Otimização de preço

Desafios e oportunidades de otimização de varejo

Os varejistas enfrentam desafios crescentes à medida que trabalham para manter sua posição no mercado e maximizar a lucratividade. Os preços têm sido uma das principais alavancas disponíveis para os varejistas impulsionarem as vendas, atrair novos clientes, reter os clientes que eles já têm e aumentar a participação no mercado. No entanto, na última década, o preço se tornou um fator ainda mais importante, uma vez que o aumento do comércio eletrônico e das compras omnicanal tornou mais fácil do que nunca para os consumidores comprarem e compararem preços em vários varejistas antes de realizarem a compra.

Informações imprecisas, fragmentadas ou, às vezes, em excesso podem dificultar para os varejistas tomarem as decisões corretas sobre preços. E, embora os preços estratégicos possam ser uma forma fundamental de os varejistas se diferenciarem de seus concorrentes, decisões de preços não informadas podem ter um impacto negativo significativo na receita, lucratividade e satisfação do cliente. Dadas as margens estreitas com as quais a maioria dos varejistas trabalha, é fundamental determinar o melhor preço para maximizar as vendas, a lucratividade e a participação no mercado de um produto. No entanto, devido aos desafios de dados, muitos varejistas devem tomar decisões de preços sem entender a demanda ou o impacto que as alterações de preços terão nas vendas e na margem e devem tomar dezenas de milhares dessas decisões de preços sem informações o suficiente em toda sua variedade.

A capacidade de reunir diversos conjuntos de dados e aplicar análises avançadas e machine learning em escala permite que os varejistas ampliem suas estratégias de preços para incluir preços competitivos, preços psicológicos, preços promocionais, pacotes de preços e preços cada vez mais dinâmicos, identificar a estratégia de preços correta (ou combinação de estratégias) e otimizar seus preços. Em seguida, eles podem enviar os produtos e serviços certos com o preço certo para o cliente certo por meio do canal apropriado no momento apropriado.

Simplifique o planejamento de varejo com análises avançadas e machine learning

Vejamos como a Oracle Data Platform foi criada para ajudar os varejistas a identificar o preço correto de produtos individuais, otimizar esse preço em todo o ciclo de vida do produto e entender o relacionamento entre preço, volume, mercado e tempo.

Esta imagem mostra como a Oracle Data Platform para varejo pode ser usada para apoiar a otimização de preços e ajudar os varejistas a manter a posição do mercado e maximizar a lucratividade. A plataforma inclui os seguintes cinco pilares:

1. 1. Fontes de dados, Descoberta
2. 2. Ingestão, Transformação
3. 3. Persistência, Curadoria, Criação
4. 4. Análise, Aprendizado, Predição
5. 5. Medição, Ação

O pilar Fontes de Dados, Descoberta inclui três categorias de dados.

1. 1. Os dados de registro de negócios (primários) compreendem transações de vendas e dados de cliente, fornecedor, estoque, sistema de PDV, receita e margem.
2. 2. Os dados das aplicações vêm de aplicações ERP, SCM, CX e WMS, Fusion SaaS, NetSuite, Oracle E-Business Suite, PeopleSoft, JD Edwards, SAP, Salesforce e Workday.
3. 3. Os dados de terceiros incluem dados do concorrente, dados do Oracle Advertising, dados econômicos e dados sociais.

O pilar Ingestão, Transformação abrange três recursos.

1. 1. A ingestão em lote usa OCI Data Integration, Oracle Data Integrator e ferramentas de banco de dados.
2. 2. A transferência em massa usa OCI FastConnect, OCI Data Transfer, MFT e OCI CLI.
3. 3. A captura de dados de alteração usa o OCI GoldenGate.

Os três recursos se conectam unidirecionalmente ao recurso de armazenamento em nuvem/date lake no pilar Persistência, Curadoria, Criação.

O pilar Persistência, Curadoria, Criação abrange quatro recursos.

1. 1. O armazenamento de dados de serviço usa o Oracle Autonomous Data Warehouse.
2. 2. O armazenamento em nuvem/data lake usa OCI Object Storage.
3. 3. O processamento em lote usa OCI Data Flow.
4. 4. A governança usa OCI Data Catalog.

Esses recursos estão conectados no pilar. O armazenamento em nuvem/data lake é conectado unidirecionalmente ao armazenamento de dados de serviço; ele também é conectado bidirecionalmente ao processamento em lote.

Um recurso se conecta ao pilar Análise, Aprendizado, Predição: O armazenamento de dados de serviço se conecta tanto ao recurso de análise e visualização quanto ao recurso de machine learning.

O pilar Análise, Aprendizado, Predição abrange dois recursos.

1. 1. Análise e visualização usam Oracle Analytics Cloud, GraphStudio e ISVs.
2. 2 O machine learning usa OCI Data Science, Oracle ML e Oracle ML Notebooks.

O pilar Medição, Ação abrange três consumidores: painéis e relatórios, aplicações e modelos de machine learning.

Painel e Relatórios abrange Vendas, Desempenho, Níveis de Estoque e Preços do Concorrente.

Aplicações abrange Modelos de Elasticidade de Preço e Regras de Preços.

Modelos de Machine Learning inclui Padrões de Comportamento do Cliente e Preços Específicos do Mercado.

Os três pilares centrais—Ingestão, Transformação; Persistência, Curadoria, Criação; e Análise, Aprendizado, Previsão — têm suporte de infraestrutura, rede, segurança e IAM.

