Алгоритмы ценообразования на маркетплейсах: эволюция и тренды

Поэтому автоматическое ценообразование на маркетплейсах — уже не экзотическая фича для крупных селлеров, а рабочий слой между юнит-экономикой и витриной. Тренды 2024–2025 годов заметно сместили фокус: раньше алгоритм чаще понимали как «поставить дешевле конкурента», теперь его задача сложнее — удержать маржу, не выпасть из конкурентного диапазона и не сломать экономику товара из-за акции, хранения или комиссии.

От Excel-правил к алгоритмам, которые видят рынок почти в реальном времени

Первая версия автоматизации у большинства продавцов выглядела одинаково: таблица с закупочной ценой, комиссией, логистикой и желаемой наценкой. Менеджер руками обновлял остатки и цены конкурентов, затем загружал новую цену в личный кабинет. Это уже было лучше, чем «поставим 999 рублей, потому что красиво», но система оставалась слепой к скорости продаж и к поведению соседей по выдаче.

Следующий этап — rule-based repricing, то есть управление ценами по заданным правилам. Продавец задает логику:

• быть на 10 рублей дешевле конкретного конкурента;
• держать цену не ниже минимального порога;
• повышать цену при остатке меньше заданного количества;
• снижать цену, если товар лежит на складе дольше расчетного периода;
• исключать изменение цены во время ручной акции или поставки.

Такие правила до сих пор составляют базовый стек для малого и среднего селлера. Они понятны, аудируемы и хорошо ложатся на API маркетплейсов: система получает данные по остаткам, текущим ценам, акциям, иногда — по позициям в выдаче и скорости продаж, после чего отправляет обновленную цену обратно в кабинет.

Но рынок стал слишком плотным для статичных условий. Если десять продавцов в нише поставили правило «быть на 5 рублей дешевле ближайшего конкурента», результат предсказуем: каскадное снижение цены до floor price, а у тех, кто не задал нижнюю границу, — до отрицательной маржи. Поэтому современные инструменты все чаще уходят от простого парсинга цен к моделям, которые учитывают оборачиваемость, остатки, спрос, участие в промо и логистические затраты.

Цена на маркетплейсе больше не является отдельной цифрой в карточке. Это переменная в модели прибыли, где ошибка в 30 рублей может съесть весь операционный смысл продажи.

Здесь важно не переоценивать машинное обучение. Закрытые формулы ранжирования Wildberries и Ozon неизвестны: маркетплейсы не раскрывают точные веса цены, доставки, рейтинга, выкупа, отзывов и других факторов. Поэтому корректнее говорить не о «взломе алгоритма», а о настройке собственной системы принятия решений. Автоматизация не гарантирует топ выдачи, но снижает количество ручных ошибок и быстрее реагирует на изменение рынка.

Как работает динамическое ценообразование: сигналы, правила, ограничения

Динамическое ценообразование Wildberries и Ozon строится вокруг нескольких групп данных. В нормальной реализации алгоритм не должен просто смотреть на самую низкую цену в выдаче. Это слишком грубый сигнал: конкурент может распродавать остатки, участвовать в акции с субсидией площадки или работать в минус ради оборота.

Рабочая система собирает минимум пять типов входных данных.

1. Цены конкурентов и положение товара в конкурентной группе.

Парсинг или встроенная аналитика показывают, где карточка находится относительно аналогов: дороже медианы, дешевле лидера, вне диапазона рынка. Для селлера полезнее смотреть не на одного конкурента, а на кластер: товары с сопоставимым рейтингом, объемом отзывов, сроком доставки и комплектацией.

2. Остатки и скорость продаж.

Если SKU продается быстро и остаток ограничен, автоматическое снижение цены может быть вредным. Алгоритм должен уметь не только догонять рынок вниз, но и поднимать цену при дефиците, особенно если карточка уже получает органический трафик.

3. Оборачиваемость и стоимость хранения.

Медленный товар на складе стоит денег: хранение, замороженный оборотный капитал, риск устаревания упаковки или сезонности. Поэтому цена иногда снижается не ради позиции в выдаче, а ради высвобождения денег. Это уже финансовая логика, а не витринная.

4. Комиссии, логистика, упаковка, налоги.

