Ціноутворення в ecommerce за допомогою ШІ: у чому проблема

Штучний інтелект виявляє аномалії в масивах даних за лічені секунди, спрощує складні процеси й генерує рішення там, де людині знадобилися б години аналізу. Можливості ШІ приваблюють різні види бізнесу, серед яких e-commerce, зокрема в розрізі ціноутворення.

Проте, за поточного розвитку технології, покладатися на ШІ у завданнях накшталт ціноутворення доволі ризиковано. Якщо ви розглядаєте можливість автоматизації ціноутворення за допомогою ШІ, важливо розуміти не лише переваги, а й обмеження технології.

У цьому матеріалі спеціалісти платформи цінової аналітики Pricer24 розглядають найбільші ризики ціноутворення за допомогою ШІ.

1. LLM-моделі не призначені для математичних обчислень

Значного прориву зі своїми ШІ-інструментами досягли лише декілька загальновідомих світових компаній, такі як Microsoft, Open AI, Google, Anthropic. Кожна з них вкладала мільярди доларів у розвиток власних технологій. Усі продукти цих компаній — це LLM, тобто моделі, створені для генерації тексту, а не для аналітики математичних даних.

За останні три роки активного ШІ-буму проривів у ШІ-аналітиці даних на кшталт цінової аналітики не було. Є компанії, які пропонують ШІ-інструменти для цінової аналітики, проте порівнювати їхні інвестиції в розвиток своїх технологій з перерахованими вище компаніями складно.

Вправа на критичне мислення

Уявімо, що інноваційний стартап стверджує, що розробив проривну ШІ-модель, призначену саме для автоматичної переоцінки. Поставте собі запитання: яка ймовірність, що компанія, у якої ресурсів значно менше, ніж у вказаних вище гігантів, спромоглася зробити це на належному рівні якості?

2. Навчання на неповних даних: коли ШІ дає відповідь без достатнього обґрунтування

ШІ робить висновки на базі контексту. Що більше даних ви надаєте, то точніші його висновки. Але є важливий нюанс: більше даних не завжди означає кращі результати.

У ціноутворенні із ШІ якість даних так само значуща, як і кількість. Якщо ви передаєте інструменту неповні дані, неточну інформацію, — висновки, які зробить алгоритм, так само будуть неточними й ненадійними.

Зазвичай ШІ-інструменти заповнюють прогалини на основі патернів, які модель вивчила раніше, але ці патерни можуть не відповідати специфіці вашого бізнесу. Результат — ціни, встановлені на основі припущень, а не фактів.

У цієї проблеми є ще одна важлива сторона. Поточні ШІ-технології працюють на базі історичних даних і передбачуваних патернів поведінки на ринку. Водночас хороші можливості для динамічного ціноутворення найчастіше виникають спонтанно, як реакція на одну подію або ситуацію, а не в межах сталих патернів.

3. Інтерпретація без економічної компетенції

Досвідчений категорійний менеджер не просто дивиться на цифри — він розуміє економічні принципи, які за ними стоять. Щоб уміти правильно інтерпретувати дані, йому бажано мати економічну освіту, розуміння трендів, правил, логіки цінових ігор. Він повинен розуміти еластичність попиту, психологічні пороги сприйняття ціни та знати сезонну динаміку своєї категорії або навіть певних її сегментів.

ШІ не володіє цими навичками, і для коректної роботи в нього потрібно закласти такі знання та принципи.

Доцільно використовувати ШІ як підґрунтя для рішень спеціаліста-людини. Наприклад:

• ШІ може запропонувати ціну на основі аналізу конкурентів, але відділ продажів може скоригувати її зі стратегічних причин — наприклад, враховуючи поточний рівень запасів на певні товари на ринку.
• ШІ може не врахувати зовнішніх факторів, як-от регуляторних змін, промоакцій конкурентів або раптових змін ринку, які потребують людського нагляду.
• Частину рішень у ціноутворенні досі ухвалюють інтуїтивно. Іноді ці рішення хибні, а іноді правильні. Наразі неможливо формалізувати логіку інтуїції та навчити їй штучний інтелект.

Щоб ШІ ухвалював коректні рішення, варто закласти в нього економічні принципи й бізнес-правила. Це потребує не просто технічної інтеграції, а глибокої роботи з формалізації знань, які ви використовуєте на щодень.

4. Складна логіка порівняння цін конкурентів

Ціни конкурентів — основа для більшості цінових стратегій в e-commerce. Здавалося б, просто: достатньо порівняти ціни на той самий товар і ухвалити рішення. Але що таке «той самий товар»?

