В статье рассказываем, как перейти от ручного изменения цен к умным алгоритмам, которые автоматически подбирают стоимость товара для каждого покупателя. На примере «Е-аптеки» и Synergetic показываем, как внедрить динамическое ценообразование с выгодой для бизнеса.
2 декабря 2025
Как настроить динамическое ценообразование: от ручных корректировок до ML-алгоритмов
Как настроить динамическое ценообразование: от ручных корректировок до ML-алгоритмов
Динамическое ценообразование помогает управлять доходом компании: снижать списания, сохранять маржу и оперативно реагировать на действия конкурентов.
На примерах «Еаптеки» и Synergetic показываем, как ML-алгоритмы помогают настроить персональные скидки, чтобы они помогали бизнесу расти, а не съедали прибыль.
Содержание:
Что такое динамическая система ценообразования
Динамическое ценообразование — это система управления ценами в реальном времени. Стоимость товара или услуги меняется не по жесткому прайсу, а в зависимости от внутренних и внешних факторов.
Факторы, которые могут влиять на цену:
- Внутренние: остатки на складе, срок годности, выбранная стратегия развития: максимизация выручки, маржи или смешанная.
- Внешние: цены конкурентов, спрос, погодные условия, время суток, локальные события — например, во время ПМЭФ цены в отелях Петербурга увеличиваются в несколько раз.
В рознице пример динамического ценообразования — это снижение цен на скоропортящиеся товары. Свежая выпечка обычно дешевеет за пару часов до закрытия магазина, чтобы компания успела распродать остатки вместо утилизации.
В онлайн-торговле цены могут меняться каждую секунду. Сервисы такси мгновенно корректируют стоимость поездки в зависимости от погоды, загрузки водителей, времени суток. Это помогает сбалансировать спрос и предложение, увеличивая выручку в пиковые часы.
При этом существует два подхода к управлению ценой: омниканальный или многоканальный.
При омниканальном подходе цена едина на сайте, в приложении, в розничных точках. Большинство компаний выбирают его — так проще объяснить клиенту, почему цена именно такая.
При многоканальном подходе цена может различаться в зависимости от канала продаж, региона. Например, в мобильном приложении товар стоит дешевле, чем на сайте, а в Москве дороже, чем в Екатеринбурге. Этот подход часто используют в индустриях с дорогой логистикой: мебель, строительные материалы, крупная бытовая техника. Здесь разница в стоимости доставки может составлять 20–30% от цены товара, и это часто закладывают в финальную цену.
Как эластичность спроса влияет на выбор метода управления ценами
Эластичность спроса показывает, насколько продажи товара зависят от его цены. Знание показателя помогает бизнесу точнее управлять ценами — снижать стоимость там, где это стимулирует продажи, и удерживать маржу, где спрос стабилен.
Определить эластичность спроса на товары можно на основе исторических данных о продажах: достаточно сравнить, как менялось количество заказов при изменении цен в прошлые периоды.
Эластичность спроса может быть высокой и низкой.
Высокая эластичность означает, что спрос на товары меняется даже при небольшом изменении цены:
- Продукты питания — хлеб, молоко, овощи.
- Товары массового потребления — бытовая химия, косметика.
- Одежда среднего ценового сегмента.
С такими товарами динамическое ценообразование работает как рычаг управления продажами: позволяет быстро реагировать на рыночные колебания и удерживать продажи на нужном уровне. Например, снизили цену на 10% — количество заказов выросло.
Низкая эластичность значит, что спрос на позиции почти не зависит от цены:
- Люксовые товары — премиальная косметика, дизайнерская одежда.
- Узкоспециализированные товары без аналогов — медицинское и промышленное оборудование, редкое программное обеспечение.
В таких индустриях динамическое ценообразование можно использовать не для того, чтобы подстегнуть спрос, а для оптимизации прибыли. Например, если спрос стабилен, компания может повышать цену в периоды роста издержек или ограниченной доступности товара — продажи не упадут, но прибыль с каждой единицы вырастет.
