Τα δυναμικά μοντέλα τιμολόγησης προσαρμόζουν τις τιμές με βάση τη ζήτηση και τις προτιμήσεις των καταναλωτών, καθιστώντας τα μια προσέγγιση με επίκεντρο τον πελάτη. Ακολουθούν τα κύρια βήματα που μπορούν να υιοθετήσουν οι επιχειρήσεις ηλεκτρονικού εμπορίου για να εφαρμόσουν μια δυναμική στρατηγική τιμολόγησης:

• Καθορισμός σαφών επιχειρηματικών στόχων και ορισμός λογικών περιορισμών τιμολόγησης 
• Προσδιορισμός των παραγόντων τιμολόγησης που παρακινούν και επηρεάζουν τους καταναλωτές 
• Εξατομίκευση των τιμών τμηματοποιώντας προϊόντα και πελάτες 
• Επιλογή ενός αποτελεσματικού μοντέλου βελτιστοποίησης AI για την επιχείρηση 

Τι είναι η δυναμική τιμολόγηση στο ηλεκτρονικό εμπόριο;

Η δυναμική τιμολόγηση με χρήση AI είναι μια στρατηγική ηλεκτρονικού εμπορίου που προσαρμόζει τις τιμές των προϊόντων χρησιμοποιώντας ανάλυση δεδομένων για τον προσδιορισμό της βέλτιστης τιμής σε μια δεδομένη στιγμή. Είναι μια μετατόπιση από τη στατική τιμολόγηση σύμφωνα με την οποία τα προϊόντα έχουν σταθερές τιμές. Αντίθετα, τα δεδομένα και η τεχνητή νοημοσύνη χρησιμοποιούνται για την επιλογή της καλύτερης τιμής.

Μερικοί βασικοί παράγοντες που επηρεάζουν αυτές τις αυτοματοποιημένες προσαρμογές τιμών περιλαμβάνουν την παρακολούθηση της τιμολόγησης, της προσφοράς και της ζήτησης ανταγωνιστών, καθώς και των ευρύτερων συνθηκών της αγοράς. Άλλα ζητήματα είναι η διαθεσιμότητα των αποθεμάτων, το κόστος παραγωγής και το περιθώριο κέρδους, τα οποία αναλύονται γρήγορα και αποτελεσματικά χρησιμοποιώντας τεχνητή νοημοσύνη. 

Είναι ιδιαίτερα επωφελές για επιχειρήσεις με μεγάλα αποθέματα προϊόντων, όπως εκείνες με χιλιάδες SKU, καθώς επιτρέπει ευελιξία και ανταπόκριση που θα ήταν σχεδόν αδύνατο να επιτευχθούν χειροκίνητα. Αυτό οδήγησε σε έναν αποδεδειγμένο τρόπο για τους λιανοπωλητές να αυξήσουν τα διαδικτυακά έσοδα και κέρδη, γι’ αυτό και η δυναμική τιμολόγηση της τεχνητής νοημοσύνης αυξάνεται. 

Πώς λειτουργεί η βελτιστοποίηση τιμών AI;

Τα παρακάτω βήματα δείχνουν πώς λειτουργεί η δυναμική τιμολόγηση με τεχνητή νοημοσύνη για τη βελτιστοποίηση των τιμών των προϊόντων, από την ανάλυση και την παρακολούθηση δεδομένων έως τη ζήτηση και το πιο σημαντικό, τον καθορισμό της σωστής τιμής.

Ανάλυση δεδομένων σε πραγματικό χρόνο

Το θεμέλιο της δυναμικής τιμολόγησης είναι η ανάλυση δεδομένων. Εξετάζοντας ιστορικά δεδομένα πωλήσεων, οι επιχειρήσεις μπορούν να εντοπίσουν τάσεις, μοτίβα και πληροφορίες σχετικά με τη συμπεριφορά των πελατών. Αυτές οι πληροφορίες βοηθούν τις επιχειρήσεις ηλεκτρονικού εμπορίου να λαμβάνουν αποφάσεις βάσει δεδομένων σχετικά με την τιμολόγηση που μπορούν να βελτιστοποιηθούν για την ενίσχυση των πωλήσεων και των εσόδων. 

