В BUNGLY более 3 000 товаров. При таком объеме ассортимента глубокого проанализировать каждую позицию и выставить уникальную цену — невозможно. Чтобы оптимизировать работу, в BUNGLY протестировали автоматическую переоценку. Алгоритм учитывает объем и скорость продаж, товарные остатки и назначает скидку на каждый отдельный SKU — вариант товаров определенного цвета и размер. Кейс о том, как при равной средневзвешенной скидке получать больше продаж и выручки.
+51% к выручке без роста скидок: в BUNGLY сравнили автоматическую и ручную переоценку товаров
BUNGLY — российский бренд женской и детской одежды, на рынке с 2016 года
Масштаб бизнеса.
Интернет-магазин и два офлайн-магазина в Ижевске и Казани. Более 3 000 товаров уникального цвета (деление по размерам не учитывается)
Задача
Повысить выручку без лишних скидок
Решение
Протестировать автоматическую переоценку с Product Data Platform (PDP) Mindbox
ИТ.
Сайт на inSales, мобильное приложение на собственной платформе, экосистема персонализации маркетинга и цен Mindbox
Результат
Автоматическая переоценка товаров против ручной:+51% к выручке+48% к продажам в штуках20,5% средневзвешенная скидка в обеих группах товаров
Срок.
8 недель
22 июля 2026
В BUNGLY более 3 000 товаров. Чтобы управлять ценами, нужно учитывать спрос, предложения конкурентов и даже погоду. Каждую неделю категорийные менеджеры делали это вручную, но при таком ассортименте проанализировать каждую позицию невозможно.
Чтобы оптимизировать работу, в BUNGLY протестировали автоматическую переоценку. Алгоритм учитывает объем и скорость продаж, товарные остатки и назначает скидку на каждый отдельный SKU — вариант товаров определенного цвета и размера.
Кейс о том, как при равной средневзвешенной скидке получать больше продаж и выручки.
Результаты теста автоматической переоценки
-
+51%к выручке
-
+48%к продажам в штуках
-
20,5%средневзвешенная скидка в обеих группах товаров
Данные Mindbox. Период теста: 17 марта — 12 мая 2026 года
Чтобы корректно измерить эффект автоматической переоценки, мы провели AB-тест: выделили две сопоставимые группы товаров, одну переоценивали вручную, другую — алгоритмом.
Тест намеренно назначили на сезонную просадку спроса — в такой период управлять ценой сложнее всего. Выручку период к периоду мы не сравнивали: спад в обеих группах был закономерным. Но алгоритм удержал продажи лучше — и по выручке, и по штукам он опередил ручную переоценку. Видим и рост маржинальности.
Средневзвешенная скидка при этом была одинаковой — значит, дело не в размере скидок, а в том, что алгоритм точнее распределяет их между товарами. Этого мы и добивались: у категорийного менеджера меньше рутины, а переоценка становится эффективнее.
Почему решили автоматизировать переоценку товаров
BUNGLY важно держать баланс между скидкой и товарными остатками. Если снизить цену и распродать товар слишком быстро, следующую поставку можно ждать несколько месяцев. Но и слишком завышать цены нельзя — в итоге это может обернуться складскими остатками, которые потом придется распродавать с большими скидками.
К тому же один и тот же товар разного размера продается с разной скоростью. Если поставить единую скидку на всю модель, популярные размеры быстро разберут, а непопулярные останутся на складе. Поэтому для каждого SKU со своим размером и цветом нужно устанавливать отдельную скидку.
У нас есть категорийные менеджеры, которые следят за скоростью продаж, товарными остатками и другими показателями. Когда позиция расходится хуже плана, менеджер сначала пробует неценовые инструменты — меняем выкладку на сайте и в приложении, в рассылках делаем подборки, акцентируем внимание клиентов на нужных товарах.
Скидку назначаем, только когда эти инструменты уже не помогают. Раньше такие позиции отбирали вручную раз в несколько недель. Здесь мы и увидели зону роста — реагировать быстрее и точнее, чем позволяет ручной отбор. Поэтому попробовали автоматическую переоценку.
Что потребовалось для запуска автоматической переоценки
В BUNGLY решили протестировать PDP-платформу (Product Data Platform) Mindbox. Дополнительной интеграции не потребовалось, так как в компании уже использовали CDP-платформу Mindbox для CRM-маркетинга. Она накапливает данные о покупках на сайте и в мобильном приложении — тест проводили только в этих каналах, так как они приносят 90% выручки.
PDP Mindbox может получать данные о продажах и товарных остатках несколькими способами:
Через интеграцию. Для 1C у нас есть готовый плагин. С другими системами можно интегрироваться по API. В таком случае данные о товарных остатках, продажах и текущих ценах поступают в PDP напрямую.