В премиум-сегменте скидка на отдельные SKU может снижать продажи. Возможно, потому что товары по акции теряют ценность в глазах покупателя и перестают казаться премиальными.
Компаниям важно находить такие позиции и не снижать на них цену, даже во время массовых распродаж.
Методы динамического ценообразования
Динамическая система ценообразования — это не универсальный алгоритм, а набор инструментов, которые можно комбинировать в зависимости от бизнес-целей, особенностей товара и данных о клиентах.
Рассмотрим методы подробнее.
По сегментам клиентов, когда стоимость товара адаптируется под группу покупателей:
- Лояльным клиентам дарят скидку или подарок за покупку от определенной суммы.
- Новичкам — специальные условия на первый заказ.
- Оттоку — предложение, которое может заинтересовать их и мотивировать на покупку.
Чтобы определить, какие предложения делать разным сегментам, можно использовать ML-алгоритмы или предиктивную аналитику. Так можно предсказать, нужно ли давать скидку или клиент купит без нее.
«Еаптека» использовала алгоритмы машинного обучения, чтобы выделить группу активных покупателей, которые, скорее всего, будут делать заказы независимо от скидки. Чтобы подтвердить гипотезу, провели АВ-тест. Половине группы отправили письмо с промокодом, а второй — без него. Конверсия писем в покупки была примерно одинаковой, поэтому компания отказалась от скидок для этой группы, чтобы сохранить маржу.
По конкретному клиенту, когда стоимость товара адаптируется под покупателя.
Например, в «М.Видео — Эльдорадо» в зависимости от юнит-экономики каждого конкретного клиента динамически управляют его скидками: показывают финальную цену с учетом всех имеющихся предложений, бонусов и промокодов.
Для программ лояльности это особенно ценно: покупатель видит персональное предложение, которое мотивирует его на покупку. При этом бренд не обесценивает товар массовыми распродажами, удерживая маржу.
В зависимости от текущего или прогнозируемого спроса. На основе исторических данных можно заранее планировать ценовые пики. Например, сервисы доставки еды знают, что вечером спрос резко растет, и готовятся к этому, корректируя цены заранее.
Отели на юге поднимают цены летом, когда спрос максимальный, чтобы увеличить выручку. Осенью и весной, наоборот, дают скидки, чтобы стимулировать бронирования. В фэшн-индустрии цены на новые коллекции в первую неделю остаются высокими, а потом постепенно снижаются.
В продуктовой рознице ценообразование по спросу — это акции по часам. Так, «Правильная корзинка» запустила «счастливые часы» для пенсионеров в будни с 11:00 до 13:00, чтобы загрузить магазины в непопулярное время. В результате товарооборот увеличился, а 40% заказов в эти часы приходятся на участников акции.
Сезонное ценообразование можно рассматривать как отдельный метод временного подхода. В сфере фэшн зимние пуховики продаются дороже в начале сезона и дешевеют к его завершению. Сезонность затрагивает даже FMCG — например, цены на мороженое летом выше, чем зимой.
Конкурентное ценообразование. Метод особенно актуален для товаров с эластичным спросом: фэшн, продукты, товары массового потребления. Даже если у компании сильный бренд, покупатель все равно сравнивает цены. И если у конкурентов будет дешевле, то может уйти к ним.
Synergetic внедрил динамическую систему ценообразования на сайте c помощью Mindbox. Так компания автоматически следит за стоимостью своих товаров в других магазинах и корректирует ценники под них.
Цены в интернет-магазине Synergetic обновляются раз в несколько часов
По остаткам на складе, чтобы избавиться от залежавшегося товара. Для свежих овощей или хлеба цена может снижаться несколько раз в день, чтобы избежать списаний. Для бытовой техники корректировки происходят гораздо реже, например раз в квартал. Но в обоих случаях ценообразование помогает ускорить продажи тогда, когда это необходимо.