Кожен ритейлер визначає конкурентні товари й товари-аналоги по-своєму — залежно від власної стратегії. Ви можете вважати аналогом товар іншого бренду, який є на 10% дорожчим за ваш через силу бренду, а можете не вважати, порівнюючи товари тільки в межах свого цінового сегменту. Пряме порівняння «ціна до ціни» в останньому випадку не репрезентативне, адже не враховує коефіцієнта цінності бренду, який для покупця є цілком реальним критерієм вибору.

Досвідчені категорійники часто самі не можуть чітко сформулювати всі правила порівняння — вони ухвалюють рішення інтуїтивно. Для ШІ ж потрібна чітка формалізація: які атрибути товару критичні для порівняння, які — другорядні, як враховувати різницю в сервісі.

5. Багаторівнева логіка збільшує ризик помилок

У більшості компаній логіка ціноутворення історично еволюціонувала: додавалися винятки, нові правила, кастомні налаштування для окремих категорій або сегментів товарів. У результаті утворилася складна, багаторівнева логіка. Можливо, ви вже мали досвід, коли на роботу виходить новий співробітник категорійного відділу і йому потрібен час і кілька навчальних сесій, щоб розібратися у всьому цьому.

Традиційні алгоритми «якщо-то-інакше» виконують інструкції послідовно.

ШІ працює інакше: він активно шукає оптимальну, найкращу відповідь на задачу й може проігнорувати вашу логіку, якщо вважає, що знайшов кращий варіант, і ви не заборонили всіх таких рішень спеціальними правилами й обмеженнями. Проблема в тому, що «краще» для моделі не завжди означає «краще» для вашого бізнесу.

Уявіть: ви встановили правило не знижувати ціни на преміальні товари більше ніж на 5%, щоб зберегти позиціонування бренду. ШІ може проігнорувати це правило, виявивши, що зниження на 15% призведе до значного зростання обсягів продажів. Формально він правий, але в довгостроковій перспективі це може зашкодити сприйняттю вашого бренду.

Водночас варто зазначити, що:

• ШІ працює за правилами і з обмеженнями, установленими людьми.
• ШІ не може (і світ щиро на це сподівається на поточному етапі розвитку технології) функціонувати за межами, визначеними його програмуванням та навчальними даними.
• Втрата контролю відбувається не тому, що ШІ неконтрольований за своєю природою, а через неоптимальний дизайн, слабке управління або відсутність розуміння того, як працює система.

У деяких компаній логіка ціноутворення є складною і кастомною. Щоб уникнути втрати контролю, людина має наглядати за системою, визначаючи чіткі параметри ціноутворення та регулярно моніторити результати, зумовлені рішеннями, ухваленими ШІ.

6. ШІ шукає аномалії, але не відчуває можливостей, як люди

Людина, яка працює із цінами, може помітити нові можливості: зростання тренду, зміну поведінки споживачів тощо. Це потребує творчого мислення, здатності бачити не тільки те, що є в даних, а й те, чого там немає.

ШІ оптимізує наявне. Він шукає найкоротший шлях до заданої мети на основі тих даних, що він має, тобто працює в межах заданих параметрів. Парадоксально, але ШІ спрощує там, де іноді вигідніше ускладнити — додати новий шар аналізу, розглянути нестандартний сценарій, експериментувати з гіпотезами.

До ШІ варто ставитися як до інструмента автоматизації, який діє за непрозорими для вас правилами. Контроль його дій на поточному етапі розвитку технології залишається необхідним.

Висновок

Переоцінка в e-commerce — багаторівневе завдання. Досвідчений категорійник враховує десятки факторів одночасно, багато з яких важко формалізувати. Логіка ціноутворення не завжди очевидна, її важко зафіксувати навіть у rule-based ПЗ для автоматичної переоцінки без ШІ.

Це не означає, що ШІ не може допомагати в цінових рішеннях. Поточні ШІ-інструменти мають великий потенціал для аналізу великих масивів даних, виявлення аномалій і порівняння зображень у картках товарів. Але довіряти йому повний контроль над цінами без розуміння обмежень — ризикований план.

Ефективне використання ШІ в ціноутворенні потребує гібридного підходу: технологія бере на себе аналітику й рутину, а людина — стратегічні рішення та контроль. Тільки так можна отримати переваги автоматизації без ризику значних помилок.