-
331
Опубликовано проектов
-
171
Оставлено комментариев
Динамическое ценообразование в «Галамарт»: +25% валовой прибыли LFL
-
Руководитель проекта со стороны заказчика
Оксана Хабибуллина
Галамарт
Руководитель отдела коммерческих технологий, ассортимента и ценообразования
-
Категория
-
Номинация
-
Цели
Собственная система ценообразования «Галамарта» успешно справлялась с задачами управления ассортиментом и рентабельностью. Но перед командой стоял вопрос: как, не нарушая отлаженных процессов, дополнительно увеличить валовую прибыль и сохранить репутацию магазина с выгодными ценами. Внедрение динамического ценообразования стало логичным решением. Впервые к изучению ML-алгоритмов компания подошла несколько лет назад, а в 2025 году приступила к проверке гипотезы.
Главная задача проекта - встроить алгоритмы в действующую систему ценообразования и найти скрытые ресурсы прибыльности.
Цели пилота:
Рост валовой прибыли в пилотной группе магазинов относительно контрольной минимум на 3,5%.
Сохранение второстепенных метрик: трафик, маржинальность, оборачиваемость.
Цель масштабирования - тиражировать результат пилота на 300+ магазинов сети с учётом различий в покупательском профиле и сохранить рост валовой прибыли без потери трафика.
-
Сроки выполнения
март, 2025 — апрель, 2026 -
Год завершения проекта
2026
-
Масштаб проекта
870 человеко-часов -
Результаты
Пилотный проект:
Рост валовой прибыли в пилотной группе на 9,1% относительно контрольной при цели 3,5%.
27 из 29 магазинов показали положительную динамику.
Количество чеков выросло на 4,9% к медиане, маржинальность и оборачиваемость остались в рамках целевых показателей.
Масштабирование. Показатели за апрель-сентябрь 2026 года, после подключения 300+ магазинов:
Валовая прибыль сопоставимых магазинов (LFL) выросла на 25,3% к тому же периоду 2025 года при росте выручки на 15,4%.
Продажи в штуках и количество чеков увеличились на 10,3% и 7,7%.
Под управлением динамического ценообразования - 13 094 SKU (92,6% ассортимента).
-
Уникальность проекта
В большинстве форматов розницы основу ассортимента составляют товары, которые годами остаются на полке. Матрица «Галамарта» подвижная: каждые две недели на полках появляются новинки, а жизненный цикл позиции ограничен 4-6 месяцами. Перед ценообразованием стояли два вызова: успевать за быстрой сменой ассортимента и работать с короткой историей продаж каждой позиции.
Для решения первой задачи ценообразование выстроили по всему жизненному циклу позиции. В регулярной продаже ML-алгоритмы подбирали цену под роль товара: на KVI держали баланс выручки и продаж в штуках, на Back Basket и Long Tail максимизировали валовую прибыль. На выходе позиции из матрицы алгоритм вёл динамическую уценку в коридорах скидок, принятых в сети, а для излишков запасов подбирал скидку в каждом магазине отдельно, чтобы распродать их к сроку, заданному сетью.
Короткую историю продаж компенсировала кластеризация: магазины с похожим покупательским поведением объединили в группы, и спрос оценивали по всей группе.
-
Использованное ПО
Облачная платформа динамического ценообразования Imprice
Selectel - облачная инфраструктура
1С:Предприятие - интерфейс пользователей
Microsoft SQL Server - операционная база данных (OLTP)
ClickHouse - хранилище данных (DWH)
Python - ML-алгоритмы
Flask, Celery и PostgreSQL - управление распределёнными расчётами
RabbitMQ - очередь расчётов и синхронизация
Apache Superset - BI и дашборды
Интеграция с системами сети - ODBC и API (JSON/HTTP)
-
Решение из каталога Global CIO
В проекте не используются решения из каталога Global CIO
-
Сложность реализации
Множественные ценовые категории. В «Галамарте» один и тот же товар в разных магазинах может иметь разную ценовую категорию, а управляющие имеют возможность вносить свои приоритетные изменения цен. Разработали систему приоритизации с учётом правил сети и решений на местах. Магазины сохранили гибкость, а сеть - централизованный контроль.
