Иннодата: Система интеллектуального ценообразования

Продукт
Разработчики: Иннодата (Innodata)
Дата премьеры системы: 2018/02/14
Отрасли: Логистика и дистрибуция,  Недвижимость,  Торговля,  Транспорт
Технологии: BI

Система интеллектуального ценообразования предназначена для автоматизированного точного прогноза и балансировке цен и тарифов.

Принцип работы

Система работает следующим образом: формируются три блока информации на ежедневной основе для пользователей системы.

Блок статистики предусматривает интерактивный отчет, включающий показатели, связанные с динамикой продаж, уровнем цен, активностью клиентов и пр. Предусмотрено получение отчетов разной степени агрегации, начиная от суммарных показателей компании и до уровня конкретного объекта недвижимости.

Блок прогноза предусматривает ежедневно обновляемую вероятность продажи объекта недвижимости в следующем месяце. Результаты прогнозирования могут быть агрегированы вплоть до уровня типа квартир и даже до уровня стояков конкретной секции в проекте.

Блок рекомендаций включает ежедневно обновляемые значения для величины изменений цен на объекты недвижимости, типы квартир, стояки. При этом рекомендации могут настраиваться пользователем, меняться динамически в зависимости от возможностей для изменения цен, складывающихся для конкретного объекта недвижимости по результатам анализа входных составляющих системы.

Возможности

  • формирование базовой модели для прогнозирования динамики ценообразования, выявление основных видимых и скрытых факторов, влияющих на динамику развития;
  • осуществление построения, оптимизации и мониторинга бизнес-модели;
  • проведение высокоточной настройки параметров и переменных, влияющих на ее работу;
  • обогащение модели дополнительными данными.
  • оценка вероятности совершения сделки;
  • расчет ежедневного прогноза по каждой сделке,
  • группировка результатов, а также управление ценой на основе фактического спроса на объект: если прогноз по фактическому спросу превышает запланированный, то есть возможность для более частых повышений стоимости.

При этом автоматизирован процесс формирования рекомендаций и замечаний по ведению ценообразования.

Решаемые задачи

Основные бизнес-задачи, которое решает система интеллектуального ценообразования:

  • максимизация выручки
  • увеличение объема продаж без увеличения расходов
  • оперативное реагирование на события, влияющие на ценообразование на высоко-конкурентном рынке
  • прогнозирование динамики ценообразования
  • учет количества факторов влияния,
  • минимизация влияния «человеческого фактора».

2018: Анонс

Компания «Иннодата» 14 февраля 2018 года представила систему интеллектуального ценообразования. По мнению разработчиков, решение будет востребовано среди девелоперов в строительстве, в ритейле, у транспортно-логистических компаний и крупных сервисных организаций с постоянной линейкой услуг.

Высокая вероятность ошибки вследствие «человеческого фактора» при ручном прогнозировании спроса и предложения делают процесс ценообразования все более сложным, подразумевающим долговременные, трудоемкие и дорогостоящие исследования. Для того чтобы обеспечить эффективность продаж, при формировании оптимальной цены необходимо принять во внимание множество факторов. Сделать это сравнительно быстро поможет система интеллектуального ценообразования от «Иннодаты».

Используя технологии Big data и нейронные сети, специалисты компании разработали подход к пост-обработке получаемых данных, который позволяет добиться высокой эффективности от построенных математических моделей, снизить погрешность и повысить интерпретируемость результата.

Система позволяет спрогнозировать продажи и лучший период для изменения цены, снижение человеческих трудозатрат на процесс формирования стоимости за счет оптимизации бизнес-процесса, осуществляет поддержку в режиме реального времени.

Модель решения сбалансирована и предусматривает около 200 переменных, при этом учитываются факторы сезонности, используются как внутренние, так и внешние определяющие факторы, такие, например, как колебание котировок валют.

Получаемые системой результаты достигнуты с помощью алгоритмов самообучения математической модели (например, с помощью XGBoost). Построение аналитической модели осуществляется на основе нескольких разработанных методов. Модель учитывает исторические данные. Для окончательного завершения обучения проводится обучение модели в режиме реального времени. 90% точности совершения сделки приходится именно на тот период, который отражен в модели. При условии предоставления от 85% и более полноты данных модель корректно предсказывает статистику ожидаемых сделок.

«
Основной эффект от использования системы интеллектуального ценообразования в бизнес-архитектуре компании заключается в достижении главной цели — максимизации выручки без увеличения расходов, — рассказал Максим Сытников, Product Owner решения, компания «Иннодата». — Эффект для бизнеса от использования системы сложно переоценить: в первую очередь, это максимизация выручки без увеличения расходов, повышение уровня конкурентоспособности, стимулирование спроса, увеличение объема выручки, точная настройка колебаний стоимости за счет прогнозирования будущей сделки, проверка целесообразности рекомендаций и эластичности спроса в режиме реального времени, увеличение дополнительной прибыли за счет гибкого подхода к данным. А в качестве приятного бонуса — оптимизация трудозатрат, например, аналитического отдела, поддерживающего ценообразование в ручном режиме, а также увеличение скорости принятия решения с суток до нескольких минут.
»



Распределение вендоров по количеству проектов внедрений (систем, проектов) с учётом партнёров

За всю историю
2015 год
2016 год
2017 год
Текущий год

  Qlik (QlikTech) (64, 420)
  Прогноз (35, 301)
  SAP SE (94, 292)
  IBM (66, 289)
  BaseGroup Labs (Аналитические технологии) (2, 226)
  Другие (727, 995)

  IBM (13, 38)
  Qlik (QlikTech) (3, 32)
  РИСКФИН (1, 21)
  SAP SE (7, 16)
  Oracle (8, 13)
  Другие (39, 58)

  БизнесАвтоматика НПЦ (1, 38)
  Qlik (QlikTech) (2, 26)
  SAP SE (9, 24)
  Oracle (5, 8)
  IBM (5, 7)
  Другие (42, 56)

  SAP SE (6, 13)
  Объединенное кредитное бюро (ОКБ) (4, 13)
  Qlik (QlikTech) (3, 10)
  IBM (7, 9)
  БизнесАвтоматика НПЦ (1, 9)
  Другие (30, 48)

  Oracle (3, 7)
  БизнесАвтоматика НПЦ (1, 4)
  Qlik (QlikTech) (1, 4)
  IBM (3, 3)
  SAP SE (3, 3)
  Другие (20, 22)

Распределение базовых систем по количеству проектов, включая партнерские решения

За всю историю
2015 год
2016 год
2017 год
Текущий год

  QlikView - 376 (349, 27)
  Prognoz Platform - 292 (283, 9)
  Deductor - 225 (225, 0)
  IBM Cognos - 153 (57, 96)
  SAP BusinessObjects - 91 (45, 46)
  Другие 1058

  Visary (Визари АИС) - 38 (38, 0)
  QlikView - 18 (18, 0)
  Qlik Sense - 8 (8, 0)
  SAP BusinessObjects - 8 (2, 6)
  SAP NetWeaver Business Warehouse (SAP BW/4HANA) - 4 (4, 0)
  Другие 70

  Visary (Визари АИС) - 9 (9, 0)
  ОКБ: Скоринг Бюро - 8 (6, 2)
  Qlik Sense - 6 (6, 0)
  QlikView - 4 (3, 1)
  SAP Business Intelligence (SAP BI) - 4 (2, 2)
  Другие 66