Комиссии маркетплейсов могут составлять от 5% до 25% и выше в зависимости от категории. К ним добавляются логистика, хранение, упаковка, эквайринг, налог по УСН 6% с доходов или 15% с разницы «доходы минус расходы». Если этих слоев нет в модели, алгоритм оптимизирует оборот, а не прибыль.

5. Акции и ограничения площадки.

Продавец может попасть в ситуацию, когда цена изменилась из-за автостратегии, затем товар зашел в акцию, а итоговая скидка стала глубже плановой. В отдельных случаях нарушение правил участия в акциях или некорректное отображение цен приводит к штрафам и прямому снижению чистой прибыли.

В интерфейсах сервисов эти данные обычно превращаются в набор переключателей и условий: минимальная цена, целевая маржинальность, шаг изменения, список конкурентов, исключения по SKU, расписание обновлений. Как тестировщик я смотрю не на красоту дашборда, а на то, можно ли восстановить цепочку решения: почему цена стала 742 рубля, от какой цены конкурента она оттолкнулась, какую комиссию учла, какой налоговый режим применен, не пересекла ли нижний порог.

Если лог решений не читается, автоматизация превращается в черный ящик. Для продавца это риск: карточка может формально продаваться активнее, но после закрытия периода обнаружится, что прибыль ушла в комиссию, скидку и логистику.

Почему автостратегия без юнит-экономики — быстрый путь к демпингу

Управление ценами на маркетплейсах алгоритмы часто начинают с витрины, хотя начинать нужно с экономики SKU. Минимальная цена не берется «из головы» и не равна закупочной цене плюс желаемая наценка. Она рассчитывается снизу вверх: сколько денег должно остаться после всех обязательных расходов.

Упрощенная структура цены для селлера выглядит так:

Только после этого появляется floor price — нижняя граница, ниже которой алгоритм не имеет права опускаться. Для устойчивого бизнеса часто ориентируются на маржинальность после всех расходов в диапазоне 20–40%, но этот коридор нельзя механически переносить на все категории. У товара с высокой оборачиваемостью и предсказуемым спросом допустима одна модель, у сезонного товара с длинным хранением — другая.

Здесь хорошо видна разница между двумя типами автоматизации:

Для Ozon автостратегии ценообразования часто упираются в корректную связку цены, акции и рекламного продвижения. Для Wildberries отдельный слой риска — высокая чувствительность к скидочной механике и частым изменениям условий участия в промо. В обоих случаях логика одна: если алгоритм не видит полную юнит-экономику, он может честно выполнять неправильную задачу.

Хороший repricer не «снижает цену быстрее менеджера». Он запрещает менеджеру и алгоритму продавать товар ниже экономического смысла.

Что изменилось в 2024–2025 годах: от реакции к прогнозированию

Главный тренд последних лет — переход от реактивного управления к предиктивному. Раньше система отвечала на событие: конкурент снизил цену, остаток вырос, товар зашел в акцию. Теперь продвинутые решения пытаются предсказать, что будет с продажами при изменении цены на несколько процентов.

Для селлера это меняет логику работы с дашбордом. В старой модели вопрос звучал так: «Какую цену поставить сегодня?» В новой — «Что произойдет с маржой, оборачиваемостью и остатками, если цена изменится на 3%, 5% или 10%?»

На практике это выражается в нескольких фичах:

• сценарное моделирование: система показывает расчет прибыли при разных ценах, комиссиях и рекламных расходах;
• автоматические guardrails: ограничения по минимальной марже, максимальной скидке, допустимому шагу изменения;
• сегментация SKU: ходовые товары, новинки, неликвид, сезонные позиции и товары-локомотивы получают разные правила;
• интеграция с учетом: цены синхронизируются не только с маркетплейсом, но и с ERP, складом, BI-дашбордом или внутренней таблицей финансового учета;
• алерты по аномалиям: резкое падение цены, уход ниже floor price, расхождение между ценой в кабинете и фактической ценой на витрине.

В технологическом смысле выигрывают решения, у которых есть нормальный API-слой и прозрачная история изменений. Селлеру недостаточно видеть «цена обновлена». Нужны атрибуты события: старое значение, новое значение, правило, источник данных, время обновления, пользователь или автоматический сценарий. Без этого невозможно расследовать баги, особенно в пиковые периоды распродаж.

