Így árazd a kisboltjaid!

Olvasási idő: 2,3 perc

Esettanulmány:

Így árazd a kisboltjaid!

A jelenlegi esettanulmány egy közelmúltban elvégzett munkánk eredményeit mutatja be. Az ügyfelünknek több száz lokációban van boltja, ahol impulzus termékek adják az árbevétel jelentős részét. Az ilyen típusú termékek sajátossága, hogy fogyasztási mintázatuk erősen összefügg az üzlet elhelyezkedésével, így az árazást lokáció alapon érdemes differenciálni.

A lokációs szabályok rendszere az évek, évtizedek során alakult mai állapotára, de szakértői becslés alapján bőven van tér adatelemzéssel segített ellenőrzésre és optimalizálásra.

Fő célunk volt az egyes lokációkon az optimális árszint beállítása úgy, hogy a lehető legnagyobb margin növekedést érjünk el.

A projekt során egy testreszabott árazási módszertant alakítottunk ki: a klasszikus termék alapú árazási modell helyett kidolgoztunk egy termékcsoport+bolt alapú modellt, amit bolt szinten, összesítve használtunk fel.

Az elemzéshez részletes vásárlási adatokat valamint egyéb külső adatokat, például promóciókat, boltfelújítási időszakokról elérhető információkat is felhasználtunk.

A következőkben bővebben olvashatók az elemzés lépései.

1.Szűrjük ki a torzításokat!

Láttunk olyan ásványvizet, mely erős marketingtevékenységgel egyik hónapról a másikra 35x-ös eladási mennyiséget hozott, majd a következő hónapban ez visszaesett a promóció előtti állapotra. Egy közkedvelt energiaital szinte minden második hónapban akciósan futott, emiatt a mennyiségben hatalmas fluktuáció volt tapasztalható. A felújításon átesett boltok legnagyobb része a felújítás alatt is nyitva tartott, de a termékcsoportok nagy részét nem kínálta eladásra, a maradékban pedig egyértelműen látható volt a felújítás forgalomcsökkentő hatása. Ezeket a modellt kedvezőtlenül befolyásoló kiugró értékeket kiszűrtük, így végül a boltoknak mintegy 60%-át, a termékeknek pedig 20%-át tartottuk meg.

Ennek hatására egy olyan modellt tudtunk fejleszteni, amely megbízható, vagyis zavaró hatásoktól nagyrészt mentes, de mégis reprezentatív mintán alapul.

2.Rendeljünk egyértelmű árat a termék-bolt párokhoz!

Az üzletmenetből fakadóan nem tárolták el a termékek polci árát. Sok termék esetében több különböző áron is értékesítették az adott terméket, vásárlói kártya kedvezménnyel, multibuy kedvezménnyel vagy kuponnal is alacsonyabb ár volt elérhető. Nekünk viszont a polci ár nagyon fontos, mert ennek nagy hatása van a vásárló döntésére. Szerencsére ezek az árak napon belül ritkán változtak, ezért a választásunk a napi medián árra esett, mely az eladott mennyiség 97%-át lefedte.

3.Korrigáljuk a mennyiségeket a szezonális hatásokkal!

Annak érdekében, hogy a különböző időszakban különböző árakon eladott mennyiségeket össze lehessen hasonlítani, szükséges volt egy szezonalitás alapú korrekciót elvégezni. Különösen az impulzus termékek körében erős szezonális (időjárás) hatások vannak, melyek az eladási ártól függetlenül fejtik ki hatásukat az eladott mennyiségre. Magasabb ráta erősebb, alacsonyabb ráta gyengébb forgalmat jelent. Jellemző szezonalitás a fagyasztott termékek és italok fogyasztásának nyári felfutása.

 Fagyasztott áruk szezonalitási ráta

A szezonalitási ráta segítségével normalizálni tudjuk az eladott havi mennyiségeket, hogy hónapfüggetlen eladási mennyiséget kapjunk.

4.Határozzuk meg az árrugalmasságot bolt+termékcsoport szinten!

Egy termék keresleti árrugalmassága megmutatja, hogy 1%-os árváltozás hány százalékos keresletváltozást okoz. Ezt a múltbeli ár-eladott mennyiség adatokból közelítjük. Jelen projektben az ár-mennyiség adatpontokra bolt+termékcsoport szinten illesztettük az árrugalmassági görbét.

A kiugró értékek hatásának mérséklésére érdemes volt néhány trükköt bedobni, mi például robosztus regressziót használtunk, és egy megbízhatósági mutatót is számítottunk, amivel a gyengén teljesítő modelleket kiszűrtük.

5.Emeljük az eredményeket bolt szintre!

A bolt+termékcsoport szintű modelleket bolt szintre emeltük súlyozott átlagolással. Ezzel minden boltra kaptunk egy olyan indikátort, mely az adott boltba látogató vásárlók árrugalmasságát mutatja.

6.Állítsuk be az optimális árakat!

Minden termék utolsó ismert árához képest lehetőség van egy boltszintű optimális ár meghatározására, mely beállítása esetén az egység marzs és a mennyiség szorzata maximális, vagyis a teljes bevétel növelhető. A teljes választék optimuma az eredmények alapján a jelenleginél magasabb teljes marzsot mutatott. A kiskereskedelemben megszokott módon azonban a modell által adott árak helyett pszichológiai árpontokban gondolkoztunk. Nyilvánvalóan nem tudunk például 66,5 Ft-os árat kiírni, ezért utolsó lépésként egy kerekítési rendszer a pszichológiai árpontokra módosította az árakat (pl. 69 Ft-ra).

Ügyfelünknél a modellünk 3-3.5% éves marzs-növekedést jelzett előre, mely nagyjából TÍZ ÚJ BOLT nyitásának megfelelő profitnövekedésnek felel meg.

A projekt tapasztalatai alapján elmondhatjuk, hogy a módszertan működik, sikerült a lokációs különbségekre optimalizálni az árakat. Ezen felül jelentős továbblépési lehetőségek vannak, mint például termékszintű árazás, vagy produkciós rendszer építése. Az iparági trendek azt mutatják, hogy az adatminőség és elérhetőség javulásával, valamint a fokozódó versenyben egyre több kiskereskedőnek van lehetősége és igénye adat alapon optimalizációs döntéseket hozni.

Szerzők:
Biró Márton (Senior Data Scientist)
Zimmer Márton (Managing Partner)

About Biró Márton

Mérnökinformatikusként kerültem az adatos világba 8 éve, a Hiflylabs-nél 3 éve dolgozom. Legszívesebben prediktív modelleket fejlesztek, de a tanácsadó jellegű munkákat is élvezem. A csapatunk 6 szektorba szállít fejlett analitikai megoldásokat, én leginkább kiskereskedelmi ügyfeleknél kamatoztatom tapasztalataimat. Szenvedélyeimhez tartoznak a különleges vagy ritka publikus adatok gyűjtése és az elemzési munkafolyamat fejlesztése.

Vélemény, hozzászólás?

Az email címet nem tesszük közzé. A kötelező mezőket * karakterrel jelöljük.