Научный журнал

Фундаментальные исследования

ISSN 1812-7339

"Перечень" ВАК

ИФ РИНЦ = 1,798

• Авторы
• Вклад авторов
• Резюме
• Файлы
• Ключевые слова
• Литература

Тхориков Б. А. 1, Семенов Б. В. 1

---

1 Федеральное государственное бюджетное образовательное учреждение высшего образования «Российский государственный университет имени А. Н. Косыгина»

Тхориков Б. А. - научное руководство, валидация результатов

Семенов Б. В. - разработка концепции, работа с данными, анализ данных, проведение исследования, написание черновика рукописи, написание рукописи – рецензирование и редактирование

Ассортимент крупного маркетплейса неоднороден по двум независимым измерениям, вкладу позиций в выручку и предсказуемости спроса, поэтому единая ценовая политика к нему неприменима. Цель исследования – построить классификацию стратегий динамического ценообразования по сегментам матрицы ABC-XYZ и предложить формализованную методику их приоритизации при ограниченном инженерном и аналитическом ресурсе команды ценообразования. Описаны три стратегии, покрывающие основные типы сегментов: соинвестирование скидок на товары-локомотивы, ценообразование товаров с коротким остаточным сроком годности и ступенчатая уценка deadstock; для каждой указаны источники данных, расчетная логика и условия применимости, построена матрица их соответствия девяти сегментам ABC-XYZ. Для задачи выбора порядка внедрения предложена модифицированная методика ICE-скоринга (Impact, Confidence, Ease) с декомпозицией компонентов на измеримые метрики, привязанные к конкретным системам-источникам, переходом от среднего арифметического к мультипликативной свертке и калибровкой весов на исторических A/B-тестах крупного омниканального маркетплейса. На данных одной товарной категории получено ранжирование трех стратегий; анализ чувствительности к вариации весов в диапазоне ±25 % подтвердил устойчивость порядка. Структура расчета переносима между платформами при условии независимой калибровки весов на собственных исторических данных.

Статья в формате PDF

1102 KB

динамическое ценообразование

маркетплейсы

ABC-XYZ

соинвестирование скидок

deadstock

ICE-скоринг

A/B-тестирование

Kopalle P. K., Pauwels K., Akella L. Y., Gangwar M. Dynamic pricing: Definition, implications for managers, and future research directions // Journal of Retailing. 2023. Vol. 99. Is. 4. P. 580–593. URL: https://www.sciencedirect.com/science/article/abs/pii/S0022435923000544 (дата обращения: 15.05.2026). DOI: 10.1016/j.jretai.2023.11.003.

Neubert M. A Systematic Literature Review of Dynamic Pricing Strategies // International Business Research. 2022. Vol. 15. Is. 4. P. 1–17. URL: https://www.ccsenet.org/journal/index.php/ibr/article/view/0/46903 (дата обращения: 15.05.2026). DOI: 10.5539/ibr.v15n4p1.

Schlosser R., Boissier M. Dynamic Pricing Under Competition on Online Marketplaces: A Data-Driven Approach // Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. New York: ACM, 2018. P. 705–714. URL: https://dl.acm.org/doi/10.1145/3219819.3219833 (дата обращения: 15.05.2026). DOI: 10.1145/3219819.3219833.

Чачис Д. Ю. Искусственный интеллект в динамическом ценообразовании и разработке персонализированных предложений // Вестник науки 2025. Т. 3. № 12 (93). С. 1423–1427. URL: https://cyberleninka.ru/article/n/iskusstvennyy-intellekt-v-dinamicheskom-tsenoobrazovanii-i-razrabotke-personalizirovannyh-predlozheniy (дата обращения: 15.05.2026).

Устинов Д. А., Емельянцев Д. О., Дуров И. В., Татаренков А. С. Автоматизация ценообразования в ритейле с применением машинного обучения // Universum: технические науки. 2024. № 6 (123). С. 20–26. URL: https://7universum.com/ru/tech/archive/item/17762 (дата обращения: 15.05.2026).

