Промо-ценообразование — один из самых сложных процессов в ритейле. За простым «поставим -25%» стоит экономика, которую редко просчитывают до конца. В статье разбираем, как устроено промо-ценообразование, из каких метрик складывается результат акции и где сети чаще всего теряют маржу.
Сложности ценообразования промоакций
Масштаб задачи, который недооценивают
Крупные ритейлеры проводят до нескольких тысяч промоакций в год. Одновременно в промо может находиться от нескольких сотен до нескольких тысяч SKU в зависимости от формата сети и категорийной матрицы. При этом механики разные: прямая скидка, мультипаки, скидка по карте лояльности, кросс-промо, совместные акции с поставщиком и другие.
Каждая механика требует своей модели расчёта. Прямая скидка – это одно, «второй товар за полцены» – другое: там нужно считать инкрементальные продажи по обоим SKU и учитывать, что часть покупателей взяла бы второй товар и без акции. Просчитать это по каждой позиции – отдельная сложная задача.
Ключевые проблемы при планировании промо-акций
Неоптимальная глубина скидки. Скидку часто назначают, ориентируясь на конкурента: «у них -25%, поставим -30%». Проблема в том, что оптимальная скидка для максимизации промо-маржи у разных SKU разная. Где-то -15% дало бы тот же прирост трафика при лучшей марже. Где-то нужно -35%, чтобы выйти на нужный прирост продаж. Без расчёта эластичности эту точку не найти.
Out-of-stock и затоваривание. Промо без прогноза запасов – это либо пустая полка в середине акции, либо избыток товара после её окончания. Оба сценария убыточны: первый – это упущенные продажи и недовольный покупатель, второй – списания и замороженный оборотный капитал.
Каннибализация внутри категории. Акция на один SKU вытягивает продажи соседних позиций, которые не участвуют в промо. Покупатель, который и так брал бы оба товара, теперь берёт только тот, что дешевле. Как итог, суммарная маржа по категории падает, хотя на промо-SKU продажи выросли.
Что такое промо-ценообразование и из чего оно состоит
Типы промо и их ценовая логика
Промо в ритейле делятся на несколько базовых форматов, и у каждого своя экономика.
Прямая скидка – самый простой тип. Цена снижается на N% или на фиксированную сумму. Логика расчёта: при какой скидке инкрементальные продажи (то есть продажи сверх базового уровня без промо) покрывают потери маржи с каждой единицы.
Пакетное предложение (Bundle / Мультипаки) (2+1, 3+2, «второй за полцены»). Здесь считается средняя цена покупки и реальная скидка на единицу. Важно оценить, какая доля покупателей взяла бы второй товар и без акции – это «каннибализация» внутри механики.
Промо по карте лояльности. Скидка доступна только держателям карты. Экономика другая: ритейлер знает историю покупок этого сегмента, может точнее оценить lift (прирост продаж) и отсечь тех, кто и так покупает по полной цене.
Кросс-промо и промо от поставщика. Скидку частично или полностью финансирует поставщик. Здесь ключевая задача – правильно посчитать распределение потерь маржи и убедиться, что условия поставщика действительно выгодны сети.
Метрики, которые действительно важны
Оборот и трафик – это верхний уровень. Но для оценки промо их недостаточно. Ниже метрики, которые показывают реальную картину:
- Инкрементальные продажи – прирост продаж сверх базового уровня без промо. Именно они показывают, принесла ли акция новые деньги или просто перераспределила покупки.
- Промо-маржа – маржа с учётом скидки и роста объёма. Может быть ниже обычной даже при росте оборота.
- ROI акции – соотношение инкрементальной маржи к затратам на промо (включая маркетинговые, логистические, операционные).
- Каннибализация – на сколько упали продажи соседних SKU категории в период акции.
- Спад после продвижения (post-promotion dip) – проседание продаж после окончания акции: покупатели затарились впрок и не приходят за следующей покупкой. Эффект особенно заметен у некоторых категорий FMCG (чай и кофе, бытовая химия, товары для ухода за собой и др.).
Как считать промо-ценообразование
Модель прогнозирования промо-лифта
Основа – это модель, которая для каждого SKU предсказывает, как изменятся продажи при той или иной механике и глубине скидки. Для обучения такой модели нужны:
- История промо – данные о том, какие акции проводились, с какой скидкой, каков был фактический lift.