Το βασικό στοιχείο εδώ είναι η τεχνητή νοημοσύνη, η οποία μπορεί να αναλύσει εξαιρετικά μεγάλα σύνολα δεδομένων από πολλαπλές πηγές μέσα σε λίγα λεπτά. Η τεχνητή νοημοσύνη όχι μόνο άλλαξε τον τρόπο με τον οποίο οι επιχειρήσεις μπορούν να αποκρυπτογραφήσουν δεδομένα, αλλά βελτίωσε επίσης την ποιότητα και την ακρίβεια των πληροφοριών και της μάθησης. Στο πλαίσιο της τιμολόγησης των προϊόντων, η ανάλυση δεδομένων με τεχνητή νοημοσύνη οδηγεί σε αυτόματη ρύθμιση και αλλαγή των τιμών.

Παρακολούθηση ανταγωνιστών

Η ανάλυση δεδομένων επεκτείνεται στην παρακολούθηση ανταγωνιστών, μια άλλη εργασία που η τεχνητή νοημοσύνη μπορεί να χειριστεί γρήγορα και απρόσκοπτα. Η τεχνητή νοημοσύνη εξαλείφει την ανάγκη για μη αυτόματη ανάλυση ανταγωνιστών, εξοικονομώντας σημαντική προσπάθεια και παρέχοντας πιο ακριβείς πληροφορίες για τον προσδιορισμό των τιμών.

Το λογισμικό παρακολούθησης ανταγωνιστών μπορεί να λάβει ενημερωμένες και ακριβείς πληροφορίες σχετικά με τις τιμές των ανταγωνιστών, τις προσφορές, τη διαθεσιμότητα, τα γραφικά προϊόντων, τις κριτικές πελατών και άλλα τεχνικά δεδομένα. Αυτό μπορεί να χρησιμοποιηθεί για τη θέσπιση ανταγωνιστικών στρατηγικών τιμολόγησης καθώς και για την τροφοδοσία της δυναμικής τιμολόγησης. Για παράδειγμα, εάν ένας ανταγωνιστής ξεκινήσει μια προσφορά, το λογισμικό μπορεί να βοηθήσει να προσαρμοστούν γρήγορα οι τιμές για να παραμείνει η επιχείρηση ανταγωνιστική.

Καταναλωτική ζήτηση

Η δυναμική τιμολόγηση με χρήση τεχνητής νοημοσύνης είναι ένας αποτελεσματικός τρόπος για τους λιανοπωλητές να ανταποκρίνονται στην προσφορά και τη ζήτηση με βάση τις τρέχουσες συνθήκες της αγοράς. Τα ιστορικά δεδομένα χρησιμοποιούνται επίσης για να βοηθήσουν στην πρόβλεψη και την πρόβλεψη αλλαγών στη ζήτηση των καταναλωτών. Αυτό είναι ένα άλλο στοιχείο που επιτρέπει τη δυναμική προσαρμογή της τιμολόγησης και την προσαρμογή ώστε να ταιριάζει καλύτερα στην αγορά. 

Αυτό σημαίνει ότι αντί να βασίζεται κανείς σε στατικές τιμές που καθορίζονται εντός του οργανισμού, η τιμολόγηση προσαρμόζεται σε πραγματικό χρόνο σύμφωνα με την πραγματική ζήτηση των πελατών.

Εξατομικευμένη τιμολόγηση

Χρησιμοποιώντας όλα τα παραπάνω, η τεχνητή νοημοσύνη μπορεί να εξατομικεύσει τις τιμές για διαφορετικά τμήματα πελατών – ακόμη και μεμονωμένους καταναλωτές – με βάση τη συμπεριφορά, τις προτιμήσεις και το ιστορικό αγορών τους. 

Για παράδειγμα, οι έμποροι λιανικής μπορούν να συνυπολογίσουν την εποχικότητα, τις νέες τάσεις του κλάδου, τις αλλαγές στις τιμές των ανταγωνιστών και την τρέχουσα προσφορά και ζήτηση για να καθορίσουν τις βέλτιστες τιμές. Η χρήση της ευφυΐας της αγοράς για την ευελιξία και την αυτοματοποίηση της τιμολόγησης μπορεί να αυξήσει τις πωλήσεις και τα έσοδα, καθιστώντας μια δυναμική στρατηγική τιμολόγησης μια αξιόλογη επένδυση. 