Lagoda L., Klumpp M. Efficient Warehouse and Inventory Management: The Modified ABC XYZ Analysis as a Framework to Integrate Demand Forecasting and Inventory Control // Dynamics in Logistics. LDIC 2024. Springer, Cham, 2024. P. 390–405. URL: https://link.springer.com/chapter/10.1007/978-3-031-56826-8_30 (дата обращения: 15.05.2026). DOI: 10.1007/978-3-031-56826-8_30.

Antipov E. A., Pokryshevskaya E. B. Interpretable machine learning for demand modeling with high-dimensional data using Gradient Boosting Machines and Shapley values // Journal of Revenue and Pricing Management. 2020. Vol. 19. Is. 5. P. 355–364. URL: https://link.springer.com/article/10.1057/s41272-020-00236-4 (дата обращения: 15.05.2026). DOI: 10.1057/s41272-020-00236-4.

Hyndman R. J., Athanasopoulos G. Forecasting: Principles and Practice. 3rd ed. Melbourne: OTexts, 2021. 442 p. URL: https://otexts.com/fpp3/ (дата обращения: 15.05.2026). ISBN 978-0-9875071-3-6.

Lim B., Zohren S. Time-series forecasting with deep learning: a survey // Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences. 2021. Vol. 379. Is. 2194. Art. 20200209. URL: https://royalsocietypublishing.org/doi/10.1098/rsta.2020.0209 (дата обращения: 15.05.2026). DOI: 10.1098/rsta.2020.0209.

Macías-López A., Cárdenas-Barrón L. E., Peimbert-García R. E., Mandal B. An Inventory Model for Perishable Items with Price-, Stock- and Time-Dependent Demand Rate considering Shelf-Life and Non-linear Holding Costs // Mathematical Problems in Engineering. 2021. Vol. 2021. Art. 6630938. URL: https://onlinelibrary.wiley.com/doi/10.1155/2021/6630938 (дата обращения: 15.05.2026). DOI: 10.1155/2021/6630938.

Mohammadi Z., Barzinpour F., Teimoury E. A location-inventory model for the sustainable supply chain of perishable products based on pricing and replenishment decisions: A case study // PLOS ONE. 2023. Vol. 18. Is. 7. Art. e0288915. URL: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0288915 (дата обращения: 15.05.2026). DOI: 10.1371/journal.pone.0288915.

Loh E., Khandelwal J., Regan B., Little D. A. Promotheus: An End-to-End Machine Learning Framework for Optimizing Markdown in Online Fashion E-commerce // Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. New York: ACM, 2022. P. 3447–3457. URL: https://dl.acm.org/doi/10.1145/3534678.3539148 (дата обращения: 15.05.2026). DOI: 10.1145/3534678.3539148.

Эллис Ш., Браун М. Взрывной рост. Как современные быстрорастущие компании совершают успешный прорыв. М.: Библос, 2018. 301 с. ISBN 978-5-905641-44-2.

Awais M. Optimizing dynamic pricing through AI-powered real-time analytics: the influence of customer behavior and market competition // Qlantic Journal of Social Sciences. 2024. Vol. 5. Is. 3. P. 99–108. URL: https://qjss.com.pk/index.php/qjss/article/view/149 (дата обращения: 15.05.2026). DOI: 10.55737/qjss.370771519.

Huber J., Stuckenschmidt H. Daily retail demand forecasting using machine learning with emphasis on calendric special days // International Journal of Forecasting. 2020. Vol. 36. Is. 4. P. 1420–1438. URL: https://www.sciencedirect.com/science/article/pii/S0169207020300224 (дата обращения: 15.05.2026). DOI: 10.1016/j.ijforecast.2020.02.005.

Введение

Электронная коммерция в России и мире развивается интенсивно: годовой оборот ведущих платформ исчисляется триллионами рублей, а доля онлайн-продаж в розничном товарообороте устойчиво растет. В этих условиях ценообразование перестает быть разовой задачей выставления прайс-листа и становится непрерывным управленческим процессом, в котором цена пересчитывается с шагом, близким к реальному времени, и должна одновременно учитывать конкурентную ситуацию, складские запасы, прогноз спроса и коммерческие ограничения [1].

