#B2IT Cases

Система динамического
ценообразования
для онлайн‑аптеки

Запрос клиента

Интернет-аптека с большим ассортиментом товаров искала способ внедрить динамическое ценообразование, чтобы успешно конкурировать с крупными игроками рынка.

Клиент хотел, чтобы цены автоматически подстраивались под поведение покупателей и предложения конкурентов, обеспечивая максимальную прибыль.

Проблема

Большой товарный ассортимент — тысячи позиций с разной спецификой продаж и маржинальностью — требовал постоянного анализа и корректировки цен. Сотрудники физически не успевали обрабатывать  все товарные группы, чтобы поддерживать их актуальность. Из-за этого компания теряла продажи на фоне конкурентов с более гибкими ценами.

Решение

Мы разработали динамическую систему ценообразования, работающую на базе искусственного интеллекта. Она автоматически анализирует ключевые факторы в реальном времени: спрос, поведение покупателей, остатки на складе и, конечно, цены конкурентов.

Система сама устанавливает оптимальные цены для каждой позиции, не требуя ручного вмешательства.

Для реализации мы использовали Python для обработки данных  и машинного обучения, а также интегрировали решение с платформой магазина через удобный API.

Результаты

Для бизнеса

Чистая прибыль за тестовый квартал выросла на 18% за счёт точного и своевременного ценообразования.
Система сократила время на управление ценами с нескольких часов в день до нуля — всё работает автоматически.
Аптека обогнала конкурентов по скорости реакции на изменения рынка, увеличив лояльность клиентов и продажи.

Сбор и обработка данных

Python: Использовали как основной язык для анализа данных и работы с искусственным интеллектом. Python прост в использовании и отлично подходит для обработки больших объёмов информации.
Pandas: Библиотека для работы с данными — помогла нам быстро анализировать спрос, остатки и поведение покупателей.
BeautifulSoup: Инструмент для сбора данных о ценах конкурентов с их сайтов. Ускоряет процесс, если нужно парсить много страниц.

Искусственный интеллект и машинное обучение

Scikit-learn: Библиотека для построения моделей машинного обучения. С её помощью мы настроили алгоритм, который предсказывает оптимальные цены на основе исторических данных и текущих факторов.
TensorFlow: Если нужно было добавить более сложные прогнозы, например, учитывать сезонность, мы подключали эту библиотеку для глубокого дообучения модели.

Backend (серверная часть)

FastAPI: Лёгкий и быстрый фреймворк на Python для создания API. Он связывает систему ценообразования с платформой аптеки, передавая новые цены в реальном времени.
PostgreSQL: База данных для хранения информации о товарах, ценах, остатках и конкурентах. Надёжная и хорошо работает с большими объёмами данных.

Интеграция и автоматизация

REST API: Использовали для подключения нашей системы к платформе интернет-магазина.  Это стандартный способ обмена данными между системами.
Celery: Инструмент для запуска задач по расписанию (например, обновление цен каждые 15 минут). Работает с Python и ускоряет автоматизацию.
Redis: Быстрая память для хранения промежуточных данных (например, текущих цен конкурентов), чтобы система могла мгновенно реагировать.

Инфраструктура

Docker: Упаковали всё решение в контейнеры, чтобы его можно было легко развернуть на сервере клиента или в облаке.
AWS: Облачная платформа для размещения системы. AWS даёт гибкость и масштабируемость, чтобы справляться с ростом нагрузки.

Мониторинг и аналитика

Grafana: Инструмент для визуализации работы системы — например, чтобы клиент видел, как меняются цены и как это влияет на продажи.
Sentry: Помогает отслеживать ошибки в реальном времени, чтобы система всегда работала стабильно.

Напишите нам

Оставьте заявку и наш менеджер свяжется с вами в течение трех рабочих дней