- Базовые продажи без промо, чтобы отделить инкрементальный эффект от сезонного роста.
- Сезонность и внешние факторы: праздники, погода для ряда категорий, даты выплаты зарплат.
- Данные о конкурентах: если конкурент проводит промо параллельно, lift у вас будет ниже.
ML-модель должна строить прогноз не по категории в среднем, а по каждому SKU отдельно. Это принципиально: внутри одной категории товары с разной эластичностью и разной историей продаж реагируют на скидку по-разному.
Оптимизация глубины скидки
После того как модель научится прогнозировать lift при разных скидках, следующий шаг – найти оптимальную точку. Задача формулируется так: при какой скидке инкрементальная маржа (прирост прибыли от дополнительных продаж) максимальна?
Это не всегда максимальная скидка. Зависимость нелинейная: после определённой точки каждый дополнительный процент скидки даёт всё меньший прирост продаж и продолжает съедать маржу. Разница между «-20% по опыту» и рассчитанным оптимумом «-14%» – это несколько процентных пунктов промо-маржи по каждому SKU. В масштабе сотен акций в год это существенные деньги.
Связка с прогнозом запасов
Промо без прогноза запасов – половина решения. Даже когда рассчитаны оптимальная скидка и ожидаемый lift, закупки должны получить эту информацию до размещения заказа поставщику.
В интегрированном решении промо-план автоматически передаётся в модуль управления запасами. Для каждого промо-SKU рассчитывается скорректированный прогноз продаж на период акции с учётом lift-эффекта, post-promotion dip и логистических ограничений. Закупщик видит не просто «провести акцию», а «закупить столько-то единиц к такой-то дате».
Так, платформа для прогнозирования и пополнения запасов (Napoleon AI-Driven Replenishment) может работать в связке с системой промо-ценообразования, закрывая полный цикл: от расчёта скидки до своевременного пополнения полки.
Планирование промо-календаря
Расчёт нужен не только для отдельной акции, но и для календаря в целом. На уровне календаря проверяются:
- Каннибализация между акциями. Если две позиции из одной категории идут в промо одновременно, они конкурируют друг с другом. Система это видит и предупреждает.
- Перекрытие промо. Если в один период запланировано слишком много акций, суммарный lift ниже: покупатели не успевают отреагировать на все.
- Конфликты с промо поставщика. Если поставщик параллельно проводит собственное промо у другого ритейлера, это влияет на ваш lift.
С чего начать: как оценить готовность к системному промо-ценообразованию
Перед тем как запускать проект, стоит ответить на несколько вопросов.
Есть ли история промо в структурированном виде? Модель обучается на данных о прошлых акциях: что проводилось, когда, с какой скидкой, каков был фактический результат. Если эти данные в Excel-таблицах разных менеджеров или вовсе не собирались – это первый шаг, который нужно сделать до автоматизации.
Насколько длинная история нужна? Для построения первой работающей модели достаточно данных за первый год о промо с сезонным циклом. Так, к примеру,без сезонного цикла модель не увидит, как акция на мороженое работает летом против зимы.
Кто принимает решение о глубине скидки и на основании чего? Если ответ «категорийный менеджер по опыту» – это нормальная отправная точка. Именно этот процесс автоматизация меняет в первую очередь.
Интегрированы ли данные по промо с данными закупок? Если промо-план и заказы поставщикам существуют в разных системах без связки – это архитектурный вопрос, который решается параллельно с внедрением ценообразования.
Есть ли понимание, какие промо были убыточными? Если нет, значит, нет и базы для оценки эффективности автоматизации. Хорошая отправная точка – провести ретроспективный анализ последней промо-волны с расчётом инкрементальной маржи по каждому SKU. Это сразу покажет масштаб потерь и даст аргументы для проекта.
В заключении
Промо-ценообразование – не разовый расчёт, а инфраструктура для принятия решений. Сети, которые выстроили этот процесс системно, видят разницу уже в первом промо-квартале: убыточных акций и out-of-stock становится меньше, подготовка каждой волны идёт быстрее.
%20(1)%20(1)%20(1).avif)