Ассортимент крупного маркетплейса неоднороден: товары-локомотивы, сезонные позиции, скоропортящиеся товары и неликвиды требуют разной ценовой логики, а единая механика для всех ведет к потере выручки или замораживанию оборотного капитала [1; 2]. В литературе известны отдельные ценовые механики – соинвестирование скидок [3], ценообразование с истекающим сроком годности, ступенчатая уценка неликвидов, однако они рассматриваются изолированно, без процедуры выбора механики под сегмент и формализованной приоритизации внедрения [4; 5]. Отсюда проблема: при наличии нескольких потенциально ценных инициатив команда не имеет воспроизводимой процедуры обоснования квартального плана их внедрения. Применяемые в продуктовой практике методы приоритизации, в том числе ICE-скоринг, создавались для быстрой неформальной оценки и слабо подходят для обоснования крупных решений перед руководством.

Научная новизна подхода состоит в объединении двух ранее не связанных линий работы: сегментации ассортимента методами ABC-XYZ анализа [6] и количественной приоритизации проектов методом ICE-скоринга. В результате формируется единая процедура, отвечающая на два вопроса одновременно: какая ценовая стратегия применима к данному сегменту и в каком порядке стратегии следует внедрять при ограниченных ресурсах команды.

Цель исследования – построить классификацию стратегий динамического ценообразования по сегментам матрицы ABC-XYZ и предложить формализованную методику их приоритизации при ограниченном инженерном и аналитическом ресурсе команды ценообразования.

Материалы и методы исследования

Методика опирается на данные внутренних систем маркетплейса: OMS – история транзакций и маржинальности; WMS – складские остатки и оборачиваемость; CRM – клиентское поведение и пожизненная ценность клиента (LTV) [4]; сервис парсинга конкурентов; платформа A/B-тестирования. Привязка каждого подкомпонента расчета к конкретной системе-источнику обеспечивает воспроизводимость скоринга: два аналитика с доступом к одним и тем же системам получают одинаковые входные значения [7]. Под deadstock понимаются товары, длительно не находящие спроса; под ОСГ – товары с лимитирующим остаточным сроком годности.

В основу дифференциации положена методология ABC-XYZ анализа [6]: ABC распределяет товары по вкладу в выручку (A – локомотивы, B – средний приоритет, C – низкий вклад), XYZ – по прогнозируемости спроса (X – стабильный, Y – сезонный, Z – спорадический). Прогнозирование сезонной компоненты опирается на методы декомпозиции временных рядов и подходы машинного обучения [8, с. 178–215; 9]. Совмещение двух классификаций дает матрицу из девяти сегментов, служащую основой для назначения дифференцированных ценовых стратегий (табл. 1).

Три стратегии для типичных сегментов ассортимента

Соинвестирование скидок (сегменты AX, AY, частично BX) – конечная цена формируется через совместное распределение затрат на скидку между продавцом и маркетплейсом, что снимает конфликт стимулов: продавец вкладывается в рамках собственной маржинальности, платформа добавляет дисконт за счет собственного скидочного бюджета. Механика опирается на парсинг цен конкурентов, расчет индекса цен и оптимизацию бюджета по критерию максимума прироста выручки на рубль инвестированной скидки [3]. Сходные подходы применяют международные (Amazon, Walmart Marketplace) и российские (Ozon, Wildberries, Яндекс Маркет) площадки [5].

Таблица 1

Соответствие стратегий динамического ценообразования сегментам ABC-XYZ

Примечание: составлена авторами на основе полученных данных в ходе исследования.

Ценообразование товаров с истекающим ОСГ (FMCG, фармацевтика, косметика) – оптимальная цена определяется не только рыночной ситуацией, но и прогнозируемой убылью стоимости товара по мере приближения даты истечения срока [10]. Алгоритм идентифицирует партии с прогнозируемым переостатком (декомпозиция временного ряда продаж) и рассчитывает скидку с учетом остаточного срока, эластичности спроса и минимально допустимой маржинальности; общая постановка укладывается в рамку оптимизации запасов скоропортящихся товаров [11].

