Ціни на масло падають, а в магазині ростуть: де AI

У листопаді 2025 року середня ціна виробників вершкового масла в Україні знизилася до 308,5 тис. грн/тонна (місячне падіння близько 2,6%). А от середня споживча ціна за той самий період зросла до 112,19 грн за 200 г (плюс 0,7% до жовтня). Цей розрив виглядає як дрібна статистика — доки не порахуєш, скільки грошей агровиробники, переробники й ритейл «втрачають» через рішення, прийняті із запізненням.

Ось моя позиція: проблема не в тому, що ринок «нелогічний», а в тому, що ланцюг “ферма → завод → дистрибуція → полиця” досі керується уривками даних і ручними правилами. А там, де багато змінних, ручне управління майже гарантовано створює перекоси.

У серії матеріалів «Як штучний інтелект змінює сільське господарство та агробізнес в Україні» ми постійно повертаємося до одного: AI приносить найбільше користі не в «красивих демо», а в буденній операційці — прогнозуванні, плануванні та ціноутворенні. І кейс з вершковим маслом — ідеальний вхід у тему.

Чому ціна виробника падає, а на полиці — росте

Коротка відповідь: бо виробнича ціна — це лише один із факторів, а «полична» ціна часто реагує із затримкою й залежить від запасів, контрактів і логістики.

Різниця між ціною виробника та споживчою ціною зазвичай пояснюється комбінацією трьох речей:

1. Інерція контрактів і прайс-листів. Якщо ритейл оновлює ціни раз на 2–4 тижні або за погодженими «вікнами», то падіння на рівні заводу не потрапляє на полицю наступного дня.
2. Запаси та дата виробництва. На полицю може потрапляти продукція, закуплена за старою ціною (або з урахуванням бонусів/маркетингових бюджетів).
3. Логістика, енергія, втрати, промо, маржа. У молочці дрібні витрати швидко множаться: холодовий ланцюг, повернення, списання, сезонність попиту.

Але є ще один «невидимий» фактор: якість управління даними. Якщо компанія бачить продажі із запізненням, не відділяє промо від базового попиту, не моделює еластичність ціни — вона не зможе адекватно синхронізувати ціну між каналами. Результат — або втрата маржі, або падіння обороту, або конфлікти між партнерами.

Сентенція, яка болить, але працює: якщо ви не можете пояснити, чому змінилась ціна на полицях, ви не керуєте ціною — ви просто «оновлюєте прайс».

Де саме AI корисний у ціноутворенні молочної продукції

Коротка відповідь: AI дає змогу перейти від «ціна за відчуттям» до динамічного ціноутворення на основі прогнозу попиту, запасів і ринкових сигналів.

У вершковому маслі ціна «збирається» з багатьох шарів: сировина (молоко), вихід жиру, енергія, упаковка, зберігання, логістика, промо, експортні альтернативи, конкуренти. Людині складно тримати все це в голові щотижня. Моделям — простіше, якщо правильно налаштовані дані.

1) Прогноз попиту: базовий vs промо

AI-моделі (від класичних time-series до градієнтного бустингу) добре вирішують задачу: скільки масла куплять наступного тижня/місяця з урахуванням:

• сезонності (зимові свята, піст/зміни споживчих звичок),
• цін конкурентів,
• промо-механік (знижка, 2+1, фіксована ціна),
• каналу продажу (традиційна роздрібна, сучасна, HoReCa),
• географії та логістичних обмежень.

Цінність тут не «в точності заради точності». Цінність у тому, що прогноз попиту автоматично підказує скільки виробляти, скільки відвантажувати, і де не потрібно знижувати ціну, бо товар і так піде.

2) Еластичність ціни: коли знижка — це прибуток, а коли — самостріл

AI допомагає виміряти price elasticity по SKU/формату (180 г, 200 г, 82% жирності, private label тощо). На практиці це відповідає на питання:

• якщо знизити ціну на 3%, продажі виростуть на 2% чи на 12%?
• чи «з’їсть» знижка маржу повністю?
• чи не краще замінити знижку іншим промо (наприклад, комбо-набір)?

Більшість компаній роблять знижки «по календарю», а не «по математиці». І потім дивуються, чому промо дає оборот, але не дає грошей.

3) Оптимізація між каналами: завод, дистриб’ютор, ритейл

Розрив між ціною виробника та споживчою ціною — часто наслідок того, що кожен гравець оптимізує своє, не бачачи загальної картини.

AI-моделі можуть будувати сценарії:

• що буде з поличною ціною, якщо завод дає знижку дистриб’ютору на 2%?
• чи дійде ця знижка до споживача, чи «ляже» в маржу посередині?
• як зміниться обсяг продажів у разі промо в ритейлі при незмінній відпускній ціні?

Це вже не «прогноз». Це сценарне планування, яке вчить менеджерів приймати рішення швидко й без ілюзій.

Практичний сценарій для України: як зробити «розумний прайс» за 6–10 тижнів

Коротка відповідь: почніть з простого: зведіть дані, визначте KPI, зробіть MVP-модель прогнозу й вбудуйте її в процес оновлення цін.

