Что такое хорошая система ценообразования? Мы часто задаем этот вопрос и себе и клиентам. Оказалось, что чем дальше, тем ответ глубже и интереснее. Представьте такой диалог на совещании по ценам:

B: Что такое хорошая система ценообразования для вас?

А: Можно часто менять цены под спрос и на этом заработать.

В: Круто, а как не перейти в другую крайность, как понимать на сколько повышать?

А: Мы будем реагировать на неравномерное вымывание.

B: Как быть с тем, что вымывание – это составляющая еще и входящего потока клиентов, и иногда решать вопрос плохого вымывания ценами крайне неэффективно?
Как быть с тем, что менеджеры по продажам решают свою тактическую задачу на месяц и могут перевернуть ситуацию скидками и таргетированными предложениями ?

А: Тогда мы будем пытаться учесть и это, сделаем еще больше правил.

В: Говорят, многие девелоперы, решают развивать свой продукт вдолгую, и мы их отлично в этом понимаем...

Далее уже как повезет, наступает момент, что "У нас слишком много правил, рынок меняется, мы не можем обосновать какие коэффициенты использовать". Может возникнуть кризис доверия к системе и откат в ручное управление. У других вызревают технологии следующего поколения. По нашему мнению их смысл – научиться моделировать взаимодействие клиента и витрины и извлекать из этого понимание какие формулы использовать с какими коэффициентами. Об этом мы расскажем подробнее в следующем посте.

Идею перенести опыт динамического ценообразования из другой отрасли мы наблюдали на примере компании ПИК в 2018г. Опыт в прайсинге на авиабилеты казался наиболее релевантным и были выходы на тех, кто такие системы создавал. Красивые картинки с ежедневно дорожающими лотами на квартиры (как билеты) частенько мелькали в нашем сознаниии, а вылет самолета был так похож на завершение строительства корпуса .

Увы ... квартиры слишком не похожи на билеты, существующие тогда модели не могли учесть. Мы поняли, что придется что-то изображать самим в роли первопроходцев.

В эти годы набирает обороты мода на машинное обучение. ПИК проводит чемпионат по машинному обучению Pik Digital Day, целью которого нащупать модели которые могли дать прорывную точность в предсказании объемов продаж. За приличный призовой фонд по тем временам (около 1 млн. рублей) боролось более 30 команд. Эта была хорошая попытка, результатом которой стала ясность что с наскока эта задача не решается - нужно несколько моделей, лучшее понимание что внутри них происходит, большая стабильность в данных...

Хорошо, засучили рукава и начали рассуждать своим мозгом. Возможно, сразу предсказать объем продаж - слишком сложная задача. Давайте научимся хотя бы предсказывать стоимость квартиры. Наконец, открылся простор для творчества наших аналитиков данных. Факторов которые могут повлиять на стоимость квартиры 100+, а собирать их по закоулкам СРМ и открытых источников это занятие достойное отдельной профессии - чем-то похоже на кладоискателя.

Мы ушли в перебор моделей и признаков на 2 месяца, результаты были хорошие, но явно не прорывные. Чутье подсказывала что выход возможен только при полном контакте с бизнесом. Наблюдение за оным принесло один горький инсайт - на цены слишком сильно влияет темпы с которыми девелопер хочет продавать квартиры.

Следом прозвучал еще более неудобный и невинный вопрос от аналитика - как будем считать темпы? Можно посчитать в целом по проекту, по комнатности, по этажу - какие из этих темпов учитывать? К таким поворотам судьбы нас явно не готовили, ведь машинное обучение тогда казалось всемогущим, а рецепт побольше напихать и потрясти оказался абсолютно не уместен.

Примерно в этот момент (2019г) ветка развития продукта раздвоилась. Первый путь был запущен как запасной - путь систематизации опыта команды аналитиков ценообразования и оформление его в виде явных правил индексации. Второй путь должен был ответить на вопрос - если не машинное обучение, то что?