Маркетплейсы / Сделать скидку
Как выбрать скидку на товар с ИИ
ИИ подбирает скидку, прогнозируя прирост продаж (uplift) при каждом уровне цены. Вы сравниваете маржинальную прибыль и выбираете вариант с максимальной выгодой, а не просто снижаете цену на глаз.
Проблема
Почему это важно
Без ИИ скидки на маркетплейсах часто назначают интуитивно: «поставлю -15%, как у конкурента» или «ликвидирую остатки с максимальной скидкой». Это приводит к тому, что продавец либо недополучает прибыль (скидка слишком большая, а спрос вырос незначительно), либо не достигает цели по продажам (скидка слишком маленькая, и товар не уходит).
Почему возникает
- Нет данных о том, как именно спрос реагирует на изменение цены для конкретного товара.
- Скидки устанавливаются единообразно для всех товаров, без учета эластичности и остатков.
- Отсутствие прогноза: решение принимается по текущей ситуации, а не с учетом будущего спроса.
Риски и потери
- Потеря маржи: скидка больше, чем нужно для роста продаж, прибыль падает.
- Затоваривание: скидка недостаточна, товар не продается, растут затраты на хранение.
- Упущенная выгода: без скидки можно было бы продать больше, но решение не принято вовремя.
Что влияет на результат
- Эластичность спроса по цене (как меняется объем продаж при изменении цены)
- Текущий уровень цены и себестоимость
- Остатки на складе и сроки годности (если применимо)
- Цены конкурентов и их динамика
- Сезонность и тренды спроса
Типичные ошибки ручного подхода
- Скидка назначается без учета эластичности: на неэластичный товар дают большую скидку, а на эластичный — маленькую.
- Не учитывается маржа: скидка может быть ниже себестоимости.
- Игнорируются остатки: скидка не корректируется под необходимость ликвидации.
Определение
Что важно понимать
Uplift
Прогнозируемый прирост продаж (в штуках или %) при изменении цены или проведении промоакции.
Позволяет оценить, насколько вырастет спрос при скидке, и сравнить с потерей маржи.Эластичность спроса по цене
Показывает, на сколько процентов изменится объем продаж при изменении цены на 1%.
Товары с высокой эластичностью сильно реагируют на скидку, с низкой — почти не реагируют.Маржинальная прибыль
Разница между выручкой от продажи и переменными затратами (себестоимость, комиссия, логистика).
Цель скидки — максимизировать именно маржинальную прибыль, а не просто выручку.Данные
Какие данные нужны
История продаж по товару
Для оценки эластичности и построения модели прогноза спроса.
- дата
- цена
- количество проданных единиц
- наличие промо
Себестоимость и комиссии
Для расчета маржинальной прибыли при разных уровнях скидки.
- закупочная цена
- комиссия маркетплейса
- стоимость логистики
Остатки на складе
Чтобы учесть необходимость ликвидации или риск дефицита.
- SKU
- количество на складе
- срок годности (если есть)
Цены конкурентов
Для корректировки прогноза спроса с учетом конкурентной среды.
- SKU
- цена конкурента
- дата
Методология
Методика выбора скидки с ИИ
Принципы
- Скидка должна быть обоснована прогнозом спроса, а не интуицией.
- Оптимизация идет по маржинальной прибыли, а не по объему продаж.
- Учитываются остатки и цели: ликвидация, рост выручки, удержание позиций.
Допущения
- Исторические данные достаточно репрезентативны для прогноза.
- Эластичность спроса стабильна в краткосрочном периоде.
- Конкурентная среда не меняется кардинально в течение акции.
Ошибки
- Использовать среднюю эластичность по всем товарам — она сильно различается.
- Не учитывать сезонность: скидка в сезон и в несезон дает разный эффект.
- Забывать про остатки: если товар почти распродан, скидка не нужна.
Роль ИИ
Как ИИ решает задачу
Прогноз спроса (uplift) при разных уровнях скидки
Данные на входе: История продаж по SKU, Цены и промо-периоды, Сезонность, Цены конкурентов
Что делает модель: Обучается на исторических данных и предсказывает, как изменится объем продаж при заданной скидке (например, -5%, -10%, -15%).
Результат: Таблица прогнозных объемов продаж для каждого уровня скидки.
Как используется: Система подставляет прогноз в расчет маржинальной прибыли и рекомендует оптимальную скидку.
Оценка эластичности спроса по цене
Данные на входе: Исторические данные о цене и объеме продаж
Что делает модель: Статистически оценивает коэффициент эластичности для каждого товара.
