Stabilire il giusto prezzo per un bene o un servizio è un problema che tocca ogni azienda.
Ci sono strategie da adottare che dipendono in gran parte dall’obiettivo da raggiungere.
Possiamo cercare di massimizzare la redditività su ciascuna unità venduta, sulla quota di mercato complessiva, su un nuovo mercato in cui entrare, o di proteggerne uno già esistente.
Inoltre, nella nostra strategia possiamo far coesistere vari scenari per beni o segmenti di clientela diversi.
In questo articolo ti voglio presentare il problema dell’ottimizzazione dei prezzi per la vendita al dettaglio, le sue particolarità, e come possiamo sfruttare l’enorme potenza dell’analisi dei dati e del Machine Learning per cercare soluzioni efficaci.
Ecco qui alcune domande cruciali a cui dobbiamo dare risposta:
- Che prezzo dobbiamo fissare se vogliamo concludere la vendita in meno di una settimana?
- Qual è il giusto prezzo vista la situazione del mercato, il periodo dell’anno, la concorrenza, o il fatto che si tratta di un prodotto raro?
Oggi è molto semplice confrontare i prezzi di mercato grazie a cataloghi online, strumenti di ricerca specializzati, o piattaforme collaborative.
Dobbiamo prestare molta attenzione a diversi parametri quando definiamo il prezzo del nostro prodotto.
La concorrenza, il posizionamento sul mercato e i costi di produzione e di distribuzione svolgono un ruolo chiave al fine di fare la mossa giusta.
L’Apprendimento Automatico ci è di grande aiuto in questo caso, e ha un enorme impatto sui KPI.
Algoritmi dedicati di Machine Learning apprendono schemi di dati invece di avere logiche di programmazione esplicite.
Questi modelli integrano continuamente nuove informazioni, e rilevano le tendenze emergenti o le nuove richieste degli stakeholders.
Ad esempio, invece di utilizzare ribassi generali aggressivi (che spesso portano a risultati negativi), possiamo beneficiare di modelli predittivi che ci consentono di determinare il prezzo migliore per ogni prodotto o servizio.
Ma come possiamo ottimizzare i prezzi?
In breve, l’ottimizzazione dei prezzi utilizza tecniche di analisi dei dati per perseguire due obiettivi principali:
- Capire come reagiranno i clienti alle diverse strategie di prezzo per prodotti e servizi, ovvero comprendere l’elasticità della domanda
- Trovare i prezzi migliori considerando i nostri obiettivi
I sistemi di determinazione dei prezzi si sono evoluti dall’inizio degli anni ’70 fino ad oggi: dall’applicazione di strategie molto semplici (come un ricarico standard al valore base), all’essere in grado di prevedere la domanda di prodotti o servizi, trovando il prezzo migliore per raggiungere il KPI impostato.
Le tecniche di ottimizzazione dei prezzi ci aiutano a valutare il potenziale impatto delle promozioni di vendita e a stimare il giusto valore per ciascun prodotto, se vogliamo venderlo in un determinato periodo di tempo.
Le attuali tecniche all’avanguardia per l’ottimizzazione dei prezzi ci consentono di considerare fattori quali:
- concorrenza
- tempo atmosferico
- stagione
- eventi speciali/festività
- variabili macroeconomiche
- costi operativi
- informazioni sul magazzino
e di determinare:
- prezzo iniziale
- miglior prezzo
- prezzo scontato
- prezzo promozionale
Differenze tra prezzo dinamico, prezzo ottimizzato e prezzo automatico
Spesso queste definizioni vengono considerate dei sinonimi, ma rappresentano in realtà approcci diversi.
Ad esempio, utilizzando una strategia di prezzi dinamica, possiamo modificare il valore dei nostri prodotti in modo che corrisponda a quello della concorrenza.
Ciò implica però una modifica dei prezzi molto frequente, che non sempre è la migliore scelta possibile.
Le tecniche di prezzo ottimizzato si concentrano sulla ricerca che massimizza una funzione di costo definita – il margine di guadagno – considerando molti fattori che suggeriscono tale valore o fascia per diversi scenari.
A seconda del caso d’uso particolare, possiamo anche eseguire queste due tecniche in modo combinato, sfruttando a pieno le loro caratteristiche.
Il prezzo automatico risolve invece due punti deboli: strategia non ottimale e costo eccessivo.
Viene principalmente utilizzato quando il prezzo è un punto dolente per l’azienda in termini di costi.
Fissando automaticamente il valore degli articoli non stiamo cambiando la strategia ma il processo in sé, rendendolo più economico e veloce.
D’altra parte, quando pensiamo a una soluzione di ottimizzazione dei prezzi modifichiamo la strategia in modo da massimizzare il nostro obiettivo, che sarà soggetto a diversi vincoli aziendali.
