INDIGOLAB.IO
115191, Г.Москва, ВН.ТЕР.Г. МУНИЦИПАЛЬНЫЙ ОКРУГ ДОНСКОЙ, ПЕР ДУХОВСКОЙ, Д. 17, ЭТАЖ 2, ОФИС 5

О компании

Компания IndigoLab решает ряд проблем для своих клиентов: создание и продвижение карточек товаров в ТОР поисковой выдачи, синхронное управление ценовой политикой и акциями сразу на 6 маркетплейсах из одного окна, оптимизация складских запасов посредством организации отправлений на 6 маркетплейсов с одного FullFilment склада, организация продаж на международных площадках Amazon, Ebay. Компания IndigoLab имеет разработанную IT-платформу FlyDarin, в которой клиенты могут работать с маркетплейсами по API как самостоятельно, так и с привлечением выделенного менеджера. Компания IndigoLab разрабатывает и успешно внедряет маркетплейс Indigo.Store - площадка, на которой магазины делают блогеры.Клиентами компании являются как большие торговые компании, так и молодые развивающиеся бренды. Компания IndigoLab имеет статус официального партнера AliExpress Russia. Компания IndigoLab призер финала национального этапа Entrepreneurship World Cup.

Компания ведет свою деятельность в регионах
Москва 
Оценка зрелости компании
5
CRL (company readiness level)
Появились базовые элементы будущей корпоративной структуры - выделенные департаменты, ответственные за реализацию отдельных направлений: продажи, финансы, производство (для производственных компаний).
7
IRL (investment readiness level)
Достигнута положительная экономика по каналам продаж B2B - Первые реальные продажи индустриальным заказчикам Успешно привлечены инвестиции на масштабирование бизнеса (Round A и далее)
INDIGOLAB.IO
115191, Г.Москва, ВН.ТЕР.Г. МУНИЦИПАЛЬНЫЙ ОКРУГ ДОНСКОЙ, ПЕР ДУХОВСКОЙ, Д. 17, ЭТАЖ 2, ОФИС 5

Проекты

Платформа Flydarin, реализующая потенциал омниканальной торговли
Бизнес-модель
Бизнес для Бизнеса (B2B)
Оценка зрелости проекта
9
TRL (Technology readiness level)
Продукт удовлетворяет всем требованиям: инженерным, производственным, эксплуатационным, а также требованиям к качеству и надежности и выпускается серийно
8
MRL (Market readiness level)
Достигнуты продажи рыночным потребителям. Достигнута безубыточность экономики продаж по каналам.
Описание проекта
Клиенты получают единое подключение крупнейших маркетплейсов, вместо долгой интеграции с каждым из них по отдельности. Автоматическое создание стратегии продаж на основе изменения спроса, исходя из сезонности и трендов. Автопилот цен, с учетом промо-активностей маркетплейсов и ценовой политики конкурентов. ит-сервисы Индиголаб, позволяют решать трудоемкие задачи с массовой загрузкой и/или обновлением большого количества карточек товаров на пяти маркетплейсах в режиме одного окна. Структура модулей состоит из пяти блоков: модуль "Продвижения", "Создания и обновления", "Авто-сообщения/коммуникации", "Логистика", "Социальные сети" На сентябрь 2021 г. мы разработали и внедрили функционал работы с первым фото (модуль "Продвижения"), функционал синхронного списание заказов из пяти маркетплейсов и обновления актуальных стоков (модуль "Логистика"), модуль автоматического создания магазинов на маркетплейсах из уже действующих (например из магазина на Озон, создаем Алиэксаресс). Операционная компания Индиголаб, входит в ТОР-2 технологических партнёров Алиэкспресс. С начала 2021 г. компания показала рос в 10 раз. Основной целью компании на данном этапе, является привлечение венчурных инвестиций и создание платформы с  фрилансерами.

