Sklep, o którym piszemy, przez trzy lata ustalał ceny w oparciu o intuicję kategorii i wyrywkowe sprawdzanie kilku konkurentów przed weekendem. Efekt był przewidywalny: część asortymentu schodziła poniżej progu opłacalności, część stała zbyt wysoko i nie generowała wolumenu. Wdrożenie automatycznego monitoringu cen konkurencji zajęło siedem tygodni i zmieniło nie tyle same ceny, ile sposób podejmowania decyzji o nich. Poniżej opisujemy architekturę, koszty, kwestie prawne i realny wpływ na marżę w perspektywie kwartału.
Punkt wyjścia: decyzje cenowe bez danych
Katalog liczył około 4 200 aktywnych SKU w kategoriach akcesoriów domowych i drobnej elektroniki. Marża nominalna wynosiła średnio 27 procent, ale rozrzut między kategoriami sięgał 12 punktów procentowych. Zespół handlowy reagował na spadki sprzedaży jednym ruchem: obniżką. Nikt nie sprawdzał, czy konkurent faktycznie zszedł niżej, czy po prostu wyczerpał zapas i zniknął z porównywarki.
Pierwszy audyt pokazał skalę problemu. Na próbie 300 najlepiej sprzedających się indeksów 84 pozycje były wycenione poniżej mediany rynkowej o więcej niż 6 procent, choć nikt nie oczekiwał tam agresywnej ceny. Jednocześnie 61 pozycji stało powyżej najdroższego konkurenta, co przy porównywarkach oznaczało zerową widoczność. To nie był problem strategii cenowej, tylko braku danych wejściowych.
Cel wdrożenia sformułowano wąsko: dostarczyć zespołowi codzienny obraz cen na wybranym koszyku indeksów i skrócić czas reakcji na zmianę u konkurenta z kilku tygodni do jednego dnia roboczego. Podejście przypomina to, co opisywaliśmy w materiale o researchu konkurencji prowadzonym przez agenta AI, tyle że tutaj przedmiotem obserwacji były liczby, a nie treści.
Architektura monitoringu i wybór źródeł
Zdecydowano się na model hybrydowy. Trzon danych pochodzi z feedów porównywarek i z publicznie dostępnych stron produktowych, a warstwę uzupełniającą stanowi ręczna weryfikacja kilkunastu indeksów tygodniowo. Ten ostatni element bywa pomijany, a to on wyłapuje błędy parsera, zanim trafią do rekomendacji cenowej.
Architektura rozpadła się na cztery warstwy:
- Pobieranie: harmonogram zadań uruchamiający kolektory na wskazane domeny i feedy, z rotacją kolejności i limitem równoległości.
- Normalizacja: sprowadzenie ceny do jednego formatu (brutto, waluta, koszt dostawy standardowej ujęty osobno, cena za sztukę przy wielopakach).
- Dopasowanie: przypisanie oferty konkurenta do własnego indeksu.
- Prezentacja i alerty: dashboard z historią oraz reguły powiadomień.
Najwięcej czasu pochłonęła warstwa druga, choć w planie wyglądała trywialnie. Cena na stronie produktowej rzadko jest jedną liczbą: bywa ceną po rabacie koszykowym, ceną z kartą lojalnościową albo ceną obowiązującą wyłącznie przy odbiorze osobistym. Bez zapisania kontekstu każda z tych wartości fałszuje porównanie. Warstwa techniczna pobierania opiera się na web scrapingu uzupełnionym o oficjalne feedy tam, gdzie były dostępne.
Częstotliwość pobrań i kwestie prawne
Częstotliwość ustalono nie jednolicie, lecz według zmienności kategorii. Podział wyglądał następująco:
| Grupa indeksów | Częstotliwość | Uzasadnienie |
|---|---|---|
| Top 200 obrotowych | 4 razy dziennie | Wysoka elastyczność cenowa, częste promocje konkurencji |
| Kolejne 800 | Raz dziennie | Zmiany widoczne, ale wolniejsze |
| Długi ogon | Raz w tygodniu | Ceny stabilne przez 4–8 tygodni |
Taki podział obniżył liczbę zapytań o około 70 procent wobec pierwotnego pomysłu odpytywania całego katalogu co godzinę. Mniejsza liczba żądań to nie tylko niższy koszt, ale też mniejsze ryzyko obciążenia cudzej infrastruktury, co ma znaczenie przy ocenie dobrych praktyk.