Cioè, implementando una soluzione di ottimizzazione dei prezzi, stiamo automatizzando il nostro processo di valutazione dei prodotti/servizi, ma non viceversa; non necessariamente, infatti, tutte le soluzioni automatiche ottimizzano la strategia.
Sia le soluzioni di automazione che di ottimizzazione possono essere intese come prezzi dinamici se la frequenza di variazione è elevata.
Prezzo automatico con e senza l’Apprendimento Automatico
L’automazione dei prezzi può essere sviluppata con o senza Machine Learning.
La differenza tra questi due approcci è che senza Machine Learning le regole di prezzo sono predefinite, mentre con il Machine Learning le regole vengono adattate in base alle informazioni ricevute dall’algoritmo.
Ad esempio, un sistema di automazione dei prezzi senza l’utilizzo di Machine Learning assumerebbe un insieme di regole predefinite, come:
- Contrassegna del 15% tutti i prodotti nella CATEGORIA ALIMENTI
- Se è in corso la CAMPAGNA MARKETING PROMOZIONE aggiungi uno sconto del 10%
- Se è sabato o domenica imposta il prezzo uguale alla concorrenza e abbassalo del 5%
- Regola tutti i prezzi per terminare con “.99”
Una soluzione di automazione dei prezzi con Machine Learning implica invece la formazione di un modello in grado di prezzare automaticamente gli articoli nel modo in cui ciò verrebbe fatto da un esperto umano su larga scala.
Il modello raccoglie dati storici e diverse caratteristiche del prodotto, nonché dati non strutturati come immagini e testo, e apprende le regole di prezzo senza codifica esplicita, adattandosi ai cambiamenti dell’ambiente in un modo molto più ricco e dinamico.
Ad esempio, possiamo determinare i prezzi degli articoli accettando il valore suggerito dal produttore, comunemente noto come MSRP.
Ciò è particolarmente vero nel caso dei prodotti tradizionali.
Un’altra strategia semplice è il prezzo al dettaglio, che consiste nel definire il valore di vendita come il doppio del prezzo all’ingrosso o del costo del prodotto.
Sebbene queste e altre strategie siano ampiamente utilizzate, il Machine Learning ci consente di svilupparne di più complesse, che possano funzionare meglio per raggiungere i nostri KPI.
Le tecniche di Machine Learning possono essere utilizzate in molti modi per ottimizzare i prezzi.
Ad esempio, una tecnica ampiamente adottata che migliora questa tecnologia è la determinazione dei prezzi dinamica.
Utilizzandola, possiamo modificare dinamicamente il valore dei nostri prodotti in base alla domanda attuale del mercato.
Tuttavia, la modifica dinamica dei prezzi senza alcuna funzione obiettivo in mente può portare a risultati non ottimali.
Ora immagina un e-commerce o un rivenditore fisico che vuole stimare i prezzi migliori per i nuovi prodotti per la prossima stagione.
La concorrenza è dura, e perciò le promozioni dei competitor vanno prese in considerazione.
Pertanto, il rivenditore adotta una strategia di prezzi competitivi.
In poche parole, questa strategia definisce il prezzo di un prodotto o un servizio in base a quello della concorrenza.
Qui di seguito i passaggi necessari per sviluppare una soluzione di Machine Learning per questo caso d’uso.
1. Raccogliere i dati di input
Prima di tutto, abbiamo bisogno di dati.
Per addestrare modelli di Machine Learning è necessario disporre di diversi tipi di informazioni (strutturate e/o non strutturate):
- Dati transazionali: lo storico delle vendite, che include l’elenco dei prodotti acquistati e i clienti che li hanno comprati
- Dati classificati: un catalogo delle informazioni di ciascun prodotto, come categoria, taglia, marca, stile, colore, foto e costo di fabbricazione, di acquisto, ecc.
- Dati di marketing: promozioni e campagne di marketing passate
- Dati di sentiment: recensioni e feedback forniti dai clienti sui prodotti
- Dati cluster: prezzi applicati a prodotti identici o simili, nostri o della concorrenza
- Dati fornitori: inventario e dati sulle forniture
- Dati geografici: per i negozi fisici, informazioni sulla loro ubicazione geografica e su quella dei concorrenti
A seconda dei KPI impostati e del modo di modellare la soluzione, alcuni di questi dati potrebbero non essere necessari.
Ad esempio, se ci sono poche informazioni sui clienti – come talvolta accade per i rivenditori fisici – il modello può comunque essere addestrato.
Al contrario, le informazioni sulla concorrenza sono fondamentali per una strategia di prezzo competitiva.
2. Definire obiettivi e vincoli
Il passo successivo è definire gli obiettivi strategici e i vincoli.
Possiamo perseguire un obiettivo unico e chiaro di massimizzazione del profitto.
