价格优化

零售优化的挑战和机遇

面对日益严峻的挑战，零售商必须努力保持市场地位，同时充分提高盈利能力。长期以来，定价一直是零售商用于推动销量、吸引新客户、保留现有客户和增加市场份额的关键杠杆之一。然而，在过去十年中，随着电商和全渠道购物的兴起，消费者获得了比以往任何时候都更便捷的购物体验，货比三家的消费特征让价格因素变得更加重要。

不准确、分散或过多的信息可能会阻碍零售商做出正确的定价决策。因此，尽管战略性定价是零售商赢得市场竞争的一个重要方法，但基于不足信息做出的定价决策会对收入、盈利能力和客户满意度产生巨大的负面影响。考虑到大多数零售商的利润微薄，通过合理设置价格来充分提高产品销量、盈利能力和市场份额至关重要。然而，面对数据挑战，许多零售商不得不在不了解需求或者不了解价格变化对销量和利润的影响的情况下做出定价决策，导致对各种产品做出大量不明智的定价决策。

通过整合各种数据集并规模化地应用高级分析和机器学习，零售商能够拓宽定价策略，在策略中包含有竞争力的定价、心理定价、促销定价、价格捆绑和动态定价；确定合适的定价策略（或策略组合）；以及优化定价。然后，零售商可以在适当的时间通过适当的渠道将适当的产品和服务推送给客户。

利用高级分析和机器学习简化零售计划

下面我们来看看 Oracle Data Platform 架构如何帮助零售商为某个产品制定合适的定价，在整个产品生命周期中优化定价以及了解“价格-销量-市场-时间”关系。

下图展示了面向零售业的 Oracle Data Platform 如何用于支持定价优化，从而帮助零售商保持市场地位，同时充分提高盈利能力。该平台包括以下五个支柱：

1. 1. 数据源和数据发现
2. 2. 摄取、转换
3. 3. 持久化存储、整理、创建
4. 4. 分析、学习、预测
5. 5. 评估、行动

“数据源、探索”支柱包括三类数据。

1. 1. 业务记录（第一方）数据包括销售事务以及客户、供应商、库存、POS 系统、收入和利润数据。
2. 2. 应用数据来自 ERP、SCM、CX、WMS、Fusion SaaS、NetSuite、Oracle E-Business Suite、PeopleSoft、JD Edwards、SAP、Salesforce 和 Workday 应用。
3. 3. 第三方数据包括竞争对手数据、Oracle Advertising 中的数据、经济数据和社交数据。

“摄取、转换”支柱包括三个功能。

1. 1. 批量摄取，基于 OCI Data Integration、Oracle Data Integrator 和数据库工具。
2. 2. 批量传输，基于 OCI FastConnect、OCI Data Transfer、MFT 和 OCI CLI。
3. 3. 变更数据捕获，基于 OCI GoldenGate。

所有三种功能均单向连接到“持久保存、整理、创建”支柱中的云端存储/数据湖中。

“持久化存储、整理、创建”支柱共涵盖 4 项功能。

1. 1. 服务数据存储使用 Oracle Autonomous Data Warehouse。
2. 2. 云端存储/数据湖使用 OCI Object Storage。
3. 3. 批处理，基于 OCI Data Flow。
4. 4. 数据治理，基于 OCI Data Catalog。

这些功能在支柱内互联。云端存储/数据湖不仅单向连接至服务数据存储，还双向连接至批处理。

一个功能连接至“分析、学习、预测”支柱：服务数据存储连接至分析和可视化功能以及机器学习功能。

“分析、学习和预测”支柱包括两个功能。

1. 1. 分析和可视化，基于 Oracle Analytics Cloud、GraphStudio 以及 ISV 工具。
2. 2. 机器学习使用 OCI Data Science、Oracle ML 和 Oracle ML Notebooks。