Ступенчатая уценка deadstock (сегменты CY, CZ, BZ) – управление товарами, длительно не находящими спроса [12]. Неликвиды идентифицируются по комбинации критериев (отсутствие продаж 60–120 дней, дисбаланс остатков и спроса, отрицательная динамика, высокий показатель отказов); далее применяется ступенчатая уценка: 10–15 % на 0–30 дней без продаж; 20–30 % на 30–60 дней; 40–50 % на 60–90 дней с приоритизацией позиции в рекомендательных алгоритмах платформы; 70–80 % свыше 90 дней – ликвидационная уценка для высвобождения складских мощностей [12].

Для товаров с ограничением срока годности поверх сегментации применяется ОСГ-стратегия с приоритетом выше любой другой, поскольку временной фактор в таких категориях создает риск полного списания партии. Назначение стратегии сегменту – необходимое, но недостаточное условие внедрения: на практике возникает задача выбора порядка реализации нескольких применимых стратегий, что требует отдельной формализованной процедуры.

Модифицированная методика ICE-скоринга

Стандартный ICE-скоринг [13, с. 156–162] (Impact × Confidence × Ease, среднее арифметическое от 1 до 10) для задачи приоритизации ценовых стратегий имеет три ограничения. Оценки субъективны и плохо воспроизводимы: два аналитика могут поставить разные баллы одной стратегии. Среднее арифметическое не различает «все среднее» и «два высоких компонента и один близкий к нулю», что критично, когда отсутствие данных для одного компонента должно блокировать запуск. Стандартная методика не различает источники уверенности (интуиция против результата A/B-теста), смешивая в одной оценке разный уровень обоснованности [14].

Предлагаемая модификация включает три изменения: декомпозицию каждого компонента на измеримые подкомпоненты, привязанные к конкретным системам-источникам; переход от среднего арифметического к мультипликативной свертке, нелинейно пенализирующей стратегии с критически слабым звеном; явный учет качества данных через подкомпоненты Confidence, разделяющие интуитивную и эмпирически подтвержденную уверенность.

Impact (I) – взвешенная сумма четырех нормированных метрик; Confidence (C) – четырех показателей качества данных; Ease (E) – оценка ресурсоемкости:

I = α₁ · ΔRev + α₂ · ΔMargin + α₃ · ΔLTV + α₄ · ΔInventory, (1)

C = β₁ · D(market) + β₂ · D(research) + β₃ · D(pilot) + β₄ · D(benchmark), (2)

где ΔRev (прирост выручки) и ΔMargin (изменение маржинальности) рассчитываются по данным OMS, ΔLTV – по CRM, ΔInventory (эффект на оборачиваемость запасов) – по WMS; все метрики приводятся к шкале [0, 1] методом min-max нормализации внутри сравниваемого набора стратегий. Подкомпоненты Confidence: D(market) – наличие сопоставимой механики у конкурентов (сервис парсинга); D(research) – глубина внутреннего качественного анализа (интервью с категорийными менеджерами); D(pilot) – наличие результатов предварительного A/B-теста сходной механики (платформа A/B); D(benchmark) – публичные кейсы и отраслевые отчеты [14]. Каждый подкомпонент Confidence оценивается по шкале [0, 1] с дискретными уровнями 0 / 0,5 / 1.

Компонент Ease (E) формализуется через совокупные нормированные затраты на реализацию по линейной шкале:

E = 1 − (γ₁ · H + γ₂ · T + γ₃ · R), (3)

где H – нормированные трудозатраты команд разработки и аналитики (человеко-месяцы), T – техническая сложность интеграции (число систем-источников, требующих доработки), R – операционные риски (экспертная оценка вероятности негативного воздействия на смежные процессы); все три величины нормированы на [0, 1], так что E также лежит в [0, 1] и растет по мере снижения затрат.

Три компонента сводятся в единый балл мультипликативно после линейного отображения каждого на шкалу [1, 10]:

ICE_score = I* · C* · E*,

где X* = 1 + 9 · X для X ∈ [0, 1]. (4)

Мультипликативная свертка пенализирует стратегии с критически слабым звеном: стратегия с высоким Impact, но околонулевым Confidence получает низкий итоговый балл независимо от простоты реализации, поскольку произведение чувствительно к любому малому сомножителю. Это согласуется с практикой: отсутствие данных для оценки эффекта должно блокировать запуск, а не компенсироваться сильными другими компонентами.