Tuttavia, possiamo anche essere interessati alla fidelizzazione dei clienti (ad es. ad aumentare il punteggio netto del promotore o il tasso di conversione), o ad attrarre un nuovo segmento (ad es. le fasce di clienti con l’età minore).
Le restrizioni possono essere di natura legale (ad es. se viene effettuato un qualche tipo di controllo sui prezzi di vendita), avere a che fare con la reputazione dell’azienda (ad es. paura di una cattiva immagine per l’applicazione di prezzi favorevoli solo a un determinato segmento di clienti), o essere correlati ad aspetti fisici, come la capacità magazzino di un negozio o il tempo medio di fornitura.
Ogni scenario particolare avrà un impatto sul modo in cui il problema viene modellato.
È possibile – e di solito molto interessante – testare scenari diversi, il che implica l’utilizzo di vari modelli.
3. Modellazione e formazione
In questo passaggio, i dati precedentemente raccolti vengono utilizzati per addestrare i modelli di Machine Learning.
Esiste un’ampia gamma di modelli che possono essere utilizzati per l’ottimizzazione dei prezzi.
Storicamente sono stati utilizzati i modelli lineari generalizzati (GLM), e in particolare la regressione logistica.
Tuttavia negli ultimi anni sono stati sviluppati metodi più complessi e potenti.
Ad esempio, a seconda del volume di dati disponibili, potrebbe essere possibile utilizzare metodi di Deep Learning, o anche tecniche di apprendimento per rinforzo.
Se si tratta di nuovi prodotti per la stagione a venire c’è un’ulteriore difficoltà, in quanto non vi è uno “storico” disponibile per l’analisi.
La cosa interessante è che i modelli di Machine Learning sapranno come trovare prodotti simili ed essere efficaci, pur non avendo dati specifici a priori.
Lo stesso accade nel caso di prodotti rari o esotici.
4. Eseguire e regolare i prezzi
Una volta che il modello è stato addestrato, i prezzi possono essere stimati e testati per i nuovi prodotti.
A seconda della modellazione, la stima può essere un valore esatto o un intervallo.
I prezzi ottenuti dal modello possono essere successivamente adeguati manualmente dal rivenditore, e ottimizzati regolarmente.
L’apprendimento automatico può essere utilizzato per altre attività relative ai prezzi nella vendita al dettaglio.
Ad esempio, dato un nuovo prodotto, un algoritmo di clustering può associarlo rapidamente a prodotti simili per ottenere un probabile segmento di prezzo.
Un’altra possibilità interessante è prevedere congiuntamente prezzi e richieste per articoli che non sono mai stati venduti.
Più in generale, il Machine Learning può essere uno strumento straordinario per ottenere informazioni dettagliate:
- In che modo la vendita dei pantaloni viene influenzata dal taglio drastico dei prezzi delle camicie?
- Quando vengono fatti sforzi per vendere più penne, i prodotti correlati, come inchiostro, quaderni o agende di lavoro, ne risentono?
- I clienti che acquistano un determinato computer sono più o meno propensi ad acquistare monitor il mese successivo?
- I clienti inattivi nell’ultimo anno sono sensibili a una campagna promozionale?
Questi sono solo alcuni esempi delle domande a cui i modelli di Machine Learning possono rispondere.
Oltre all’automazione e alla velocità, l’utilizzo del Machine Learning offre numerosi vantaggi per ottimizzare i prezzi.
Innanzitutto, i modelli di Apprendimento Automatico possono considerare un numero enorme di prodotti e ottimizzare i prezzi a livello globale.
Il numero e la natura dei parametri e le loro molteplici fonti e canali consentono agli algoritmi di prendere decisioni utilizzando criteri precisi.
Questo è un compito arduo se cerchiamo di farlo manualmente, o anche solo utilizzando un software base.
Ad esempio, è noto che la modifica del prezzo di un prodotto spesso incide sulle vendite di altri prodotti in modi molto difficili da prevedere senza l’ausilio della tecnologia.
Nella maggior parte dei casi, l’accuratezza di una soluzione di Machine Learning sarà significativamente superiore a quella di un essere umano.
Inoltre, possiamo modificare il KPI e vedere immediatamente come i modelli ricalcolano i prezzi per i nuovi obiettivi.
In secondo luogo, analizzando una grande quantità di dati passati e attuali, un algoritmo può anticipare le tendenze abbastanza presto.
È una questione chiave, che ci consente di prendere le decisioni appropriate per adeguare i prezzi.
Infine, nel caso di una strategia di prezzo competitiva, le soluzioni di Machine Learning possono beneficiare di sistemi in grado di eseguire continuamente la scansione del web e dei social media per raccogliere informazioni preziose sui prezzi dei concorrenti per prodotti uguali o simili, per vedere cosa dicono i clienti su prodotti e concorrenti, e per scoprire le offerte di un concorrente su determinati prodotti, nonché la cronologia dei prezzi negli ultimi giorni o settimane.
