Prising former etterspørsel og etterspørsel former prissetting.

Tradisjonelt var de to mye mer separate diskusjoner. I dag skaper kraften til AI en mulighet til å blande prisoptimaliseringsstrategi med etterspørselsprognoser for å skape en verdimultiplikator for distributører.

Episode 11 Introduksjon

Cliff Isaacson , EVP Product Strategy blir med i showet vårt i dag for å diskutere rollen til AI i prisstrategi. Han deler hvordan distributører bruker løsninger for prisoptimalisering som kombinerer prissetting med planlegging av forsyningskjede for å navigere i den uberkomplekse B2B-salgskanalen.

Faktisk, ifølge Gartner, hadde nesten 1 000 selskaper implementert løsninger for prisoptimalisering og -administrasjon (PO&M) ved slutten av 2018 – en økning på 30 % fra 2017. Videre anslår Gartner at så mange som 10 000 B2B-bedrifter globalt kan dra nytte av en PO&M utplassering.

når du kombinerer løsninger for prisoptimalisering med etterspørselsprognoser og ai, får du en kontinuerlig intelligens som bare blir bedre over tid.

Hvordan AI-aktivert prisoptimalisering fungerer

AI-aktiverte løsninger for prisoptimalisering gir smart analyse til både prissegmentering og kundesegmentering på tvers av et bredt utvalg av varer. Så distribusjonsbedrifter kan komme nærmere den faktiske etterspørselen FØR de foretar en risikabel prisjustering.

Disse systemene bruker AI og Machine Learning for å slå sammen big data med beregningskraft for å levere dyp tillit til etterspørselsprognosene dine. Du vet at det økonomiske resultatet vil være godt. Og det er en enorm konkurransedifferensiator.

I motsetning til B2C detaljhandelsbedrifter hvor etterspørselen er mye mer åpenbar, er vitenskapen annerledes i B2B. Du har volumspill, betalingsbetingelser, leverandørforhandlinger. Selv varemiksen er mye bredere og bør analyseres med en annen type intelligens.

En fullt integrert løsning for prisoptimalisering identifiserer raskt underprisede og overprisede varer, beregner makspris og identifiserer de mest prissensitive kundene dine. Så du kan svare med smidighet og påvirke bruttofortjenesten. Kontakt oss etter at du har lyttet til showet for å få ROI-eksempler eller bare dele prisutfordringene dine.

Episode 11 Vis notater

Todd: Tidligere snakket vi med Rod Daugherty om AI og maskinlæring i forsyningskjedeplanlegging. Nå skal vi utforske rollen AI spiller i prisstrategien din. Vi får selskap av Cliff Isaacson, direktør for prisløsninger. Cliff, velkommen!

Cliff: Takk for at du fikk meg, Todd. Ja, jeg vil starte med å si at Art of Pricing i en AI-drevet verden involverer mye vitenskap.

Det er flere punkter jeg vil gjøre i dag:

• Man må se på prissensitivitet, som er svært vanskelig å fastslå og til syvende og sist kundens betalingsvillighet.
• Det er enda vanskeligere for visse varer og bransjer, for eksempel distributører og produsenter som selger på B2B-kanaler.
• Skal du bli bedre til å bestemme priselastisitet, MÅ du ha Machine Learning.
• Beste praksis for prissegmentering varierer etter bransje, men alle kan dra nytte av maskinlæring.
• Og til slutt, prisstrategitilnærminger avhenger av kunder og industri, men får tidlige fordeler fra AI.

Todd: Jeg har hørt deg snakke mye om detaljhandel kontra industriell prisoptimalisering . Hvordan skiller vitenskapen seg i hver av disse applikasjonene?

Cliff: Science in B2C-prising: elastisitetsmålinger, prissegmentering, slutning, konkurransefølsomhet:

1. Robuste prisendringer, etterspørselsdata, rask respons
2. Høy prisfølsomhet
3. Direkte konkurrerende substitutter

Vitenskap innen distribusjon og produksjon:

1. Større sortiment, lavere etterspørsel ved longtail
2. Færre direkte konkurrerende substitutter
3. Etterspørsel tilslørt av B2B-salg: rabattlag, betalingsbetingelser, salgstilbud, volumrabatter
4. Etterspørsel mindre drevet av prisendringer; terminkjøp

Prissegmentering

1. B2C vitenskap
2. B2B-prissettingskunst: attributter, verdibasert prissetting
3. Ny vareprising , maskinlæring

Kundesegmentering:

1. B2C: Kundepersonas, sonering, kannibalisering og tilhørighet, prisfølsomhet etter kundesegment
2. B2B: prisvannfall, marginlekkasje, nivådeling, kundeprisfølsomhet etter produkt

Prisstrategi tilpasset forretningsmål:

1. B2C: segmentering, justering på tvers av grupper
2. B2B: kunderabatt og segmentering, hvilke varer som skal brukes Midlertidige prisreduksjoner/pulser
3. Begge: bruk vitenskap til å identifisere underprisede og overprisede produkter

Todd: La oss dykke ned i vitenskapen om å finne "den perfekte prisen." Finnes det en magisk formel?