Εφαρμογή μιας δυναμικής στρατηγικής τιμολόγησης σε 4 βήματα

Υπάρχουν πολλά εργαλεία και πρόσθετα διαθέσιμα για την εφαρμογή δυναμικής τιμολόγησης AI, από την προσθήκη «WooCommerce Dynamic Pricing & Discounts with AI» έως λογισμικό ηλεκτρονικού εμπορίου όπως το Prisync, το Tgndata και το Competera. Όποια δυναμική λύση τιμολόγησης κι αν επιλεχθεί, πρέπει να δώσει κανείς βάση σε τέσσερα βήματα:

1. Καθορισμός σαφών επιχειρηματικών στόχων

Το πρώτο βήμα για την εφαρμογή μιας δυναμικής στρατηγικής τιμολόγησης είναι ο καθορισμός σαφών επιχειρηματικών στόχων. Πρέπει να είναι τόσο εμπορικά βιώσιμα όσο και ευθυγραμμισμένα με τις προσδοκίες της αγοράς και των πελατών. 

Για παράδειγμα, ο βασικός στόχος μιας startup υψηλής ανάπτυξης μπορεί να είναι η μεγιστοποίηση των εσόδων τους επόμενους 12 μήνες, με το περιθώριο κέρδους να αποτελεί δευτερεύοντα στόχο. Αντίθετα, ένας εδραιωμένος λιανοπωλητής μπορεί να θέλει να επικεντρωθεί στην αύξηση του περιθωρίου κέρδους. Ο στόχος, πρέπει να οριστεί από νωρίς, ώστε μια δυναμική στρατηγική τιμολόγησης να μπορεί να βοηθήσει στην επίτευξη αυτών των επιχειρηματικών σχεδίων. 

Είναι επίσης σημαντικό να οριστούν συνολικοί περιορισμοί, όπως τα ελάχιστα όρια περιθωρίου κέρδους ή το ελάχιστο ποσό εσόδων που πρέπει να δημιουργηθούν. Και πάλι, αυτό συμβαίνει έτσι ώστε όταν οι τιμές των προϊόντων μεταβάλλονται δυναμικά, να είναι σε θέση να επιτύχουν τους κύριους επιχειρηματικούς στόχους με το να εμπίπτουν σε ένα αποδεκτό όριο. 

2. Προσδιορισμός των παραγόντων ενεργοποίησης τιμολόγησης

Το επόμενο βήμα για την εφαρμογή μιας δυναμικής στρατηγικής τιμολόγησης είναι ο εντοπισμός των παραγόντων τιμολόγησης, που είναι η κατανόηση του γιατί οι καταναλωτές αγοράζουν προϊόντα σε συγκεκριμένες τιμές και ποια είναι τα κύρια σημεία τιμών. 

Ας υποτεθεί ότι ένας διαδικτυακός λιανοπωλητής που πουλά κλασικά βιβλία θέλει να μεγιστοποιήσει τις πωλήσεις και τα έσοδα, αλλά αντιμετωπίζει τον ανταγωνισμό από άλλους καθιερωμένους λιανοπωλητές και όπως η Amazon. Τα USP τους περιλαμβάνουν εναλλακτικά εξώφυλλα βιβλίων και ένα ελκυστικό πρόγραμμα αφοσίωσης, το οποίο τους βοηθά να ξεχωρίζουν, αλλά οι καταναλωτές εξακολουθούν να είναι ευαίσθητοι στις τιμές. 

Αυτό καθιστά σημαντικό για τον λιανοπωλητή να προσδιορίζει τις τιμές των βιβλίων ανταγωνιστών και να προσαρμόζει τις τιμές τους, ώστε να εμπίπτουν σε ένα ελάχιστο και μέγιστο για την αγορά. Ο έμπορος λιανικής μπορεί να θέλει να ταιριάξει με τις τιμές του ανταγωνιστή ή να τιμολογήσει τα βιβλία ελαφρώς κάτω από το μέσο όρο για να αποκτήσει πλεονέκτημα. 