По регионам с учетом поведения аудитории. Один и тот же товар может стоить по-разному в Москве, Екатеринбурге или Владивостоке. В столице потребитель готов платить больше за скорость доставки или удобство, в регионах ключевым триггером к покупке может быть скидка. Этот метод динамического ценообразования активно применяют онлайн-площадки: маркетплейсы показывают разные цены в зависимости от региона, стоимости логистики и покупательской способности аудитории.
Эволюция подходов к динамическому ценообразованию: от Excel до ML
Динамическую систему ценообразования обычно внедряют постепенно. Сначала меняют цены вручную, потом добавляют правила и формулы, а потом подключают алгоритмы машинного обучения.
Ручное управление, когда прайс меняет человек на основе субъективного опыта или наблюдений за рынком.
Так могут работать девелоперы: цена за квадратный метр меняется в зависимости от этапа строительства и спроса на конкретные квартиры. Маркетолог видит, что на верхних этажах остаются только три лота, и вручную поднимает цену в таблице.
Обычно для этого подхода используют Excel, Google Sheets или базовые ERP-системы вроде 1С. Это недорогой способ корректировать цены, но скорость реакции на изменения рынка ограничена временем конкретного сотрудника. Если он не заметил изменения спроса или ошибся, бизнес может потерять прибыль.
При этом ручное управление оправдано для небольших компаний с узким ассортиментом или для премиум-сегмента, где цена меняется редко и требует согласования с владельцем бренда. Например, ювелирный бутик с 30 изделиями может корректировать цены раз в квартал вручную — это быстрее и дешевле, чем внедрять автоматизацию.
Цена — один из самых мощных рычагов управления финансами компании. Повышение всего на несколько процентов может заметно улучшить показатели. Но чтобы поднимать цены или удерживать их на текущем уровне, нужно постоянно следить за товарами.
Для ассортимента в 100–200 позиций ручное управление еще работает. Но когда каждый менеджер ведет сотни или тысячи SKU, оно становится неэффективным: растет число ошибок, теряются возможности заработать.
Так, если менеджеры перестали успевать за рынком и переоценки делаются в последний момент, стоит переходить от ручного управления ценами к изменению по заранее заданным условиям.
Изменение по заранее заданным условиям — полуавтоматизированный процесс по принципу «если так, то так». Например, если остаток товара превышает определенный порог, цена автоматически снижается на несколько процентов.
На этом уровне компании подключают маркетинговые платформы вроде Mindbox или Retail Rocket, где можно настроить правила изменения цен. Как правило, маркетологи прописывают логику, а IT-специалисты реализуют ее технически.
Подход снижает риск человеческой ошибки и экономит часы рутинной работы. Но у него есть слабое место: правила статичны. Если рынок ведет себя неожиданно (например, блогер показал товар в сторис, и спрос резко вырос), система не отреагирует в моменте.
В «Правильной корзинке» делают скидки на товары с истекающим сроком годности, чтобы снизить расходы на списание.
Компания настроила правило: чем ближе окончание срока хранения, тем выше скидка. Списания сократились, но маржа тоже снизилась. Со временем выяснилось, что покупатели ждали максимальной скидки и покупали только в определенное время. Тогда правила пересмотрели, убрав последний уровень уценки. В результате маржа выросла, а объем списаний остался на том же уровне. Кейс показывает, что даже простая автоматизация требует регулярной настройки и анализа.
Простой сценарий — установить целевой срок продажи товаров и автоматизировать изменение цены на основе этого таргета.
Например, если товар продается за свой сезон — цены не меняем. А если скорость продаж низкая и мы понимаем, что к концу сезона останется большой объем непроданного товара, система снижает цену ступеньками по 5–7%. При этом задается нижний порог — минимальная цена, ниже которой опускаться нельзя.