Kwestie prawne zespół potraktował poważnie i skonsultował z kancelarią. Trzy zasady, które przyjęto: pobierane są wyłącznie dane publicznie dostępne, bez obchodzenia zabezpieczeń i bez logowania; respektowany jest plik robots.txt oraz rozsądny limit żądań; dane służą wyłącznie do wewnętrznych decyzji, nie są odsprzedawane ani publikowane. Osobnym tematem jest prawo konkurencji. Monitoring cen jest legalny, ale wymiana informacji cenowych z konkurentem lub koordynacja poziomu cen to już praktyka zakazana, którą bada Urząd Ochrony Konkurencji i Konsumentów. Granica przebiega między obserwacją rynku a uzgadnianiem zachowań.
Dopasowanie produktów między sklepami
To etap, który zdecydował o wiarygodności całego systemu. Dopasowanie po nazwie okazało się bezużyteczne: ten sam produkt występował w siedmiu wariantach zapisu, z różną kolejnością członów i różnym zapisem pojemności. Ostatecznie zbudowano kaskadę.
- Dopasowanie po kodzie EAN, gdy był dostępny w feedzie. Skuteczność: około 61 procent katalogu.
- Dopasowanie po kodzie producenta (MPN) połączonym z marką. Domknęło kolejne 18 procent.
- Dopasowanie rozmyte po znormalizowanej nazwie i kluczowych atrybutach, z progiem podobieństwa i obowiązkową akceptacją człowieka. Kolejne 14 procent.
- Reszta, około 7 procent, została świadomie wyłączona z monitoringu jako nieporównywalna.
Ostatni punkt bywa pomijany, a jest kluczowy. Wymuszanie dopasowania na siłę produkuje fałszywe alerty, przez które zespół przestaje ufać narzędziu. Lepiej mieć czysty obraz 93 procent katalogu niż zaszumiony obraz całości.
Reguły alertów i próg reakcji
Pierwsza wersja alertów powiadamiała o każdej zmianie ceny u dowolnego konkurenta. W ciągu doby wygenerowała ponad 900 powiadomień i została wyłączona po trzech dniach. Wersja druga wprowadziła progi i kontekst.
Alert powstaje, gdy spełnione są łącznie trzy warunki: różnica ceny przekracza 3 procent, dotyczy indeksu z pierwszych dwóch grup obrotowych, a zmiana utrzymuje się w dwóch kolejnych pobraniach. Ten trzeci warunek odsiał promocje kilkugodzinne i błędy parsowania. Liczba alertów spadła do 20–35 dziennie, czyli do poziomu, który jedna osoba realnie przetwarza przed południem.
Ważniejsze od samego alertu było ustalenie, co po nim następuje. Zespół przyjął zasadę, że system nie zmienia cen automatycznie. Rekomendacja trafia do handlowca z trzema danymi: aktualna marża jednostkowa, pozycja cenowa na tle koszyka konkurentów i wolumen z ostatnich 30 dni. Decyzję podejmuje człowiek. Automatyczne przecenianie odrzucono świadomie, bo przy błędnym dopasowaniu jeden fałszywy rekord potrafi zjechać z ceną flagowego indeksu w nocy, bez żadnego nadzoru.
Wpływ na marżę i wolumen sprzedaży
Pomiar prowadzono przez kwartał, porównując kohortę objętą monitoringiem z kohortą kontrolną o zbliżonej charakterystyce. Konstrukcja testu była zbliżona do tej, którą opisywaliśmy przy okazji kalkulacji długości testu A/B, z zastrzeżeniem, że tu jednostką obserwacji był indeks, a nie sesja.
| Metryka | Przed | Po kwartale |
|---|---|---|
| Średnia marża nominalna | 27,0% | 29,4% |
| Indeksy poniżej progu opłacalności | 84 | 11 |
| Indeksy powyżej najdroższego konkurenta | 61 | 23 |
| Wolumen sprzedaży (szt.) | baza | minus 1,8% |
| Czas reakcji na zmianę ceny | 2–3 tygodnie | 1 dzień roboczy |
Najciekawszy jest wiersz z wolumenem. Sprzedaż w sztukach spadła nieznacznie, bo część indeksów przestała być najtańsza na rynku. Zysk brutto z kohorty wzrósł mimo to o 8,6 procent, ponieważ 2,4 punktu procentowego marży z nawiązką pokryło utracone sztuki. Gdyby wdrożenie oceniano wyłącznie przez pryzmat obrotu, wyglądałoby na porażkę. To typowa pułapka raportowania w e-commerce, podobna do tej, którą widać przy skalowaniu kampanii opisanym w case study o Performance Max.