3. Τμηματοποίηση προϊόντων και πελατών

Με τη δυναμική τιμολόγηση με τεχνητή νοημοσύνη που εκτελεί προηγμένη ανάλυση δεδομένων, είναι δυνατός ο εντοπισμός συγκεκριμένων τμημάτων προϊόντων ή πελατών και, στη συνέχεια, η προσαρμογή των τιμών για τα διάφορα τμήματα. Αυτή η τμηματοποίηση μπορεί να βασίζεται στην προσφορά και τη ζήτηση, τη δραστηριότητα του ανταγωνιστή, τις ιστορικές τάσεις, τα μοτίβα στη συμπεριφορά των χρηστών ή οποιοδήποτε άλλο σημείο δεδομένων έχει νόημα. Αυτό επιτρέπει στις επιχειρήσεις ηλεκτρονικού εμπορίου να δημιουργούν στρατηγικές τιμολόγησης που ανταποκρίνονται στις μοναδικές ανάγκες και τις αγοραστικές συνήθειες κάθε τμήματος.

Για παράδειγμα, ο πωλητής βιβλίων μπορεί να προσφέρει ειδικές εκπτώσεις σε υπάρχοντες πελάτες ή να εξατομικεύσει τις προτάσεις βιβλίων με βάση αυτά που έχουν αγοράσει προηγουμένως, κάτι που είναι ένας τρόπος για να ενισχύσει την ικανοποίηση και την αφοσίωση των πελατών. Επιπλέον, είναι δυνατό η βελτιστοποίηση τιμών της τεχνητής νοημοσύνης να συμβάλει στη μεγιστοποίηση των κερδών ταυτόχρονα, λαμβάνοντας υπόψη τους παράγοντες τιμολόγησης και τους στόχους της εταιρείας. 

Μια άλλη κοινή στρατηγική τμηματοποίησης είναι η προσφορά μειωμένων τιμών για την απόκτηση νέων πελατών, είτε για την πρώτη αγορά είτε για μια αρχική περίοδο συνδρομής. Οι τιμές θα αυξηθούν ξανά για επαναλαμβανόμενες αγορές ή για το υπόλοιπο της συνδρομής. Παρόλο που το περιθώριο κέρδους θυσιάστηκε στην αρχή, τα κέρδη αυξήθηκαν τελικά μέσω της πίστης και της αφοσίωσης των πελατών.

4. Μοντέλα βελτιστοποίησης τιμών AI

Το τελευταίο βήμα είναι η δημιουργία του καταλληλότερου μοντέλου βελτιστοποίησης τιμών. Οι αλγόριθμοι AI μπορούν να προβλέψουν με ακρίβεια το ποσό που ένας καταναλωτής είναι διατεθειμένος να πληρώσει για ένα δεδομένο προϊόν ή υπηρεσία, πράγμα που σημαίνει ότι μια επιχείρηση μπορεί να επιλέξει το καλύτερο μοντέλο τιμολόγησης για να πετύχει τους στόχους της. 

Τα κορυφαία εργαλεία για τη δυναμική τιμολόγηση της τεχνητής νοημοσύνης επιτρέπουν στις επιχειρήσεις ηλεκτρονικού εμπορίου να καθορίσουν τη στρατηγική τους, είτε βασίζεται σε ανταγωνιστές, στη ζήτηση της αγοράς, σε μοναδικούς κανόνες ή σε προωθητικές ενέργειες. Εκτός από τον καθορισμό βέλτιστων τιμών, μπορούν να εντοπίσουν και να διορθώσουν σφάλματα τιμολόγησης και να διευκολύνουν τον πειραματισμό. 

Ένας πολύ καλός τρόπος για περαιτέρω βελτιστοποίηση των τιμών για την ενίσχυση των εσόδων και των κερδών είναι η δοκιμή διαφορετικών τιμών A/B, για να βρεθεί η πιο επιτυχημένη στρατηγική. Για παράδειγμα, η απόφαση για ένα ενιαίο μοντέλο τιμολόγησης θα μπορούσε να οδηγήσει σε απώλεια πωλήσεων, ενώ ο πειραματισμός με διάφορα μοντέλα τιμολόγησης είναι ένας τρόπος για να είναι μια επιχείρηση πιο ανταγωνιστική και να ενισχύσει τη στρατηγική της.