Продукты

ILAI - автопилот для управления ценой и рекламой товаров на маркетплейсах на основе ИИ
Вид продукта
ПО
Описание продукта
Управление магазином на маркетплейсе – это постоянная динамика: каждую минуту один из ваших конкурентов меняет цену, каждый час запускаются новые рекламные кампании, каждый день заходят новые продавцы. При полном вовлечении в аналитику, специалист эффективно управляет максимум 10 товарами. С сервисами частичной автоматизации (IndigoLab, MPSstats, Adapter …) – до 100 товаров. Глубокое проактивное управление товаром с изменением цены и рекламы несколько раз в день позволяет вывести товар на первую страницу выдачи и добиться значимых продаж при условии минимальной маржи в 20-30%. Для такого управления большим количеством товаров профессиональные специалисты остро нуждаются в автоматизации и решениях основанных на данных. Научная составляющая проекта ILAI заключается в разработке системы поддержки принятия решений с использованием рекуррентной нейронной сети (RNN), которая основываясь на анализе истории продаж при конкретных значениях цены товара и расходах на рекламу, и анализе действий конкурентов, как в исторической накопленной информации, так и в реальном времени, будет автоматически управлять Ценой и Рекламой, максимизируя Реальную Выручку (РВ) продавца, в разрезе каждого отдельного товара (выручку за минусом всех расходов, удерживаемых маркетплейсом: комиссия, логистика, реклама). Алгоритм позволяет продавцу стремиться к максимуму денежных средств, которые выходят на расчетный счет, в разрезе каждого товара. Сегодня существует много алгоритмов машинного обучения, на основе которых можно построить систему поддержки принятия решений (рисунок 2.1). В выборе алгоритма машинного обучения мы остановились на нейронной сети, так как она обладает более высокой точностью и гибкостью, отличной способностью находить нелинейные зависимости, позволяет быстро менять количество полносвязных слоев (и не только) от одного до нескольких. По архитектуре решения ILAI будет представлять отдельную RNN для разных категорий товаров, которые будут дообучаться под данные каждого отдельного продавца. Таким образом, клиенты получат преимущества обобщенных данных категорий, в которых представлены их товары (например: тренды, сезонный спрос, уровень конкуренции в категории), и будут учтены индивидуальные особенности каждого клиента: набор товаров, нижний уровень цены, максимальный уровень рекламной ставки, остатки по товарам, исторические данные по товарам. Использование обучения на категории позволит учитывать общие рыночные тенденции для данной категории, а дообучение на конкретных товарах продавца в этой же категории позволит учитывать внутреннюю динамику продаж конкретных товаров. В качестве признаков для датасета предполагается использовать следующие данные по товару: цена, затраты на рекламу, прочие расходы (логистика маркетплейса, досрочные выплаты и др.), модель доставки (FBO, FBS, DBS), срок доставки, акционность, название, характеристики (зависят от категории), габариты, вес (зависит от категории), позиция в категории, сток. Также в качестве признаков предполагается использовать период либо конкретную дату состояния товара, цену конкурента, позицию конкурента в категории, участие товара конкурента в акции. В качестве таргета будет представлен GMV, полученный в этот период (либо дату). Категориальные признаки будут обрабатываться с использованием быстрого кодирования (One-Hot Encoding), так как предполагается, что они имеют небольшой размер. Отсутствующие значения будут заполняться средними значениями признака. Название товара будет кодироваться с использованием метода TF-IDF (term frequency — частота слова, inverse document frequency — обратная частота документа). Таким образом на момент подключения магазина к ILAI будет сформирован индивидуальный для каждого продавца набор исторических данных, в котором двум параметрам продаж (Валовая Выручка (GMV) и Реальная Выручка (РВ)), будут проставлены соответствующие значения параметров Цена и Расходы на Рекламу, при которых эти продажи были достигнуты. Далее, набор исторических данных продавца будет дополняться текущими данными, актуальными продажами при управляемых ILAI значениях Цены и Расходов на рекламу. На выходе RNN будет выдавать прогноз GMV на каждую пару цены и расходов на рекламу из диапазона заданного клиентом (с учетом минимально возможной цены и максимально возможных расходов на рекламу). Далее, система будет рассчитывать на основе истории расходов РВ и исходя из заданного объема продаж (доступного количества товара для продаж в месяц) выбирать наиболее подходящий GMV, соответствующий максимальному значению РВ. Для оценки качества прогнозов будет использоваться метрика WAPE (взвешенная абсолютная процентная ошибка). Она показывает ширину разброса прогнозов, учитывая веса товаров в общих продажах. Например: продавец продает набор LEGO Jurassic World Цена в магазине на момент подключения: 1 950 руб, продавец задал: мах скидку: 10% мах расходы на рекламу: 10% доступный остаток для продаж в месяц: 100 единиц товара Возможные варианты количества продаж при различных возможных парах Цена - Расходы на Рекламу различаются от 30 единиц до 100 единиц. Система будет выбирать пару по максимальному значению Реальной выручки с учетом потерянной маржи на скидку и рекламу. Так из таблицы видно, что в первом варианте товар продается без скидки и без расходов на рекламу, продажи (в штуках) в этом случае самые низкие, но нет потерь маржи. Во втором случае применяется максимальная скидка без расходов на рекламу, продажи выросли, Реальная Выручка тоже существенно выросла, но из нее надо вычесть потерянную маржу (скидка х кол-во продаж). В третьем случае применяется максимальная скидка и максимальные расходы на рекламу, продажи растут (в этом варианте продажи максимальные), Реальная Выручка растет, потери маржи наибольшие из всех вариантов. В четвертом случае ILAI предлагает скидку 5% и расходы на рекламу 7%, при этом варианте кол-во продаж меньше на 10 единиц, чем в варианте 3, но Реальная Выручка больше, это самый оптимальный вариант, поэтому ILAI проставит цену и рекламные расходы по варианту 4. И так каждый час, нейросеть получает данные предыдущего часа и выдает рекомендации на следующий. Это простейший пример для интерпретации работы ILAI. Для эффективной работы еще необходимо добавить расчет РВ (учитывать возвраты и абсолютно все расходы на продажу товара), учитывать сезонный спрос, цены конкурентов, оценивать эластичность спроса по цене. И это все почти в реальном времени, что просто недоступно сотрудникам продавцов. В том случае, если продавец не проставил ограничительные значения параметров, система будет подразумевать, что каждый параметр условно безграничен. Количество продаж в месяц столько, сколько необходимо для максимальной Реальной Выручки, если при этом продавец будет обнулять остатки, то система будет запоминать, и сама вычислит фактический доступный остаток для продаж. Цена и Расходы на рекламу будут подобраны для максимизации значения Реальной Выручки с учетом потери маржи. Web-сервис ILAI каждый час на основе рекомендаций ИИ устанавливает оптимальную пару цены и расходов на рекламу в разрезе каждого товара на разных маркетплейсах. Менеджеры по управлению продажами магазинов могут делать анализ и принимать решения по ценам и рекламе как правило один раз в месяц. Инновационность решения ILAI заключается в реализации решений на основе ИИ, позволяющие как заменить человека, так и существенно превзойти возможности человека в следующих аспектах: - ранжирование и матчинг товаров /необходимо для установления релевантных товаров конкурентов/ - динамическое ценообразование /на основе предсказания RNN система в автоматическом режиме каждый час будет проставлять оптимальную Цену и Рекламную ставку/ - прогнозирование объема продаж /использование обучения на категории позволит учитывать общие рыночные тенденции для данной категории, а дообучение на конкретных товарах продавца в этой же категории позволит учитывать внутреннюю динамику продаж конкретных товаров продавца/
Оценка зрелости продукта
3
TRL (Technology readiness level)
Получен макетный образец и продемонстрированы его ключевые характеристики
4
MRL (Market readiness level)
Получена обратная связь от потенциальных потребителей, в том числе: - подтверждена гипотеза о проблеме / подтверждено ценностное предложение - подтверждена гипотеза о интеграции в технологические цепочки
Инвестиции
Команда проекта
8 человек
Выручка
34 400 000
Темпы роста
2022
2021
Выручка
34 400 000 +700%
4 301 000
Чистая прибыль
0 -100%
5 000
Численность
8 +167%
3
Интеллектуальная собственность
0 +0%
0

Аналитика

Финансовые показатели
Бухгалтерский баланс
Налоги
Численность

Маркетинговые материалы

Презентации
Видео компании
loading...

Информация о компании

ОРН
1123361
КПП
772601001
Статус
Действующая
Учредители

Асадов Руслан Фараджевич

25%

Друженец Марина Владимировна

75%

Уставный капитал
13 400

Похожие компании

Отказ от ответственности

Информация об участниках на портале предоставлена непосредственно самими участниками или получена из открытых источников информации, в том числе из источников органов государственной власти, и опубликована в формате «как есть». Фонд «Сколково» не несёт никакой ответственности перед пользователями за понесенные косвенные, случайные, специальные, опосредованные или штрафные убытки, вызванные в результате использования портала или информации участников.