Калибровка весовых коэффициентов

Веса откалиброваны на истории A/B-тестов крупного омниканального маркетплейса за период с января 2022 г. по декабрь 2024 г. (36 месяцев). В обучающую выборку вошли 47 пар «стратегия – категория», по которым за указанный период проводился A/B-тест с корректным дизайном (контрольная и тестовая группы, статистически значимый объем трафика). Для каждой пары рассчитаны постфактумные значения метрик из исторических данных OMS, CRM и WMS, а критерием успеха служила бинарная экспертная метка: тест считался успешным, если по итогам полугодия после запуска целевая метрика категории (выручка или маржинальная прибыль в зависимости от стратегии) показала статистически значимый прирост и решение было закреплено в продуктиве. Веса α, β, γ подобраны минимизацией логистической функции потерь при предсказании метки успешности; для контроля переобучения применялось разбиение train/test в пропорции 70/30 со стратификацией по типу стратегии и пятикратная кросс-валидация на обучающей части. На отложенной выборке коэффициент ранговой корреляции Спирмена между расчетным ICE-баллом и фактической меткой составил ρ = 0,71 (95 %-й бутстреп-интервал 0,58–0,82, 2000 итераций). Полученные значения:

α₁ = 0,35; α₂ = 0,25; α₃ = 0,25; α₄ = 0,15;

β₁ = 0,20; β₂ = 0,15; β₃ = 0,40; β₄ = 0,25;

γ₁ = 0,45; γ₂ = 0,30; γ₃ = 0,25.

Наибольший вес внутри Confidence получает наличие пилотных данных (β₃ = 0,40): результат A/B-теста сходной механики предсказывает фактический исход внедрения лучше других источников обоснованности [15]. Веса не универсальны и отражают профиль конкретной платформы – ее ассортиментную структуру, исторический портфель ценовых тестов и приоритеты ключевых метрик. При переносе методики на другую платформу веса калибруются заново на ее собственных исторических данных.

Результаты исследования и их обсуждение

Методика применена к данным одной товарной категории крупного федерального омниканального маркетплейса (категория непродовольственных товаров повседневного спроса). По соображениям конфиденциальности наименование категории и абсолютные значения GMV не раскрываются; приведены нормированные значения после min-max нормализации внутри сравниваемого набора. Выборка для расчета: 1842 активных SKU от 213 продавцов, период наблюдения – 18 месяцев (июль 2023 г. – декабрь 2024 г.), около 1,1 млн заказов. Распределение SKU по сегментам ABC-XYZ: на сегменты с высоким вкладом в выручку (AX, AY, AZ) приходится 9,7 % позиций и 61 % выручки категории; доля сегмента AX составляет 4,1 % позиций, BX – 7,3 %; сегменты группы C (CX, CY, CZ) объединяют 58 % позиций при 11 % выручки. Требовалось проранжировать три стратегии: S1 – соинвестирование скидок; S2 – ценообразование товаров с истекающим ОСГ; S3 – ступенчатая уценка deadstock. Расчет компонентов и итогового ICE-балла приведен в табл. 2; столбец «Источник» указывает, из какой системы получено каждое исходное значение.

Соинвестирование скидок (S1) получило наиболее высокий итоговый балл – 240,5 против 110,0 для S2 и 95,7 для S3. Лидерство S1 объясняется тремя факторами: наибольшим ожидаемым приростом выручки (ΔRev = 0,85, поскольку категория содержит существенную долю товаров-локомотивов), относительной простотой технической реализации (механика опирается на действующий сервис парсинга конкурентов и не требует глубокой интеграции с WMS) и доступностью внешних бенчмарков. S2 и S3 уступают S1 по всем трем компонентам; различие между ними определяется распределением сильных сторон: S2 имеет более высокий ΔMargin и более низкие риски запуска, тогда как S3 дает максимальный эффект на оборачиваемость, но требует большего объема исторических данных для калибровки индекса неликвидности.