Для фэшн-брендов есть сценарий «выбитые размерные ряды». Когда у товара остается только несколько размеров, продажи резко падают. Система отслеживает такие SKU и автоматически перемещает их на маркетплейс или снижает их цену — так товар освобождает место на витрине, не превращаясь в мертвый запас.
ML-модели и предиктивная аналитика. В отличие от ценообразования по условиям, инструменты машинного обучения прогнозируют будущее поведение покупателей и рынка. Алгоритмы могут анализировать историю продаж, остатки, цены конкурентов, сезонность и даже внешние факторы вроде погоды и спроса.
Для e-commerce это ключевое преимущество: система может одновременно управлять сотнями SKU, корректируя цены несколько раз в день без потери маржи. Например, если прогноз показывает раннее потепление, модель заранее снизит цену на зимнюю одежду, чтобы распродать ее до сезона. Если же спрос неожиданно возрастает, алгоритм динамического ценообразования удерживает цену, чтобы компания получила максимум прибыли.
Когда компания доходит до этого этапа, инструменты становятся сложнее. Чаще всего это SaaS-решения, например в Mindbox, или собственные алгоритмы, которые требуют качественных данных. Зато при правильной настройке система умеет не только учитывать рынок здесь и сейчас, но и предсказывать поведение покупателей и конкурентов. Это превращает ценообразование из ручной рутины в стратегический инструмент роста.
Чтобы использовать динамическое ценообразование на основе машинного обучения, нужны поведенческие данные: чем их больше, тем точнее предсказания и тем лучше результаты для бизнеса. Но собрать их можно не во всех нишах. Например, у ювелирных украшений оборачиваемость низкая — одно кольцо с бриллиантом может продаваться раз в год. Для таких SKU собрать достаточную статистику почти невозможно.
При больших объемах продаж, например в фэшн-индустрии, собрать данные проще. Здесь алгоритмы ML действительно могут заметно улучшить бизнес-метрики.
Как избежать ошибок при внедрении стратегий динамического ценообразования
Установить границы изменения цен. Если товар сегодня стоит тысячу рублей, а завтра — вдвое дешевле, покупатель, купивший его по старой цене, может потерять лояльность к бренду. Чтобы этого избежать, лучше задавать ценовые коридоры: например, цена не может снижаться или повышаться более чем на 10–15% за сутки. Такие правила помогают сохранить доверие покупателей к компании.
Тестировать алгоритмы динамического ценообразования. Автоматизация не означает, что система всегда права: она работает на данных, которые ей передали. Ошибки в параметрах или некорректное обучение модели могут привести к тому, что цена снизится ниже себестоимости или окажется завышенной настолько, что продажи упадут. Чтобы этого избежать, правила и ML-модели нужно запускать в тестовом режиме, проводить AB-тесты и только потом распространять на всю базу.
Отслеживать действия конкурентов. Алгоритм может снизить цену для стимулирования спроса, но если у конкурента будет более выгодное предложение — компания потеряет маржу без результата. Чтобы этого избежать, можно использовать сервисы мониторинга, которые отслеживают цены конкурентов в реальном времени. Эти данные можно встроить в алгоритмы как дополнительный фактор при расчете стоимости. Так система будет учитывать не только внутренние метрики, но и ситуацию на рынке.
Использовать программы лояльности для оптимизации цен. В таких программах разница в цене объясняется статусом клиента и выглядит как награда за активность, а не как дискриминация. Чем больше заказов, тем выше статус и выгоднее условия. При этом оптимальное количество уровней в программе — три-четыре. Если их больше, клиентам может быть сложно разобраться в условиях и преимуществах.
Также важно следить, чтобы параллельные акции не противоречили условиям программы лояльности — например, скидка по промокоду не должна быть выгоднее, чем персональное предложение, иначе программа потеряет ценность. А если скидка по акции, партнерская программа и бонусные баллы применятся одновременно, то компания может лишиться маржи.