Un sistema in grado di apprendere la maggior parte di ciò che sta accadendo sul mercato ci consente di avere più informazioni rispetto ai concorrenti per prendere decisioni migliori.
Sebbene possa sembrare più naturale applicare il Machine Learning nei casi di vendite online, possiamo trarre vantaggio da questa tecnologia anche per le vendite fisiche.
Le variazioni di prezzo vengono eseguite meno spesso nei rivenditori fisici, e quindi abbiamo più spazio per migliorare e adattarci alla domanda.
Modellazione del prezzo: alcuni esempi
Una delle prime storie di successo si è verificata all’inizio degli anni 2000, quando Hilton Hotels Corp e InterContinental Hotels Group hanno deciso di eliminare le tariffe fisse a favore di uno schema fluido, comprese le strategie di prezzo dinamiche.
In quegli anni i prezzi delle camere venivano modificati una o due volte al giorno.
L’attuale potenza di calcolo consente ai prezzi di variare praticamente in tempo reale.
Il settore alberghiero continua ad adottare strategie di prezzo dinamiche, basate interamente sul Machine Learning.
Attualmente, Airbnb propone uno strumento dinamico che consiglia i prezzi ai suoi host tenendo conto di parametri come la stagionalità, il giorno della settimana o eventi speciali, e anche fattori più sofisticati come le foto dell’immobile da affittare o i prezzi applicati nel quartiere.
Altre società come eBay e Uber hanno adottato approcci simili.
Amazon è un altro dei grandi attori quando si parla di strategie di prezzo dinamico.
Per dare un’idea, nel 2012 Amazon cambiava i prezzi molto più spesso dei suoi concorrenti, e nel 2013 registrava fino a 2,5 milioni di variazioni di prezzo al giorno.
La modifica dei prezzi in un modo così dinamico è informalmente nota come effetto Amazon.
Nel mondo della vendita al dettaglio gli esempi più popolari sono stati l’e-commerce, ma i rivenditori fisici non sono rimasti indietro.
Sebbene sia difficile conoscere con precisione tutte le aziende di vendita al dettaglio che utilizzano il Machine Learning per ottimizzare i loro prezzi e processi operativi, ci sono comunque alcune storie di successo conosciute.
Aziende come Ralph Lauren e Michael Kors utilizzano il Machine Learning per offrire meno ribassi e gestire meglio il proprio inventario, cercando di aumentare i margini di profitto, anche a rischio di perdere un po’ di entrate.
Un altro caso noto è quello di Zara, che utilizza il Machine Learning per ridurre al minimo le promozioni e adattarsi rapidamente alle mutevoli tendenze.
Ci sono poi molte altre storie di successo, come Morrisons, una delle più grandi catene di supermercati del Regno Unito, Bonprix, un’azienda di moda internazionale con sede in Germania, o Monoprice, un rivenditore americano di elettronica B2B e B2C.
Sebbene non siano disponibili informazioni sulla modellazione esatta dei problemi, è noto che queste aziende stanno sfruttando il potere del Machine Learning per aumentare i propri ricavi e migliorare le operazioni.
Conclusioni
Come abbiamo visto, al giorno d’oggi molte aziende modificano i prezzi in modo costante e in tempo reale grazie all’utilizzo di strategie basate sui dati.
Che si tratti di un mercato di e-commerce o di un negozio fisico, entrambi stanno abbracciando i vantaggi garantiti dal Machine Learning.
L’ottimizzazione ci aiuta a capire come reagiranno i clienti alle diverse strategie per prodotti e servizi e a stabilire i prezzi migliori.
La domanda non è più se applicare o meno la tariffazione dinamica, ma è come farlo per rimanere redditizi.
Se vuoi sviluppare soluzioni di pricing ottimizzate contattaci per programmare un incontro online o in presenza!
Ecco come si svolgerà:
- Analizzeremo il tuo problema
Per comprendere meglio cosa possiamo fare per te dobbiamo capire qual è il problema della tua organizzazione.
- Comprenderemo quanto ti manca
Per capire se hai tutte le informazioni necessarie per raggiungere l’obiettivo dobbiamo sapere quanto la tua azienda è digitalizzata e quante informazioni possiedi e, se non le hai, pianificare un processo di acquisizione.
- Studieremo le basi del progetto
Stabiliremo insieme le basi del progetto. Non devi preoccuparti di avere già tutto chiaro o pensare di avere già tutte le informazioni necessarie, saremo noi a porti le domande giuste per mettere a fuoco i passi successivi!
Prima si ha coscienza dei propri dati, prima si ottengono risultati mai visti!
Non aspettare ancora