Из CDP. Если ИТ-инфраструктура уже интегрирована с Mindbox, мы можем использовать имеющиеся на платформе данные. Так и поступили в случае с BUNGLY: через пару недель теста мы сверили данные в Mindbox с выгрузками. Они совпали, поэтому мы перешли на данные CDP.
С помощью ручных выгрузок. Если нет возможности настроить интеграцию, а данные в Mindbox неполные, можем выбрать ручной режим обмена данными. В таком случае категорийному менеджеру придется делать выгрузки перед каждым ручным пересчетом. Например, в BUNGLY по каждому артикулу из теста готовили выгрузку: текущая и минимальная цена, остаток на складе, действующая скидка.
Обычно, чтобы собрать такой отчет, нужно не больше часа. Если переоценка в компании происходит на уровне артикулов, а не категорий товаров, подобная выгрузка будет кратно ускорять работу категорийного менеджера. Ручной пересчет цен по каждой позиции занял бы больше времени.
Данные о складских остатках хранятся в 1C. На старте их выгружали вручную: категорийный менеджер раз в неделю передавал команде PDP отчет, который переносили в Mindbox. Но через пару недель перешли на данные, которые уже хранятся в Mindbox.
Алгоритм переоценивает товары по заданным правилам. Например, они определяют чувствительность цены к товарным остаткам или продажам похожих SKU. В каждой компании правила свои и зависят от ассортимента, целей и особенностей бизнеса. Поэтому на старте команда PDP составила базовые рекомендации, а категорийный менеджер BUNGLY дополнил их своей экспертизой.
Алгоритм переоценки настраивается в Mindbox: категорийный менеджер может устанавливать и менять чувствительность к коэффициенту запаса и размеры скидок
Также категорийный менеджер составляет план продаж, которого будет придерживаться алгоритм. Упрощенно, если товар продается медленнее плана, алгоритм снижает стоимость; если быстрее — повышает ее.
В случае с BUNGLY потребовалось пять встреч категорийных менеджеров с командой PDP Mindbox. На них определились с правилами переоценки и планом продаж — этого было достаточно для запуска теста.
Как проходил AB-тест: ручная переоценка против автоматической — на 68 товарах
Работу алгоритма проверяли на части ассортимента — флисовых костюмах и термобелье. Тест проходил весной, в это время выбранными категориями управлять сложнее всего: спрос непредсказуемо растет и падает.
Чтобы результаты были статзначимыми, выбрали 68 товаров — по 34 в каждой группе. Это около 500 SKU — вариантов товаров определенного цвета и размера. Товары распределили по группам так, чтобы совпадали средние показатели: текущая цена, объем продаж, маржинальность и количество вариантов товаров. Оптовые и технические заказы, возвраты и отмены исключили из выборки.
Скидками на товары первой группы управляли как раньше — вручную. Во второй группе товары переоценивались автоматически — с помощью PDP.
Тест длился восемь недель. По итогам товары с автоматической переоценкой принесли больше выручки и продаж, чем товары с ручной переоценкой. Средневзвешенная скидка при этом в обеих группах была одинаковая — 20,5%.
Выручка
Продажи в штуках
Ручная переоценка
X
Y
Автоматическая переоценка
X + 51%
Y + 48%
Тест проходил с середины марта по середину мая. В это время в России погода менялась несколько раз: было и резкое потепление, и заморозки. В итоге реальные продажи не совпали с планом: алгоритм выполнил его на 18%, ручное управление — на 10%. Для нас это еще один сигнал в пользу автоматического управления: в ситуации, когда условия меняются слишком быстро, автоматический пересчет позволяет оперативно реагировать и подстраиваться.
Планы
Мы видим потенциал в автоматической переоценке: она позволяет пересчитывать цены чаще, поэтому скорость продаж регулируется постоянно и нет необходимости разом снижать цену на целую группу товаров.
С точки зрения маркетинга для нас оптимальна комбинация: автоматическая переоценка, периодические распродажи, персонализированные скидки и предложения.
Чтобы масштабировать автоматическую переоценку, нам нужно доработать учет товарных остатков в Mindbox. Вместе с командой Mindbox мы подбираем решение, чтобы система корректно фиксировала поступление новых товаров на склад интернет-магазина.
Сейчас мы дорабатываем механизм, который будет различать новую поставку товара от старых остатков. Это позволит не снижать цену только из-за того, что на склад пришла новая поставка: при расчете скидки алгоритм сможет игнорировать новые партии до тех пор, пока они не начнут участвовать в продажах.
P. S. В этой истории мы рассказывали о нашем продукте PDP — платформа персонализации цен. Узнайте о нем подробнее на его странице или в разговоре с консультантом.