Отдельная тема — связь цены с культурными и медиатрендами. Маркетплейсы все чаще ловят импульсный спрос из соцсетей: товар может стать популярным не из-за классической сезонности, а из-за короткого вирусного цикла. Для понимания таких всплесков полезно смотреть не только на поисковые запросы внутри площадки, но и на то, как формируются символы цифровой культуры в TikTok: сегодня это мем, завтра — резкий спрос на физический товар или аксессуар. Алгоритм ценообразования сам по себе не объяснит природу спроса, но он должен уметь быстро отработать его последствия — остатки, цену, маржу и риск дефицита.

Риски автоматизации: где алгоритм ошибается дороже человека

Автоматическое ценообразование удобно тем, что работает без пауз. Это же делает его опасным: плохое правило масштабируется мгновенно. Если менеджер ошибся в одной карточке, ущерб ограничен. Если ошибка зашита в глобальную стратегию на 2 тыс. SKU, финансовый эффект появляется уже в ближайшей выгрузке.

Самые частые технические и экономические сбои выглядят так.

1. Не задана минимальная цена.

Алгоритм гонится за конкурентом, который сам распродает остатки или ошибся в цене. В результате продавец теряет маржу не из-за рынка, а из-за отсутствия guardrail.

2. Комиссия взята средняя, а не категорийная.

Для ассортимента из разных категорий это критично. Разница между 5% и 25% комиссии полностью меняет допустимую цену. Одна универсальная формула для всего магазина почти всегда дает перекос.

3. Логистика считается слишком грубо.

Тяжелый или объемный товар может выглядеть прибыльным в таблице, пока в расчет не попали доставка, возвраты и хранение. Особенно это заметно при FBO-модели, где стоимость складской инфраструктуры чувствительна к оборачиваемости.

4. Акция накладывается на автостратегию.

Цена снижается по правилу, затем применяется скидка, затем добавляется рекламный расход. Формально каждый слой допустим, вместе они дают минус.

5. Парсинг конкурентов собирает нерелевантные карточки.

Алгоритм сравнивает комплект из трех единиц с одной единицей, оригинальный товар с аналогом, быструю доставку с длительной. В результате цена подстраивается под неправильную группу.

6. Нет контроля после изменения цены.

Цена отправлена через API, но на витрине отобразилась иначе или с задержкой. Без сверки фактической цены система живет в иллюзии корректного обновления.

7. Одинаковая стратегия применена к разным ролям товара.

Товар-локомотив может сознательно работать с меньшей маржой, чтобы приводить трафик. Нишевой SKU с редкой поставкой, наоборот, не должен автоматически снижаться из-за одного конкурента.

Для меня как для тестировщика интерфейса ключевой маркер зрелости сервиса — не наличие «AI» в описании, а возможность быстро ответить на три вопроса: почему цена изменилась, можно ли откатить изменение, где система остановится при рыночной панике. Если ответы спрятаны в техподдержке или выгружаются только раз в сутки, инструмент пока рано отдавать на автопилот.

Как настраивать автостратегии, чтобы они работали на прибыль

Ценообразование на Ozon автоматическое или динамическое ценообразование Wildberries имеет смысл внедрять не с кнопки «включить», а с архитектуры данных. Сначала нужно привести в порядок справочники: SKU, себестоимость, комиссии, налоговый режим, логистику, рекламные расходы, остатки и целевую маржу. Иначе алгоритм будет строить точные решения на неточных данных.

Я бы начинала с ограниченного пилота: 20–50 SKU из одной категории, где понятна конкурентная среда и есть история продаж. Дальше — поэтапная настройка.

1. Разделить товары по роли в ассортименте

Одинаковые правила для всего магазина — удобная, но слабая идея. Минимальная сегментация может быть такой:

• локомотивы трафика — товары, которые часто сравнивают по цене и которые приводят покупателей в магазин;
• маржинальные SKU — позиции, где продавец зарабатывает за счет комплектации, бренда, отзывов или редкости;
• новинки — товары без достаточной истории, где алгоритму рано доверять агрессивные решения;
• залежавшиеся остатки — позиции, где цель не максимальная маржа, а оборачиваемость и возврат оборотных средств;
• сезонные товары — SKU, где дата важнее средней цены конкурентов.

У каждой группы должны быть свои floor price, шаг изменения и частота обновления.

