Как читать кейсы по внедрению продуктов ценообразования?

Во внедрении новых системных продуктов должным вниманием и почетом всегда пользовались кейсы. Эффективная модель “было – внедрилось – стало” доходчива для каждого. Мы встречаем в профильных изданиях такие заголовки: “Компания Х внедрила продукт Y и получила прирост показателя(ей) Z”

Прочитав подряд пару десятков таких статей, складывается впечатление, что кейс это apriori успех. Парадоксально, но если по-дружески спросить любого эксперта со стороны вендора или проектного менеджера, то идеальных пилотов не бывает. Всегда происходят какие-то “шероховатости” и “острые углы”, которые в кейсах с особенным мастерством скрываются за ширмой головокружительных продуктовых побед.

Можно смело выделить два сценария:

1) Проблемы пилота скрываются полностью.

2) Проблемы пилота описываются вскользь, таким образом, чтобы крошечный минус перекрывался огромным плюсом.

Побочных оправданий у такой формы освещения может быть множество: соглашение конфиденциальности, рекомендуемый объем текста, запрос рынка. Главным остается желание осветить продукт привлекательно для других игроков.

Как итог – перед нами очевидная проблема. Как верить кейсу, который освещает не все? В рамках нашей специализации, задача обрела такой вид: Как мы оцениваем пилоты по ценообразованию? – вопрос, на который этот текст призван ответить. Освещение методологии оценки поможет читателю нашего блога не только задавать правильные и точные вопросы, но и иначе подойти к прочтению кейсов.

Еще до начала любого пилота тон задает взаимодействие экспертов со стороны вендора и заказчика. Это игра, в которой каждому предписана роль: заказчик убеждается, что продукт вендора сможет обеспечить решение и пытается нащупать “гарантии”, а вендор ищет чемпиона, обеспечивающего продукту успешную интеграцию в компанию. Это “прощупывание” позволяет достичь договоренностей, которые лягут в основу и регламент пилота. Формулируются задачи и условия, вендор и заказчик выравниваются в ожиданиях и возможностях. Финальным вопросом станет: “Что для Вас будет успехом продукта?”. Ответ на этот вопрос – будущий заголовок кейса на страницах профильных изданий. Например, заказчик отвечает: “Успехом для нас будет увеличение выручки в тестовой группе на Х” или “рост общей маржинальности”. Как итог – “Компания нарастила общую маржинальность на Y c помощью решения Z”.

Здесь же достигаются предварительные договоренности относительно “объекта пилота”. Объектами могут быть категории или кластера магазинов, в B2B это могут быть клиенты.

Цель поставлена, а значит вендору важно понять – каким образом она будет достигнута. Для этого запрашиваются все необходимые данные: информация о торговых точках, чеки, справочники и огромное количество других сведений. На базе обработки этого массива рождаются гипотезы. Самая верифицированная гипотеза станет основным направлением пилота. Это сложная работа на стыке аналитики цифр и бизнеса, которая в рамках решения KeepRise продолжает автоматизироваться. В нашем кейсе с компанией “Профпоток” гипотеза звучала следующим образом: “как изменится структура спроса, если повысить цены для разных групп клиентов в зависимости от коэффициента эластичности?”. В этом предложении важно все. Во-первых, структура спроса. Словосочетание, у которого нет единого определения, но крайне важно понимать, что за ним стоит. В контексте ценообразования структура спроса подразумевает частоту и объем приобретения. Например, клиент стал ходить чаще, но брать реже. При этом, если брать в разрезе месяца, он берет столько же, но структура его спроса изменилась.

Во-вторых, разные группы клиентов. Это значит, что была произведена кластеризация. О том, что это такое и как она производится мы рассказывали в этой статье. Если коротко, то клиенты объединяются по определенным параметрам: в нашем кейсе это:

– Клиенты, скидка которым была более 5%;

– Приобретающие товары с маржой <15%, при доле выручки 0.1% - 0.05%;

– Приобретающие товары с маржой >15%.

В-третьих, коэффициент эластичности. Этот показатель работает на уровне каждого отдельного SKU. Об этом мы также писали в нашей статье, просим ознакомиться, чтобы не делать фолиант из этой. Простыми словами, это реакция спроса на изменение цены.

Теперь прочитаем гипотезу вновь: “Имеется устойчивая частота и объем приобретаемой клиентами продукции. Мы разобьем клиентов на разные группы, в зависимости от показателей, чтобы отследить, как повышение цены будет влиять на каждую из них. Повышать цены будем на базе коэффициента эластичности, который был рассчитан из полученных нами клиентских данных. Таким образом, мы и достигнем поставленной перед нами цели – повысить выручку.”

Пилот это всегда эксперимент – как вендор адаптирует продукт к специфическим запросам конкретного бизнеса. Поэтому пилоты проводятся в строго обозначенных рамках. На примере всегда понятнее и интереснее, поэтому предположим, что у нас есть компания состоящая из 100 торговых точек. Для пилотирования заказчик выделил 10 торговых точек, следующее соотношение:

Аналогично для категорий или клиентов. С одной стороны, пропорция гарантирует подушку безопасности, а с другой – сильно ограничивает возможности для объективизации результатов. Свойство эффективности автоматизации ценообразования в масштабировании: чем больше “доля”, тем больше возможностей вендору доказать привлекательность системы, ведь где-то она может выигрывать в выручке 0.5%, а где-то 5%. Идеальной пропорцией считается вышеупомянутое соотношение в 10%.

