Магнит — ML-система оптимизации ценообразования для 20 000+ магазинов (Magnit Tech)

• Magnit Tech разрабатывает ML-систему автоматической оптимизации розничных цен для сети магазинов «у дома». Система сочетает ML-прогнозирование спроса с оптимизационными алгоритмами для расчёта цен, балансирующих маржу, оборачиваемость, лояльность покупателей и конкурентные ограничения. Архитектура решает нетривиальные задачи крупного ритейла:

• Каннибализация — изменение цены на один товар влияет на продажи связанных позиций (например, в группе «молоко пастеризованное» — более 4 800 уникальных SKU с взаимным влиянием)

• Масштаб — более 20 000 магазинов, 1 000+ товарных групп, требуется миллиарды прогнозов спроса за один прогон оптимизации

• Инфляция — нормализация цен по индексам инфляции, исключение аномальных периодов из обучения

• Ограничения — персональные скидки, минимальные закупочные цены, «красивые» цены (округление), социально значимые товары, промо-планы поставщиков Ключевой метод ускорения: кластеризация магазинов (KMeans по tf-idf-векторизации ассортимента) сокращает вычислительную нагрузку в десятки раз без потери качества оптимизации.

При наивном подходе к ML-ценообразованию (прогноз спроса → оптимизация → фиксация прибыли) возникает семь классов системных ошибок («смертных грехов»):

1. Игнорирование каннибализации между товарами
2. Несоответствие стандартных метрик (MSE/MAE) бизнес-метрикам
3. Множество жёстких бизнес-ограничений
4. Инфляция, искажающая обучающие данные
5. Нелинейная, ступенчатая ценовая эластичность
6. Вычислительная неподъёмность при полном переборе (миллиарды итераций)
7. Сложная целевая функция (баланс маржи, оборота, лояльности, конкурентов)

• Автоматизировать расчёт оптимальных цен для 20 000+ магазинов «у дома»

• Учитывать каннибализацию между SKU в рамках товарных групп

• Соблюдать все бизнес-ограничения (промо, минимальные цены, округление, соцтовары)

• Обеспечить вычислительную эффективность системы при промышленном масштабе

• Максимизировать маржу при сохранении оборачиваемости и лояльности

• Финансы

• MVP создан, финансовые результаты промышленной эксплуатации не раскрыты (система на стадии тестирования)

• Потенциал: даже небольшое улучшение ценообразования на масштабе 20 000+ магазинов даёт миллиардный эффект Время

• Ускорение расчёта оптимальных цен в десятки раз за счёт кластеризации магазинов (по сравнению с полным перебором)

• Без кластеризации оптимизация для крупных групп требовала бы миллиарды прогнозов спроса за прогон Качество и эффективность

• Кластеризация даёт ускорение в десятки раз без потери качества оптимизации

• Система учитывает более 1 000 товарных групп; крупнейшие содержат тысячи SKU («молоко пастеризованное» — 4 898 уникальных позиций)

• Разработаны механизмы «мягкой заморозки» нестабильных объектов и стресс-тестирования прогнозных моделей Нагрузка и масштаб

• Более 20 000 магазинов формата «у дома»

• Более 1 000 товарных групп

• Для крупнейших групп система производит миллиарды прогнозов за один прогон оптимизации

• ~18 000 магазинов в основном расчётном сегменте Надёжность

• Механизм «мягкой заморозки»: нестабильные товары (аномальная эластичность) исключаются из оптимизации — предотвращает некорректные рекомендации

• Стресс-тесты моделей как обязательный этап перед продакшн-деплоем Импортозамещение и compliance

• Полностью собственная разработка Magnit Tech на открытых ML-библиотеках

• Нет зависимости от зарубежных коммерческих систем ценообразования Качественный эффект (если цифры не раскрыты): Проект свидетельствует о том, что Magnit Tech решает задачи промышленного уровня сложности в ML — система ценообразования для 20 000+ магазинов с каннибализацией, инфляционной нормализацией и миллиардами прогнозов за прогон. Публикация на Habr демонстрирует открытость команды и зрелость ML-культуры в компании.