Таблица 2

Расчет ICE-скоринга для трех стратегий в одной товарной категории

Примечание: составлена авторами на основе полученных данных в ходе исследования.

Для проверки устойчивости результата проведен анализ чувствительности: каждый весовой коэффициент α, β, γ независимо варьировался в диапазоне ±25 % от калиброванного значения с шагом 5 % (11 уровней на коэффициент), после каждой вариации веса внутри своей группы заново нормировались к сумме 1, чтобы сохранить интерпретируемость свертки. Всего рассчитана 1331 комбинация. Порядок ранжирования S1 > S2 > S3 сохранился в 100 % комбинаций; минимальный относительный разрыв между S1 и S2 по итоговому баллу не опускался ниже 78 %. Команда ценообразования может опираться на полученное ранжирование, не опасаясь, что небольшие изменения калибровки весов на свежих данных приведут к перестановке стратегий.

Нулевые значения подкомпонента D(pilot) во всех строках расчета отражают то, что на момент анализа в данной категории не был проведен ни один A/B-тест рассматриваемых ценовых механик – типичная ситуация для категорий, где ранее не запускались сложные ценовые инициативы. Методика прямо указывает, что любое из трех решений будет приниматься без подтвержденной эмпирики; первой задачей команды должно стать не масштабное развертывание победившей стратегии, а проведение ее A/B-теста на ограниченной доле трафика. После пилота D(pilot) для S1 поднимется с 0 до 0,5 или 1, Confidence пересчитается, и итоговый ICE-балл вырастет, что даст основания для дальнейшего расширения.

Практические и правовые ограничения

Применение методики ограничено рядом отраслевых и правовых факторов. Для FMCG и особенно фармацевтики уценка по остаточному сроку годности допустима только в пределах, разрешенных санитарными и отраслевыми нормами; реализация лекарственных средств подлежит дополнительному регулированию, а ряд позиций не допускает дисконтных механик в принципе. Использование LTV и клиентских данных CRM для дифференциации цен ограничено законодательством о персональных данных (в России – Федеральным законом № 152-ФЗ) и требованиями к недискриминационному ценообразованию: персонализированные скидки не должны превращаться в ценовую дискриминацию защищенных групп потребителей. Приоритизация уценяемых позиций в рекомендательных алгоритмах платформы должна быть прозрачна и не вводить покупателя в заблуждение относительно оснований показа. Наконец, соинвестирование скидок между продавцом и маркетплейсом требует корректного договорного оформления распределения затрат во избежание претензий со стороны продавцов и антимонопольных рисков. Перечисленные ограничения не отменяют методику, но задают границы ее применимости и должны учитываться на этапе внедрения.

Заключение

Предложена классификация стратегий динамического ценообразования по сегментам матрицы ABC-XYZ и формализованная методика их приоритизации на базе модифицированного ICE-скоринга. Декомпозиция компонентов на измеримые подкомпоненты, привязанные к OMS, WMS, CRM, сервису парсинга конкурентов и платформе A/B-тестов, обеспечивает воспроизводимость оценки; мультипликативная свертка нелинейно пенализирует стратегии со слабым звеном; явный учет качества данных через подкомпоненты Confidence отделяет уверенность, основанную на пилоте, от интуитивной.

Веса α, β, γ откалиброваны на 47 A/B-тестах крупного омниканального маркетплейса за 2022–2024 гг. с ранговой корреляцией ρ = 0,71 между расчетным баллом и фактической меткой успешности на отложенной выборке. На приведенном анонимизированном примере методика дала порядок S1 > S2 > S3, сохранившийся во всех (1331) комбинациях при вариации весов ±25 %; для подтверждения вывода требуются пилотные A/B-тесты, на что указывают нулевые значения D(pilot). Структура расчета переносима между платформами при условии независимой калибровки весов на собственных исторических данных. Дальнейшие направления: расширение состава стратегий (персонализированные скидки, динамические купоны, перекрестные продажи) и автоматизация пересчета ICE-балла по данным внутренних систем с сохранением ручной только экспертной части оценки.

Конфликт интересов

Финансирование

Библиографическая ссылка