Вторым шагом будет АВ тестирование. Иными словами, нам необходимо собрать информацию обо всех торговых точках и поделить их таким образом, чтобы у нас образовались максимально похожие друг на друга варианты. Нам нужны близнецы. Одному дадим пилюлю, которая изменит его, а на втором будем измерять, насколько радикальны эти изменения. Основная задача – отличить реальный эффект гипотезы от других внешних факторов. Сравнивать магазины у аэропорта и в спальном районе смысла нет. Поэтому параметров тестирования должно быть множество:

Двух абсолютно одинаковых магазинов в реальном мире не существует, но задача стоит приблизиться к идеалу настолько, насколько это возможно.

Значение имеют и планы. Например, расширение в одном из магазинов или маркетинговые кампании, которые будут проводиться. Если грядут влияющие на спрос изменения – вендору важно об этом знать, чтобы пилот прошел корректно и продемонстрировал объективный результат.

Третий шаг - внедрение гипотезы в тестовой группе. Первые две недели никаких сравнений не происходит – покупатели должны привыкнуть к изменениям. После внедрения, регулярно снимается срез с контрольной группой по различным параметрам. Например, в первый месяц тестовая группа демонстрирует рост выручки +4%, а контрольная +1%. При этом клиенты в тестовую группу магазинов стали ходить реже, а в контрольную чаще. Средний чек в тестовой группе вырос, а в контрольной упал. Следующий месяц выручка тестовой группы составила -2%, а контрольная -4%, из чего мы можем заключить, что на рынке или внутри магазинов что-то произошло. Поэтому отдельное внимание следует уделять аномалиям.

Иногда мы встречаем в одной из тестовых точек аномальные показатели. Например, выручка упала на 20%. Чтобы разобраться нужно детально рассмотреть все возможные сценарии. Как правило, опускаясь до уровня отдельной точки, причина скрывается в сбое, не связанном с ценами: остатки популярной категории кончились и полка стоит пустой. Или продолжительные дорожные работы, которые затрудняют доступ транспорта. Но бывают и качественно иные аномалии: например, рост цен спровоцировал рост спроса или в данных была ошибка. Аномалия – это сигнал, благодаря которому мы понимаем, что условия, которые предполагались до проекта были нарушены и нам необходимо разобраться и внести дополнительные изменения. Возвращаясь к кейсу компании “Профпоток”, аномалия имела локальный характер: менеджеры предоставляли скидки, которые мешали проверке гипотезы. Вендор не может влиять на KPI внутри подразделений заказчика, но этот фактор был настолько значительным, что пришлось сократить тестовую группу на 40%.

Кроме сравнения тестовой и контрольной группы по основным финансовым показателям, пилот может оцениваться с внутренними критериями. Каждая метрика призвана отсечь лишнее и продемонстрировать реальный результат: сравнение пилота в отношении к аналогичным показателям в прошлом году (неделя к неделе) позволяет вычленить фактор сезонности. Сравнение с дотестовым периодом позволяет определить темп роста, который пилот обеспечил и т.д.

Важно отметить, что оценка происходит только по заранее обусловленным параметрам. Другие показатели могут при этом падать. Например, количество чеков может уменьшиться, поскольку покупатель стал посещать наш магазин реже, но теперь он приобретает в нем на порядки больше. Когда речь идет о категориях,

по причине изменения цены может происходить переток спроса из позиций, которые не участвуют в пилоте. Это крайне необходимый кирпич в фундаменте понимания работы пилотов по ценообразованию. Если задача стоит повысить выручку в конкретной категории, то иные категории в пилоте не идут в результат.

Еще одним фактором объективизации, который предлагают эксперты по ценообразованию KeepRise является перепроверка основных показателей с опорой на чек. Например, выручка на чек, прибыль на чек и т.д. Нередко бывает так, что общие показатели соответствуют темпам, а показатели с опорой на чек демонстрируют обратную ситуацию. В таких случаях, проводится дополнительная работа, связанная с аналитикой структуры спроса в выделенной вендору группе с дальнейшим прогнозом потребительского поведения.

Изменения принесли измеряемый эффект, составлен финальный отчет и заказчик принимает решение – масштабироваться, отложить решение или отказаться от внедрения продукта. В рамках нашей системы мы выработали критерии и методы оценки пилота, которые доступно, прозрачно и объективно (насколько это возможно) отражают реальный эффект. Наш пилот это не только продукт, но и демонстрация важности постоянного процесса построения гипотез и их проверки. ERP системы и Excel влекут за собой операциональные издержки. Плюс человеческий фактор склонен постоянно допускать ошибки. Наше решение позволяет делегировать операциональную работу и заняться экспериментами, позволяющими выйти за рамки общепринятого конкурентного ценообразования на основе правил.