Ограничения на частоту переоценок. В сети действует минимальный срок между переоценками одного товара, а число изменений ограничено тем, сколько ценников персонал может поменять за день. Процесс адаптировали под реалии: цены пересчитывали с нужной регулярностью, а интеллектуальная очередь отбирала в переоценку товары с наибольшим потенциалом.
Правила уценки. Рекомендуемая цена не всегда укладывалась в принятые правила уценки. В проекте сравнили два подхода - линейную уценку и модель оптимальной цены. По итогам выбрали комбинацию: статистику учитывали на уровне кластера, а уценку проводили на уровне магазина по глубине остатков и оборачиваемости.
-
Описание
Исходная ситуация. «Галамарт» - одна из крупнейших федеральных франчайзинговых сетей товаров для дома и семьи. Ценовая политика сети формировалась годами: низкие цены каждый день, сезонные распродажи, уценка товаров на выходе из матрицы. Все эти принципы были реализованы в отлаженной системе ценообразования на сотнях формул и переменных с разделением ассортимента на ценовые категории. Различия цен между магазинами задавались надбавками по географии.
Реализованное решение. Разработали подход, при котором ML-алгоритмы встраивались в живые процессы и действовали строго в рамках правил ценообразования сети. Внедрение прошло в два этапа: пилот для проверки результата и масштабирование на всю сеть.
Пилот. Июль-сентябрь 2025, 29 тестовых и 25 контрольных магазинов, сравнение с недельной медианой за 12 месяцев до старта. В пилот вошло около 60% ассортимента (~40% в продажах).
ML-оптимизация цен - основа роста валовой прибыли. Алгоритмы подбирали оптимальную цену с учётом чувствительности спроса в рамках внутренних ценовых категорий и заданных стратегий:
- Hard KVI - максимизация выручки;
- Soft KVI - баланс между валовой прибылью и продажами;
- Back Basket и Long Tail - максимизация валовой прибыли без потери спроса.
Распродажные механики - рост оборачиваемости и высвобождение полки в пользу новых поступлений. Все SKU, попадающие под уценку, сегментировали с индивидуальными коридорами скидок.
Адаптация к процессам - защита ценового имиджа и согласованность с маркетингом. Для позиций, которые долгое время продавались со скидкой, подключили механику плавного роста цены, а промо-товары автоматически исключались из ценообразования.
Масштабирование. С конца 2025 по апрель 2026 года подход тиражировали на 300+ магазинов и провели дополнительную работу на уровне всей сети:
Кластерное ценообразование - цена под покупательский профиль магазина. Магазины сравнили по количеству покупок и среднему чеку и объединили в 20 кластеров. В каждом кластере провели сегментацию товарных ролей и адаптировали стратегию ценообразования под локальные особенности. Спрос оценивали по данным всей группы. Категории Hard и Soft KVI перевели на баланс выручки и продаж.
Ценообразование на уровне магазина - распродажа остатков. Реализовали двухуровневое ценообразование - поверх кластерной цены в каждом магазине работает динамическая уценка по остатку, скорости продаж и целевому сроку распродажи.
Ценообразование по линейкам - учёт групповых зависимостей. Для связанных товаров алгоритмы оптимизируют цены не отдельных SKU, а всей линейки комплексно.
Изменения после внедрения
Процессы. Цены для 300+ магазинов рассчитываются с учетом целей и операционных процессов сети. Коммерческая команда может оперативно вносить изменения и тестировать новые ценовые стратегии с прозрачным результатом по каждому решению.
Работа сотрудников. Трудозатраты на расчёт цен заметно сократились. Переход прошёл без сопротивления благодаря адаптации к операционным процессам и внутренней работе «Галамарта».
-
География проекта
Российская Федерация
-
Дополнительные презентации
-
Заказчик
Галамарт
-
ИТ-поставщик
Первый БИТ, Imprice
Комментировать могут только авторизованные пользователи.
Предлагаем Вам войти в систему или зарегистрироваться.