратор, который каждое утро по расписанию запускает процесс переоценки.
PostgreSQL: База данных для хранения истории и расчетов.
FastAPI: Чтобы система могла отдавать цены по запросу.

Результаты

Эффект считали строго по методологии A/B тестирования (сравнивали тестовые магазины с контрольными, очищая от сезонности).

Валовая маржа: Рост на 9.2% в тестовой группе.

За счет чего? Алгоритм нашел сотни товаров, на которые можно поднять цену на 3-5%, и покупатель этого не заметит (низкая эластичность). При этом на товары-индикаторы цены были снижены, что привлекло трафик.

Выручка: Рост на 2.5%.
Оборачиваемость: Ускорилась на 12%. Система начала агрессивно снижать цены на «залежалый» товар, высвобождая деньги.

Восстание машин отменяется

Главный риск был не технический, а психологический. Менеджеры боялись «Черного ящика».

Система предлагает поднять цену на популярный перфоратор на 500 рублей. Менеджер в панике: «Мы потеряем рынок!».
Мы ввели «интерфейс доверия». Система не просто давала цену, а писала объяснение: «Предлагаю +500 руб., так как у главного конкурента этот товар закончился на складе, а спрос в пятницу растет». Когда люди поняли логику машины, страх ушел.

«Жизнь после»

Цитата Коммерческого директора:

Раньше мои ребята тратили 80% времени на перебивание цен в Excel и 20% на переговоры с поставщиками. Теперь пропорция перевернулась. Робот делает рутину, а менеджеры ищут классные товары и выбивают скидки у производителей. Реальный пример - менеджер категории «Свет» заметил, что система систематически занижает цену на определенные люстры. Оказалось, они лежали в системе как «неликвид» из-за ошибки в карточке товара (неверный год коллекции). ИИ подсветил ошибку данных, которую не видели годами.

Что дальше?

Аппетит приходит во время еды - теперь клиент планирует:

Промо-оптимизация: ИИ будет предсказывать не только регулярную цену, но и глубину скидок для акций.
Персонализация: Разные цены для разных уровней программы лояльности в мобильном приложении.

Масштабирование: Подключение новых магазинов, которые сеть планирует открыть в соседнем регионе.