“评估、行动”支柱包括三个使用者：仪表盘和报告、应用以及机器学习模型。

仪表盘和报告包括销售、绩效、库存水平和竞争对手定价。

应用包括价格弹性模型和定价规则。

机器学习模型包括客户行为模式和特定于市场的定价。

“摄取、转换”、“持久保存、整理、创建”及“分析、学习、预测”这三大核心支柱由基础设施、网络、安全和 IAM 提供支持。

我们通过三种主要方法将数据注入架构，帮助零售商优化定价。

• 首先，我们需要了解整体库存状况，确保产品不会出现库存积压或不足。然后，我们可以根据这些数据决定是否调整定价、移动库存或避免缺货。为此，我们使用 OCI GoldenGate 来启用更改数据捕获，从运营数据库中摄取所有产品或部分产品线近乎实时的仓库库存数据。
• 我们现在可以添加与客户相关的数据集（如客户偏好、行为和购买模式）、成本（如生产成本和销售成本）以及零售需求（如销售点信息）。要预测客户行为变化，零售商还需要了解市场情况（如供需）、经济趋势和消费者情绪。此外，零售商还需要监视竞争对手的价格和促销，确保自身保持竞争力。这些数据集通常包含大量本地数据，在大多数情况下，批量摄取通常是较有效的。对于销售点数据，我们将使用 Oracle Data Integrator，以四小时为周期摄取数据。
• 批量摄取可用于初始数据加载或从本地部署数据存储迁移数据。

数据持久性和数据处理有赖于三个组件，

• 已摄取的原始数据存储在云端存储中。我们将使用 OCI Data Flow 对当前持久保存的数据（包括库存水平、地理映射数据和产品参考数据）进行批处理。这些处理过的数据集被返回到云端存储，以进行后续持久化、管理和分析，并最终以优化的形式加载到服务数据存储中，
• 现在，我们创建了一个经过处理的数据集，这个数据集以经过优化的关系格式持久保存，可提高 Oracle Autonomous Data Warehouse 提供的服务数据存储的整理效率和查询性能。这使我们能够按价格、需求曲线、库存水平和地理位置识别和退回产品。

分析、学习和预测能力建立在两种技术方法之上。

• 分析和可视化服务提供下列功能：
  • 描述性分析（使用直方图和图表描述当前趋势）可支持开发基于规则的定价算法，使用预定义规则根据特定标准（如销售绩效、库存水平或竞争对手定价）调整定价。举例来说，零售商可以设置一条规则，如果产品库存超过 30 天，则将其价格降低 10%。
  • 预测性分析（预测未来事件、识别趋势以及确定不确定结果的概率）使用历史销售数据来确定价格和需求之间的关联。零售商可以使用该分析来预测价格变动对需求的影响并相应调整价格。此外，预测性分析还可以提供价格弹性模型，使用统计模型来评估敏感需求如何影响价格变动。零售商可以使用该分析来确定最佳价格点，以充分提高销量和盈利能力。
  • 规范性分析（提供合适的行动建议，为合理决策提供支持）可用于动态定价。此算法使用库存水平、竞争对手定价和客户行为等实时数据，以实时调整价格。零售商可以使用该分析快速响应市场变化，优化定价，从而充分提高盈利能力。
• 除了使用高级分析之外，我们还开发、训练并部署了机器学习模型。这些模型使用人工智能来分析大量数据，从中识别模式和趋势，用于优化定价。零售商可以使用机器学习算法来预测客户行为，识别定价机会，并优化多个产品和市场的价格。
• 您可以对经过整理、测试的高质量数据和模型应用治理规则和策略，并将其作为数据网格架构中的“数据产品” (API) 公开，以便在整个零售企业中分发。

通过零售数据平台提高盈利能力

合理的定价策略可以提高收入、盈利能力、市场份额和客户满意度，但要做到这一点，零售商需要能够实时访问库存水平、订单、需求、当前定价和促销以及 360 度客户视图。通过使用整合多个来源的数据并支持高级分析的数据平台，零售商可以轻松地为每个产品量身定制定价策略，同时在所有销售渠道中将价格与公司和类别目标保持一致。这种灵活性让零售商可以根据目标利润、竞争性价格调整或不同市场之间的首选定价关系提出正常价格建议，并充分发挥促销和降价策略的作用 — 同时在每个接触点为每位消费者提供一致的定价体验，从而打造卓越的全渠道客户旅程。