Результат: Значение эластичности (например, -1.5), показывающее чувствительность спроса к цене.
Как используется: Используется для фильтрации товаров: на неэластичные скидки невыгодны.
Кластеризация товаров по чувствительности к скидке
Данные на входе: Эластичность, Маржинальность, Остатки
Что делает модель: Группирует товары в сегменты: «скидка эффективна», «скидка неэффективна», «требуется ликвидация».
Результат: Список сегментов с рекомендуемой стратегией по каждому.
Как используется: Менеджер видит, на каких товарах стоит фокусироваться, а какие не трогать.
Разбор
Как это работает
- 1
Вход: данные о продажах, ценах, остатках, конкурентах. Действие: система загружает и очищает данные. Результат: единая таблица для анализа.
- 2
Вход: исторические данные по SKU. Действие: модель обучается прогнозировать спрос в зависимости от цены и других факторов. Результат: обученная модель прогноза.
- 3
Вход: текущая цена, себестоимость, остатки. Действие: система рассчитывает прогноз продаж для скидок 0%, -5%, -10%, -15%. Результат: таблица прогнозных объемов.
- 4
Вход: прогнозные объемы и маржинальные данные. Действие: для каждого уровня скидки считается маржинальная прибыль. Результат: сравнение прибыли по вариантам.
- 5
Вход: таблица прибыли. Действие: система выбирает скидку с максимальной маржинальной прибылью. Результат: рекомендуемая скидка.
- 6
Вход: рекомендация. Действие: менеджер утверждает или корректирует скидку с учетом неучтенных факторов. Результат: установленная скидка на маркетплейсе.
Расчет
Формула выбора скидки
Основной расчет — сравнение маржинальной прибыли при разных уровнях скидки. Прогноз продаж берется из ИИ-модели.
Маржинальная прибыль при скидке
MP = (P * (1 - d) - C) * Q(d)- P — текущая цена
- d — скидка (в долях)
- C — переменные затраты на единицу (себестоимость + комиссия + логистика)
- Q(d) — прогнозный объем продаж при скидке d (из ИИ-модели)
Условный пример: P = 1000 руб., C = 600 руб., прогноз Q: при d=0% → 100 шт., при d=10% → 150 шт. Тогда MP(0%) = (1000 - 600) * 100 = 40 000 руб.; MP(10%) = (900 - 600) * 150 = 45 000 руб. Скидка 10% выгоднее.
Допущение: Выбирается скидка с максимальной MP. Если цель — ликвидация, можно учитывать стоимость хранения.
Пример расчета
Как это выглядит в цифрах
Условный пример: выбор скидки для электроники
- Допущение: Товар: наушники, текущая цена 3000 руб.
- Допущение: Себестоимость с комиссией и логистикой: 1800 руб.
- Допущение: Остаток: 200 шт., срок годности не ограничен.
- Допущение: ИИ-модель прогнозирует: при скидке 0% продажи 50 шт./мес., при 10% — 80 шт., при 20% — 100 шт.
MP(0%) = (3000 - 1800) * 50 = 60 000 руб. MP(10%) = (2700 - 1800) * 80 = 72 000 руб. MP(20%) = (2400 - 1800) * 100 = 60 000 руб. Максимум при скидке 10%.Скидка 10% дает наибольшую маржинальную прибыль. Скидка 20% увеличивает продажи, но прибыль падает до уровня без скидки из-за низкой маржи.
Логика решения
Почему дана такая рекомендация
Что повлияло на решение
- Прогнозный объем продаж при каждой скидке
- Маржинальная прибыль на единицу
- Остатки на складе
- Цели: максимизация прибыли или ликвидация
Какие риски учтены
- Прогноз может быть неточным из-за внешних факторов (изменение спроса, конкуренты)
- Скидка может привлечь нецелевую аудиторию
- Слишком частая скидка снижает доверие к цене
Какие варианты рассматривались
- Не делать скидку, если маржа и так низкая
- Сделать скидку только на часть остатков
- Использовать скидку в комплекте с другим товаром
Выбран вариант с максимальной маржинальной прибылью, так как это соответствует бизнес-цели — рост прибыли, а не просто выручки.
Если бы целью была ликвидация склада, выбрали бы скидку 20%, даже при равной прибыли, чтобы быстрее освободить место.
Результат
Что видит пользователь
Рекомендация по скидке для каждого SKU
Таблица: SKU, текущая цена, рекомендуемая скидка, прогноз продаж, маржинальная прибыль до и после.