Πλεονεκτήματα μιας δυναμικής στρατηγικής τιμολόγησης με τεχνητή νοημοσύνη

Τα κύρια οφέλη από την υιοθέτηση της δυναμικής τιμολόγησης AI στο ηλεκτρονικό εμπόριο είναι τα ακόλουθα:

Αύξηση εσόδων και κερδών 

Ένα από τα κύρια οφέλη είναι ο αντίκτυπος που μπορεί να έχει η προσαρμοσμένη τιμολόγηση στο ποσοστό μετατροπής, στα έσοδα και στα κέρδη. Αναφέρεται ότι η χρήση τεχνητής νοημοσύνης για δυναμικές στρατηγικές τιμολόγησης έχει τη δυνατότητα να αυξήσει την κερδοφορία έως και 22%, χάρη στην ικανότητα προσαρμογής στις συνθήκες της αγοράς, τη δραστηριότητα του ανταγωνιστή και τη ζήτηση. Αυτό από μόνο του είναι ένα σημαντικό πλεονέκτημα της χρήσης δυναμικής τιμολόγησης AI.

Απόκριση της αγοράς

Ένα άλλο βασικό πλεονέκτημα της χρήσης δυναμικής τιμολόγησης με τεχνητή νοημοσύνη είναι ο τρόπος με τον οποίο επιτρέπει στις επιχειρήσεις ηλεκτρονικού εμπορίου να ανταποκρίνονται και να προσαρμόζουν τις τιμές στις διακυμάνσεις της ζήτησης. Για παράδειγμα, εάν η ζήτηση είναι υψηλή και το απόθεμα χαμηλό, υπάρχει δυνατότητα αύξησης των τιμών για μεγιστοποίηση του κέρδους. Ομοίως, εάν η ζήτηση είναι χαμηλή ή ο ανταγωνισμός είναι υψηλός, οι τιμές μπορούν να μειωθούν ως απάντηση σε αυτό. 

Αναφέρεται στη Μελέτη Αναλύσεων Διαχείρισης Αποθέματος ότι μια ανταποκρινόμενη προσέγγιση στην τιμολόγηση μπορεί να μειώσει το πλεονάζον απόθεμα κατά 30%. Οι συνθήκες της αγοράς μπορούν επίσης να προβλεφθούν εκ των προτέρων χρησιμοποιώντας ανάλυση δεδομένων που βασίζεται σε τεχνητή νοημοσύνη, καθιστώντας την ανταπόκριση ένα από τα κύρια οφέλη της βελτιστοποίησης τιμών AI. 

Ενίσχυση της ικανοποίησης των πελατών

Παρόλο που η δυναμική τιμολόγηση της τεχνητής νοημοσύνης είναι εμπορικά επωφελής στο ηλεκτρονικό εμπόριο, ικανή να αυξήσει την κερδοφορία και να διαχειριστεί καλύτερα το απόθεμα, ωφελεί επίσης τον πελάτη. Εξατομικεύοντας τις τιμές στους online αγοραστές με βάση τη συμπεριφορά και τις προτιμήσεις τους, οι τιμές μπορούν να ευθυγραμμιστούν με τις ανάγκες και τις επιθυμίες τους, γεγονός που οδηγεί σε υψηλότερη ικανοποίηση των πελατών.

Προκλήσεις και ζητήματα δυναμικής τιμολόγησης AI

Ενώ η δυναμική τιμολόγηση της τεχνητής νοημοσύνης προσφέρει πολλά πλεονεκτήματα, οι επιχειρήσεις ηλεκτρονικού εμπορίου πρέπει επίσης να πλοηγηθούν σε κοινές προκλήσεις και σκέψεις κατά την υιοθέτηση αυτής της στρατηγικής.

Προστασία δεδομένων

Η προστασία δεδομένων αποτελεί σημαντικό παράγοντα στο σημερινό επιχειρηματικό περιβάλλον, ειδικά με τον αυξημένο έλεγχο του απορρήτου των χρηστών και του χειρισμού δεδομένων. Οι επιχειρήσεις ηλεκτρονικού εμπορίου αντιμετωπίζουν προκλήσεις στη συλλογή και την εξατομίκευση δεδομένων, καθώς πρέπει να διασφαλίσουν ότι τα δεδομένα πελατών συλλέγονται και διαχειρίζονται με τρόπο ασφαλή ως προς το απόρρητο. Οι έμποροι λιανικής πρέπει να εφαρμόζουν αυστηρά μέτρα προστασίας δεδομένων για τη συμμόρφωση με τους κανονισμούς και τη διατήρηση της εμπιστοσύνης των πελατών.