Existem três maneiras principais de injetar dados em uma arquitetura para permitir que os varejistas otimizem os preços.

• Para começar nosso processo, precisamos entender nossa posição geral de estoque para garantir que os produtos não sejam estocados em excesso ou que falte estoque. Depois, podemos usar esses dados para decidir se vamos ajustar os preços para mover o estoque ou evitar uma falta de estoque. Para fazer isso, usamos o OCI GoldenGate para permitir a ingestão de captura de alteração de dados de estoque de armazém quase em tempo real de bancos de dados operacionais para todas ou um subconjunto de linhas de produtos.
• Agora, podemos adicionar conjuntos de dados relevantes para os clientes (como preferências, comportamentos e padrões de compra), custos (como custo de produção e custo de vendas) e demanda de varejo (como informações de ponto de venda). Para antecipar mudanças no comportamento do cliente, os varejistas também precisam entender as condições do mercado (como suprimento e demanda), as tendências econômicas e o sentimento do consumidor. Os varejistas também precisam monitorar os preços e as promoções de seus concorrentes para garantir que eles permaneçam competitivos. Esses conjuntos de dados geralmente compreendem grandes volumes de dados geralmente locais e, na maioria dos casos, a ingestão em lote costuma ser mais eficiente. Para nossos dados de ponto de venda, usaremos o Oracle Data Integrator para ingerir os dados em um ciclo de quatro horas.
• A ingestão em massa pode ser usada para o carregamento inicial de dados ou para migrar dados de armazenamentos de dados on-premises.

A persistência e o processamento de dados são baseados em três componentes.

• Os dados brutos ingeridos são armazenados na nuvem. Usaremos o OCI Data Flow para o processamento em lote desses dados mantidos, incluindo níveis de estoque, dados de mapeamento geográfico e dados de referência do produto. Esses conjuntos de dados processados são devolvidos ao armazenamento em nuvem para persistência, curadoria e análise e, finalmente, para carregamento de forma otimizada no armazenamento de dados de serviço.
• Agora criamos conjuntos de dados processados que estão prontos para serem mantidos em forma relacional otimizada para curadoria e desempenho de consulta no armazenamento de dados de serviço fornecido pelo Oracle Autonomous Data Warehouse. Isso nos permitirá identificar e retornar os produtos por preço, perfil de demanda, nível de estoque e local.

A capacidade de analisar, aprender e prever é construída em duas tecnologias.

• Os serviços de análise e visualização oferecem os seguintes recursos:
  • A análise descritiva (descreve as tendências atuais com histogramas e gráficos) oferece suporte ao desenvolvimento de algoritmos de preços baseados em regras que utilizam regras predefinidas para ajustar preços com base em critérios específicos, como desempenho de vendas, níveis de estoque ou preços do concorrente. Por exemplo, um varejista pode definir uma regra para diminuir o preço de um produto em 10% se estiver em estoque por mais de 30 dias.
  • A análise preditiva (prevê eventos futuros, identifica tendências e determina a probabilidade de resultados incertos) usa dados históricos de vendas para identificar correlações entre preço e demanda. Os varejistas podem usar essa análise para prever como as alterações de preço afetarão a demanda e ajustar os preços de acordo. Além disso, a análise preditiva pode fornecer modelos de elasticidade de preço, que usam modelos estatísticos para avaliar a sensibilidade da demanda às mudanças de preço. Os varejistas podem usar essa análise para identificar os pontos de preço ideais para maximizar as vendas e a lucratividade.
  • A análise prescritiva (proporciona ações adequadas para dar suporte à tomada de decisão ideal) pode ser usada para preços dinâmicos. Esse algoritmo usa dados em tempo real, como níveis de estoque, preço do concorrente e comportamento do cliente, para ajustar preços em tempo real. Os varejistas podem usar isso para responder às mudanças do mercado rapidamente e otimizar os preços para obter lucratividade máxima.
• Juntamente com o uso de análises avançadas, modelos de machine learning são desenvolvidos, treinados e implementados. Esses modelos utilizam inteligência artificial para analisar grandes volumes de dados e identificar padrões e tendências que podem ser usados para otimizar preços. Os varejistas podem usar algoritmos de machine learning para prever o comportamento do cliente, identificar oportunidades de preço e otimizar preços em vários produtos e mercados.
• Nossos dados e modelos selecionados, testados e de alta qualidade podem ter regras e políticas de governança aplicadas e podem ser expostos como um “produto de dados” (API) em uma arquitetura de malha de dados para distribuição em toda a organização de varejo.

Aumente a lucratividade com uma plataforma de dados de varejo

As estratégias de preços certas podem aumentar a receita, a lucratividade, a participação de mercado e a satisfação do cliente, mas para desenvolvê-las, os varejistas precisam de acesso em tempo real aos níveis de estoque, pedidos, demanda, preços atuais e promoções e visualizações de clientes completas. Usando uma plataforma de dados que integra dados de várias origens e suporta análises avançadas, os varejistas podem adaptar facilmente suas estratégias de preços no nível do produto, alinhando os preços com as metas corporativas e de categoria em todos os canais de vendas. Essa flexibilidade permite que os varejistas proponham preços regulares com base em suas margens-alvo, alinhamento de preços competitivo ou seu relacionamento de preços preferido entre diferentes mercados e maximizem o valor de suas estratégias de promoção e redução de custos, tudo isso ao mesmo tempo em que oferece uma jornada de cliente omnicanal superior ao garantir que os consumidores individuais experimentem consistência dos preços em todos os pontos de contato.