Cliff: Hypotesen er at det er en "perfekt pris" for en gitt vare, sted eller kanal, tid på året, ukedag, tid på dagen, gitt kunde osv. Det er et spørsmål om denne perfekte prisen kan bestemmes med sikkerhet og tillit, og hvor ofte?

I likhet med etterspørselsprognoser og etterfylling : fjern sesongvariasjoner, ukedag, makroøkonomiske og mikroøkonomiske eksterne faktorer som hendelser, kampanjer for å komme til basisetterspørselen og forstå prispåvirkningen.

Cliff: Priselastisitet bestemmes av...

• Tradisjonelle metoder som bruker de-sesongbasert, baseline etterspørsel
• Avanserte teknikker for å bestemme prisfølsomhet gjennom Bayesianske slutninger, direkte vs. indirekte, forhandlet volumprising

Todd: Er noen beregnede perfekte priser mer eller mindre nøyaktige?

Cliff: [forklarer]

Todd: Ok, så la oss komme til "kjøttet" her. Grunnen til at vi er her... Hvordan kan maskinlæring hjelpe med prisfastsettelse?

Cliff: Noen applikasjoner for maskinlæring brukt i prisoptimalisering inkluderer...

Gamification – bruk ekspertisen til pristeamet for å fange hvor vitenskapelige anbefalinger blir overstyrt, lær av dem for å forbedre over tid

Todd: Fortell oss om prissegmentering. Hva er B2C- og B2B-applikasjonene?

Cliff: [forklarer B2C-tilnærming]...

Overlegg prisfølsomhet over tradisjonelle produktgrupperinger, delte attributter for å skille hvor mer konkurransemessig innflytelse bør brukes

Todd: Så hvordan bruker vi denne kunnskapen?

Cliff: [forklarer]

Todd: Så hvordan kan vi gjøre dette til en prisstrategi for detaljkunder?

Cliff: [forklarer]

Prisfølsomhet etter kunde, vilje til å betale for hvert produkt de kjøper

Listeprisfastsettelse først før du bestemmer rabatter for å komme til nettprisprogrammer; enda viktigere om programmet skal være på plass i lengre perioder

Todd: Ok, Cliff, hjelp oss å binde alt dette sammen. Hva trenger vi å vite akkurat nå for å utnytte maskinlæring i prisstrategien vår?

Cliff: [forklarer]

• Etter marked
• Etter kanal
• Etter kundesegment
• Etter prissegment
• Bruk lavrisiko, vitenskapsdrevne tilnærminger for å informere; forbedre hver
• Utnytt en naturlig tilbakemeldingssløyfe der flere prisendringer betyr mer tillit til økonomiske utfall

Todd: Hvilke nye maskinlæringsverktøy bør vi holde øye med?

Cliff: AutoML vil endre hvordan bedrifter bruker maskinlæring i prissetting gjennom REST APIer ... [forklar]

Nye verktøy, men også nye prosesser som gamification, som gjør det mulig å lære av organisasjonsekspertise for prissetting ( les mer her ).

Sammendrag

1. Priselastisitet er vanskelig å fastslå.
2. Det er enda vanskeligere for visse varer og bransjer. Produsenter må stole på kunst mer enn svarte boks-vitenskapelige tilnærminger.
3. Bedre priselastisitetsbestemmelse krever maskinlæring.
4. Beste praksis for prissegmentering varierer etter bransje, men alle kan dra nytte av maskinlæring.
5. Tilnærminger til prisstrategier avhenger av kunder og industri, men får tidlige fordeler av kunstig intelligens.

Todd: [takk og avslutning]

Hvor kan du lære mer om AI-baserte løsninger for planlegging og prisoptimalisering

Å slå sammen AI i prisstrategien og etterspørselsprognosene skaper en verdimultiplikator for virksomheten din. Hvis dette ikke er noe du har tenkt på, er det på tide nå. Du vil bli overrasket over den raske avkastningen som er mulig.