Из-за этой системы клиент уволил своих аналитиков. Кейс: как мы автоматизировали ценообразование для дистрибьютора автозапчастей

Всем привет! Меня зовут Сергей, я CEO и основатель компании BVMAX. Мы занимаемся заказной IT-разработкой, а еще активно внедряем ИИ в бизнес-процессы.

В 2022 году мы с братом запустили стартап. Фортуна была не на нашей стороне и проект пришлось закрыть. Клиентов нет, а деньги заканчивались. И вдруг – звонок. Мне позвонил один из старых клиентов. Он искал того, кто сможет автоматизировать ценообразование. Рассказываю, как мы создали систему, которая заменяет двух аналитиков и ускоряет процесс в 12 раз.

Немного предыстории. Прошлый проект был стартапом в сфере рекомендательной бизнес-аналитики. Этот клиент уже пользовался нашим сервисом, но продлеваться не стал. Казалось бы, связь потеряна. Но именно этот звонок стал поворотным событием. С него и начался наш путь в заказную разработку.

Мы начали выяснять детали и разбираться, как устроен бизнес клиента. Наш клиент – поставщик автозапчастей. Здесь нет каких-то уникальных товаров, тяжело отстроиться от конкурентов. Все продают одно и то же. Поэтому в этой нише выигрывает тот, кто первым поставит наилучшую цену.

Его бизнес-модель была выстроена на том, чтобы максимально быстро реагировать на цену конкурентов. Чтобы это работало, нужно постоянно мониторить рынок. Для сбора данных использовался сторонний парсер. Однако такой подход не устраивал нашего клиента. Процесс находится не внутри компании, без контроля, а значит — в любой момент может что-то пойти не так. Да и платить каждый месяц 60 тысяч подрядчику уже совсем не хотелось.

Но мало того, чтобы спарсить цены. Эти данные нужно еще обработать и проставить на всех своих позициях. Все это делалось вручную и отнимало очень много времени. Сотрудники сверяли позиции, смотрели наличие заменителей, учитывали, есть ли товар у конкурентов и на каком складе.

Короче, процесс ценообразования получался громоздким и сложным. Здесь многое зависело от человеческого фактора. Ошибки случались регулярно. Все из-за разрозненности данных и учета множества переменных.

Когда мы вникли в задачу, стало понятно: нужна не просто автоматизация, а система, которая решит все проблемы. Она должна быть гибкой и легко настраиваемой. А в результате ускорить ценообразование и снизить риски ошибок.

Через месяц после первого звонка мы согласовали ТЗ и подписали договор. Мы нацелились сделать все раньше срока, чтобы превзойти ожидания клиента. И кстати, мне удалось сохранить команду разработки из стартапа. Они просто поверили, что у нас все получится.

Это был наш первый проект в сфере заказной разработке. Конечно, мы попались на типичные ошибки. Но именно на таких ошибках учатся и начинают расти.

Нам повезло, что хватило ума все конференции вести в записи, а также требования фиксировать письменно. Хотя каждый из этих пунктов мог превратиться в конфликт. Много раз был соблазн выкинуть на стол карты: “этого не было в ТЗ” и “не тестировали - сами виноваты”, но мы так с братом не работаем, ведь это не решает проблем.

В результате за 6 месяцев мы разработали систему динамического ценообразования. Она решила сразу несколько проблем:

1. Парсинг цен

Встроили в систему собственный парсер. Теперь он собирает данные всего за 15 минут, а еще избавляет от нужды в стороннем подрядчике.

2. Конструктор ценообразования

Создали no code инструмент для внутреннего пользования. Сотрудники могут легко задавать алгоритмы просчетов. Все это выглядит, как некий калькулятор, где разными кубиками можно собрать правила для конкретного конкурента, SKU и бренда.

3. Машинное обучение
Внедрили алгоритмы машинного обучения. Они учитывают до 10 факторов при расчете цен и генерируют рекомендации по ценам.

4. Быстрая интеграция
Итоговые данные напрямую интегрируются в 1C, а все документы по продажам формируются уже с учетом данных системы.

Вот как выглядел процесс ценообразования до нас:

Суммарно ценообразование занимало 6-7 часов. За это время конкуренты уже могли изменить цену.

А вот как это выглядит теперь:

Процесс ценообразования стал в 12 раз быстрее. Только вдумайтесь: 26 минут вместо половины дня. Сама частота парсинга увеличилась в 4 раза, что позволило быстрее реагировать на изменения рынка. А главное — система позволила снизить затраты на дорогих аналитиков. Теперь ценообразованием могут заниматься менее опытные сотрудники

Теперь самое интересное. Все любят цифры. Давайте посчитаем, сколько сэкономил бизнес с такой системой.

До внедрения ценообразованием занимались два аналитика. Они вручную просчитывали маржинальность и подготавливали базу для ценообразования. Возьмем среднюю зарплату одного – около 120 тысяч рублей и умножим на двоих. Учтем налоги и взносы, получится примерно 360 тысяч в месяц или около 4 миллионов рублей в год. Теперь все это делает система динамического ценообразования.

Этот кейс стал поворотной точкой для моей компании. Из состояния выгорания и неопределённости мы перешли к новому этапу. А наш опыт быстрой разработки стартапа помог нам переквалифицироваться в заказную сферу.

Вообще я придерживаюсь принципа, что мы как команда по разработке должны не просто написать код, а помочь клиенту решить конкретную бизнес-проблему. Так и получилось с этим проектом. Мы ускорили процесс ценообразования в 12 раз, убрали зависимость от подрядчиков и упростили работу сотрудникам. Помогли бизнесу сохранить и усилить конкурентное преимущество, увеличить объем продаж и быстрее реагировать на рынок.

Если ваш бизнес также нуждается в оптимизации бизнес-процессов – свяжитесь со мной. Обсудим, как мы можем помочь с помощью заказной разработки.

А еще у нас есть Телеграм-канал — для тех, кто хочет прокачать бизнес с помощью IT-технологий и искусственного интеллекта. Там мы делимся кейсами, выкладываем гайды и рассказываем об ИИ. Например, в последнем посте развеиваем мифы о том, почему не стоит бояться заказной разработки.