Ακρίβεια δεδομένων

Η αποτελεσματικότητα της δυναμικής τιμολόγησης AI βασίζεται σε μεγάλο βαθμό στην ακρίβεια των δεδομένων. Τα ανακριβή ή ανεπαρκή δεδομένα μπορεί να οδηγήσουν σε προβλήματα με τις γνώσεις και τη λήψη αποφάσεων. Αυτό δίνει μεγάλη σημασία στα υψηλής ποιότητας και ακριβή δεδομένα, έτσι ώστε η τεχνητή νοημοσύνη να μπορεί να βελτιστοποιεί αποτελεσματικά τις στρατηγικές τιμολόγησης.

Η αντίληψη του πελάτη

Είναι σημαντικό να λαμβάνονται υπόψη οι πελάτες όταν υιοθετείται μια δυναμική στρατηγική τιμολόγησης, για να διασφαλιστεί ότι η τιμολόγηση είναι συνεπής και δίκαιη. Εάν οι πελάτες αντιληφθούν ότι οι τιμές είναι ασυνεπείς ή εισάγουν διακρίσεις, τότε μπορεί να βλάψει τις πωλήσεις και να υπονομεύσει τον σκοπό της δυναμικής τιμολόγησης. Η στρατηγική τιμολόγησης θα πρέπει να είναι διαφανής και δίκαιη για να αποφεχθεί αυτού του είδους δυσαρέσκεια των πελατών.

Αλλαγή αλγορίθμων

Οι αλγόριθμοι τεχνητής νοημοσύνης εξελίσσονται συνεχώς, γεγονός που μπορεί να δημιουργήσει προκλήσεις για τις επιχειρήσεις ηλεκτρονικού εμπορίου που βασίζονται σε μοντέλα τεχνητής νοημοσύνης για βελτιστοποίηση. Οι αλλαγές αλγορίθμων ενδέχεται να επηρεάσουν τον τρόπο λειτουργίας των μοντέλων τιμολόγησης, πράγμα που σημαίνει ότι η συνεχής παρακολούθηση και οι προσαρμογές αποτελούν σημαντικό μέρος της διαχείρισης ενός εργαλείου για τη βελτιστοποίηση τιμών AI.

Μηχανική εκμάθηση

Η τεχνητή νοημοσύνη έχει μπει σε μια ακόμη επιχειρηματική διαδικασία και με αυτό, το τοπίο του ηλεκτρονικού εμπορίου συνεχίζει να εξελίσσεται. Αυτή τη φορά, οι έμποροι λιανικής μπορούν να επωφεληθούν από τη χρήση μηχανικής εκμάθησης για τη βελτιστοποίηση της τιμολόγησης των προϊόντων. Επιλέγοντας ένα δυναμικό εργαλείο τιμολόγησης και ακολουθώντας τα βήματα που περιγράφονται σε αυτό το άρθρο, από τον καθορισμό ενός στόχου έως τους παράγοντες ενεργοποίησης τιμών και την τμηματοποίηση, μπορεί να ανταποκριθεί κανείς κατά τον καθορισμό των τιμών. 

Μέσω της ανάλυσης δεδομένων σε πραγματικό χρόνο, της παρακολούθησης και της τμηματοποίησης των ανταγωνιστών, η βελτιστοποίηση τιμών AI είναι ένας βασικός τρόπος για την ενίσχυση της ανταγωνιστικότητας, του κέρδους και της ικανοποίησης των πελατών. Αυτό καθιστά τη δυναμική τιμολόγηση της τεχνητής νοημοσύνης μια στρατηγική που πρέπει να υπάρχει στο ηλεκτρονικό εμπόριο. Μπορεί να έχει ακόμη μεγαλύτερο αντίκτυπο σε όσους ανήκουν σε ανταγωνιστικούς τομείς ή σε όσους διαχειρίζονται μεγάλο απόθεμα προϊόντων. 

Μπορεί κανείς να συμβουλευτεί κανείς τους έμπειρους προγραμματιστές του Fixit.gr για να δοθούν οι κατάλληλες κατευθύνσεις για την εισαγωγή της τεχνητής νοημοσύνης και της δυναμικής τιμολόγησης στην επιχείρηση και ποιο μοντέλο ταιριάζει καλύτερα για να επιτύχει τους στόχους της.