Найчастіша причина, чому AI в цінах «не злітає»: компанії одразу хочуть «динамічне ціноутворення», але не мають дисципліни даних і процесу.

Ось робочий план, який я б радив виробнику/переробнику молока або бренду масла.

Крок 1. Зібрати мінімальний набір даних

Потрібно небагато, але регулярно:

• відвантаження/продажі по SKU, каналам, регіонам (щотижнево),
• фактичні ціни: відпускні + промо/бонуси (реальна net-ціна),
• залишки на складі та в дистрибуції,
• виробнича собівартість (хоча б агреговано),
• календар промо та зміни асортименту.

Якщо дані «гуляють» по Excel і месенджерах — AI не допоможе. Спочатку потрібен порядок.

Крок 2. Визначити правила успіху (KPI)

Для масла KPI мають бути конкретні:

• валова маржа на тонну/на SKU,
• обіг запасів (days of inventory),
• частка промо-продажів,
• відхилення прогнозу від факту (MAPE або інший показник).

Якщо KPI не узгоджені між комерцією та виробництвом, модель буде «правою» в одному департаменті й «винною» в іншому.

Крок 3. Зробити MVP: прогноз попиту + рекомендація ціни

MVP — це не «ідеальна» модель. Це перший інструмент, який дає менеджеру підказку:

• прогноз продажів на 4–8 тижнів,
• рекомендований коридор ціни (min/target/max),
• попередження: ризик надлишкових запасів або дефіциту.

Далі — найважливіше: вбудувати це в щотижневий цикл. Не «подивилися і забули», а прийняли рішення та зафіксували, чому.

Крок 4. Запустити A/B-логіку на обмеженій географії або мережі

Щоб не сперечатися «вірою», зробіть тест:

• одна мережа працює за старими правилами,
• друга — за AI-рекомендаціями,
• порівнюємо маржу, оборот, списання, частку промо.

Якщо ефекту немає — це теж результат: значить, проблема в даних або в тому, що ціна не головний важіль (можливо, потрібно працювати з асортиментом або промо).

Що робити виробнику масла прямо зараз: 7 дій без «великих бюджетів»

Коротка відповідь: навчіться бачити різницю між “ціна впала” і “прибуток виріс” — і автоматизуйте рутинні рішення.

Ось список, який реально виконати до кінця зимового сезону 2025/26:

1. Перейдіть на net-ціну (після бонусів, ретро, маркетингових витрат). Gross-ціна майже завжди бреше.
2. Розділіть попит на базовий та промо. Без цього еластичність буде спотворена.
3. Ведіть єдиний календар промо для продажів, виробництва й логістики.
4. Встановіть “прайс-вікна”: наприклад, рішення по цінах щоп’ятниці на наступні 2 тижні.
5. Моделюйте сценарії запасів: “що буде, якщо продажі -10%” і “що буде, якщо +10%”.
6. Автоматизуйте алерти: різкий рух ціни сировини, зміни у GDT/експортних орієнтирах, просідання продажів у регіоні.
7. Зробіть один дашборд для всіх: виробництво, комерція, фінанси мають дивитися на одну правду.

Це не «космос». Це дисципліна. AI просто підсилює її — швидкістю та точністю.

Питання, яке всі ставлять: чи можна “автоматично” ставити ціну без людей?

Коротка відповідь: повністю — рідко і не потрібно; правильно — робити людину фінальним затверджувачем, а AI — системою рекомендацій і контролю ризиків.

У молочці занадто багато факторів, які модель може не знати з даних: раптові логістичні збої, договірні нюанси, обмеження виробництва, репутаційні ризики бренду.

Найкраща практика — human-in-the-loop:

• AI пропонує коридор ціни й прогноз наслідків,
• менеджер затверджує або змінює,
• причина зміни фіксується (і потім використовується для навчання процесу).

Так система стає розумнішою, а не просто «ще одним звітом».

Що означає листопадова статистика для 2026 року

Коротка відповідь: волатильність збережеться, і виграють ті, хто навчився швидко приймати рішення на даних.

Коли ціна виробника знижується, а споживча ціна росте, це сигнал про асинхронність у ланцюгу. Для когось це тимчасова маржа, для когось — втрачений обсяг, для когось — злість споживача. Але для всіх це один висновок: без аналітики й автоматизації ціноутворення ви реагуєте на ринок із запізненням.

У межах нашої серії про те, як штучний інтелект змінює сільське господарство та агробізнес в Україні, я б сформулював так: AI в агро — це не тільки про поля й дрони. Це ще й про гроші на прайсі.

Якщо ви виробник, переробник або бренд у молочній категорії, найкращий час навести порядок у даних і протестувати AI-рекомендації по цінах — саме зараз, поки зимовий сезон дає багато “живих” сигналів попиту.

Яке рішення по ціні ви востаннє приймали «на відчутті» — і скільки це реально коштувало бізнесу через місяць?