Менеджер может сразу установить скидку на маркетплейсе или отправить на согласование.Дашборд с динамикой продаж и маржи
Графики фактических продаж и прибыли в сравнении с прогнозом.
Отслеживать эффективность акции и корректировать скидку в процессе.Автоматизация
Что автоматизируется, а что нет
Выполняется автоматически
- Сбор и очистка данных о продажах, ценах, остатках
- Обучение модели прогноза спроса
- Расчет маржинальной прибыли для каждого уровня скидки
- Формирование рекомендаций по скидкам
Требует настройки
- Настройка источников данных (выгрузки с маркетплейса)
- Определение переменных затрат (себестоимость, комиссии)
- Задание целей (максимизация прибыли, ликвидация)
- Пороги для автоматического применения скидок (если нужно)
Остаётся за человеком
- Утверждение скидки для товаров с высокой ценой или стратегических
- Учет неценовых факторов (репутация, отношения с поставщиками)
- Решение о ручной корректировке при форс-мажоре
Внедрение
Как внедрить решение
Быстрый запуск
- Собрать данные о продажах и ценах за последние 3-6 месяцев в Excel.
- Рассчитать эластичность вручную (простая регрессия) или использовать встроенные функции.
- Для каждого товара вручную подобрать скидку, сравнивая маржу.
Рабочая система
- Настроить автоматическую выгрузку данных с маркетплейса.
- Построить модель прогноза спроса (например, градиентный бустинг) на исторических данных.
- Создать дашборд с рекомендациями по скидкам.
- Настроить уведомления о товарах, где скидка может быть неоптимальной.
Расширенный вариант
- Интегрировать данные о конкурентах в реальном времени.
- Использовать сценарный анализ: что будет при изменении цен конкурентов.
- Автоматически применять скидки для товаров с низким риском (высокая маржа, большой остаток).
Подготовка
Чек-лист перед запуском
- 1
Собраны данные о продажах минимум за 3 месяца.
- 2
Определена себестоимость и комиссии для каждого SKU.
- 3
Проверена полнота данных (нет пропусков по датам).
- 4
Выбрана модель прогноза и оценена ее точность на тестовой выборке.
- 5
Определены цели: максимизация прибыли или ликвидация остатков.
- 6
Установлены пороги для автоматического применения скидок.
- 7
Настроен дашборд для мониторинга.
- 8
Проведено тестовое применение на 5-10 товарах.
- 9
Сравнены фактические продажи с прогнозом.
- 10
Скорректирована модель при необходимости.
Вывод
Главное
Скидка должна быть обоснована прогнозом спроса и расчетом маржинальной прибыли, а не интуицией.
Основные данные — история продаж, цены, себестоимость, остатки. Ключевой расчет — сравнение маржинальной прибыли при разных уровнях скидки с использованием прогноза спроса от ИИ.
ИИ прогнозирует спрос (uplift) и оценивает эластичность, что позволяет выбрать скидку, максимизирующую прибыль.
Начните с малого: соберите данные по 10-20 товарам, рассчитайте эластичность и маржу в Excel, чтобы увидеть разницу в подходах.
Метод ReMetod
На чем основан вывод
Метод ReMetod учит строить решение от бизнес-проблемы к модели и данным. В данном случае бизнес-проблема — неоптимальные скидки, модель — прогноз спроса и расчет маржи, данные — история продаж. Практикум помогает освоить этот путь без программирования.
В программе практикума этот подход разбирается пошагово: от формулировки бизнес-задачи до модели решения, данных, автоматизации, интерфейса и проверки результата.
Посмотреть программу практикумаВопросы
Что обычно уточняют
У меня мало данных, ИИ не сможет обучить модель.
Начните с простых статистических методов: рассчитайте эластичность по нескольким точкам. Даже 3-6 месяцев данных достаточно для базового прогноза. Постепенно накапливайте данные и улучшайте модель.
Скидки — это творчество, а не математика.
Творчество важно в маркетинге, но цена и скидка — это экономика. Математический подход позволяет избежать убытков и обосновать решение перед руководством.
ИИ может ошибиться в прогнозе.
Да, но вы можете оценить точность модели на исторических данных и использовать доверительные интервалы. Кроме того, всегда есть человеческий контроль для стратегических решений.
Следующий шаг
Выберите, как продолжить с ReMetod
Хотите научиться внедрять такие решения? Приходите на бесплатный вебинар ReMetod.