Koszty utrzymania i pułapki wdrożenia
Koszt budowy zamknął się w około 38 tysiącach złotych (praca zespołu wewnętrznego plus konsultacja prawna). Utrzymanie to około 2 400 złotych miesięcznie: infrastruktura, proxy, licencje na dane oraz, przede wszystkim, czas analityka na obsługę wyjątków. Ten ostatni składnik bywa niedoszacowany, bo w budżetach wdrożeniowych pojawia się jako jednorazowy.
Trzy pułapki, które kosztowały najwięcej czasu:
- Ciche zmiany szablonu u konkurenta. Parser przestaje zwracać cenę i zaczyna zwracać wartość domyślną. Bez testu sanity check na liczbę pustych rekordów problem tli się tygodniami.
- Koszt dostawy poza ceną. Porównywanie samej ceny produktu zawyżało pozycję konkurenta, który zarabiał na wysyłce.
- Brak historii. Pierwsza wersja nadpisywała rekordy. Bez szeregu czasowego nie da się odróżnić trwałej obniżki od jednodniowej akcji.
Warto też z góry zaplanować, gdzie te dane trafią dalej. Zespół podpiął dashboard do wewnętrznego stosu narzędzi w modelu zbliżonym do tego, który opisywaliśmy przy podłączaniu źródeł danych przez MCP, dzięki czemu analityk pyta o pozycję cenową w jednym miejscu, zamiast przełączać się między czterema panelami.
Co z tego wynika
Monitoring cen nie jest projektem technologicznym, tylko decyzyjnym. Sam scraper da się zbudować w dwa tygodnie. Kwartał zajmuje ustalenie, które indeksy warto obserwować, jaki próg uzasadnia reakcję i kto odpowiada za zmianę ceny. Sklepy, które pomijają tę część, kończą z systemem, z którego nikt nie korzysta.
FAQ
Czy monitoring cen konkurencji jest legalny w Polsce?
Pobieranie publicznie dostępnych danych cenowych na własny użytek jest co do zasady dopuszczalne, o ile nie obchodzi się zabezpieczeń, nie łamie regulaminu serwisu w sposób rodzący odpowiedzialność kontraktową i nie narusza praw do baz danych. Osobną kwestią jest prawo konkurencji: obserwacja rynku jest dozwolona, natomiast uzgadnianie cen z konkurentem stanowi zakazane porozumienie. Przy większej skali warto skonsultować model wdrożenia z prawnikiem.
Jak często pobierać ceny, żeby nie przepłacać?
Zamiast jednej częstotliwości dla całego katalogu warto podzielić indeksy według zmienności i udziału w obrocie. W opisywanym wdrożeniu top 200 pobierano cztery razy dziennie, kolejne 800 raz dziennie, a długi ogon raz w tygodniu. Ten podział obniżył liczbę żądań o około 70 procent bez utraty jakości sygnału.
Dlaczego dopasowanie produktów jest trudniejsze niż samo pobieranie danych?
Ten sam produkt bywa opisany różnymi nazwami, w różnych wariantach opakowania i bez wspólnego identyfikatora. Kod EAN pokrywa zwykle 55–65 procent katalogu, resztę trzeba domykać kodem producenta i dopasowaniem rozmytym z akceptacją człowieka. Indeksy, których nie da się dopasować wiarygodnie, lepiej wyłączyć niż dopasować na siłę.
Czy warto przeceniać automatycznie na podstawie alertów?
W opisywanym wdrożeniu świadomie tego nie zrobiono. Przy błędnym dopasowaniu lub awarii parsera automat potrafi w nocy zjechać z ceną kluczowego indeksu. Rekomendacja trafia do handlowca razem z marżą jednostkową, pozycją w koszyku konkurentów i wolumenem, a decyzję podejmuje człowiek.
Po jakim czasie widać wpływ na marżę?
Pierwsze efekty, głównie wyeliminowanie indeksów sprzedawanych poniżej progu opłacalności, pojawiają się w ciągu 3–4 tygodni. Wiarygodny pomiar wpływu na marżę wymaga jednak pełnego kwartału i kohorty kontrolnej, bo krótsze okresy są zaburzone sezonowością i akcjami promocyjnymi.
Ile kosztuje utrzymanie takiego systemu?
W tym przypadku około 2 400 złotych miesięcznie przy katalogu 4 200 indeksów, licząc infrastrukturę, proxy, licencje na dane i czas analityka na obsługę wyjątków. Największą i najczęściej pomijaną pozycją jest ta ostatnia, ponieważ w budżecie wdrożeniowym pojawia się jako koszt jednorazowy.