2. Задать нижнюю границу через полную экономику

Минимальная цена должна включать закупку, комиссию, логистику, упаковку, хранение, налог и резерв на потери. Если продавец использует УСН 6%, налог считается от дохода; при УСН 15% — от разницы доходов и расходов, но здесь особенно нужна корректная управленческая база расходов.

Слабое место многих таблиц — рекламный расход. Если товар продается только при включенном продвижении, цена без рекламного слоя дает ложную прибыльность. В нормальном дашборде должны быть две маржи: до рекламы и после рекламы. Иначе алгоритм будет радоваться продажам, которые фактически куплены слишком дорого.

3. Настроить конкурентную группу, а не одного «врага»

Правило «быть на 10 рублей дешевле конкурента X» полезно только в узкой ситуации: товар действительно сопоставим, конкурент стабилен, карточки борются за одного покупателя. В остальных случаях лучше работать с группой аналогов и медианным диапазоном.

Практический подход:

• исключить карточки с другой комплектацией;
• отдельно пометить товары с резко меньшим рейтингом;
• не сравнивать разные сроки доставки как равные условия;
• учитывать количество отзывов и видимость карточки;
• пересматривать группу после смены упаковки, фото, состава или поставщика.

4. Ограничить скорость изменения

Резкие скачки цены ломают не только экономику, но и аналитику. Если цена меняется каждые 15 минут, сложнее понять, что повлияло на продажи: рынок, реклама, выдача, остатки или само изменение цены. Для большинства SKU разумнее задавать не только минимальную и максимальную цену, но и шаг: например, не менять цену более чем на определенный процент за период.

Здесь нет универсального интервала. Быстрые расходники и товары с плотным конкурентным окружением могут требовать частого обновления. Дорогие товары с длинным циклом выбора — более спокойного режима. Алгоритм должен поддерживать оба сценария.

5. Оставить человеку контрольные точки

Полностью автономный repricing звучит технологично, но в реальном бизнесе лучше работает гибрид. Система делает рутину: мониторит цены, пересчитывает маржу, ловит аномалии, отправляет обновления. Человек утверждает стратегию, проверяет исключения и разбирает случаи, где данные неполные.

Минимальный набор контрольных отчетов:

• SKU, ушедшие к минимальной цене;
• товары, где маржа ниже целевого диапазона;
• позиции с резким падением цены за сутки;
• товары в акции, где итоговая цена близка к floor price;
• SKU с расхождением между расчетной и фактической маржой;
• карточки, где цена менялась часто, а продажи не выросли.

Эти отчеты важнее красивых графиков. Они показывают, где алгоритм не просто активен, а полезен.

Куда движется рынок: меньше ручного демпинга, больше финансовой инженерии

Автоматическое ценообразование на маркетплейсах тренды ближайшего периода ведут к тому, что цена станет частью единого финансового контура. Отдельный repricer, отдельная таблица себестоимости, отдельный рекламный кабинет и отдельный складской учет плохо совместимы с задачей управлять прибылью в реальном времени. Слишком много рассинхронизации.

Более зрелая модель выглядит иначе: данные о закупке и поставке попадают в учетную систему, комиссии и логистика подтягиваются из маркетплейса, продажи и остатки обновляются по API, рекламные расходы добавляются в расчет маржи, а сервис ценообразования меняет цену только внутри разрешенного коридора. BI-дашборд при этом показывает не абстрактную выручку, а вклад SKU в прибыль после расходов.

Это не отменяет роли менеджера. Наоборот, она становится более инженерной. Вместо ручного переписывания цен человек проектирует правила, проверяет данные, настраивает исключения и следит, чтобы алгоритм не оптимизировал один показатель в ущерб бизнесу. Оборот без маржи, топ выдачи без прибыли и распродажа без восстановления оборотного капитала — разные формы одной ошибки.

Мой вердикт как независимого тестировщика простой: внедрять автостратегии стоит, если у продавца уже есть дисциплина в юнит-экономике. Если себестоимость обновляется нерегулярно, комиссии забиты «примерно», налоги не разнесены по модели, а логистика считается средним числом по магазину, автоматизация ускорит не прибыль, а хаос. Но при корректных данных repricer экономит часы рутины, снижает риск человеческой ошибки и позволяет управлять ценой как финансовым инструментом, а не как реакцией на соседнюю карточку в выдаче.