Ottimizzazione dei prezzi

Sfide e opportunità per l'ottimizzazione del retail

I retailer devono affrontare sfide crescenti mentre lavorano per mantenere la propria posizione di mercato, massimizzando al contempo la redditività. I prezzi sono da tempo uno dei principali vantaggi che i retailer hanno a disposizione per incrementare le vendite, attirare nuovi clienti, fidelizzare i clienti esistenti e aumentare la quota di mercato. Tuttavia, nell'ultimo decennio, hanno acquisito ancora più importanza in quanto l'aumento dell'e-commerce e dello shopping omnicanale ha reso più semplice che mai per i consumatori acquistare e confrontare i prezzi tra più rivenditori prima di acquistare.

Informazioni imprecise, frammentate o, talvolta, eccessive possono rendere difficile per i retailer prendere le giuste decisioni sui prezzi. Inoltre, sebbene i prezzi strategici possano essere un modo chiave per differenziarsi dai concorrenti, le decisioni informate sui prezzi possono avere un impatto negativo su ricavi, redditività e soddisfazione dei clienti. Considerando i sottili margini con cui la maggior parte dei retailer lavora, è fondamentale determinare il prezzo migliore per massimizzare le vendite, la redditività e la quota di mercato di un prodotto. Tuttavia, a causa di sfide sui dati, molti rivenditori devono prendere decisioni sui prezzi senza capire la domanda o l'impatto che le variazioni di prezzo avranno sulle vendite e sul margine e devono prendere decine di migliaia di queste decisioni informate sui prezzi durante l'assortimento dei prodotti.

La capacità di riunire set di dati diversi e di applicare analisi avanzate e machine learning su larga scala consente ai rivenditori di ampliare le proprie strategie di determinazione dei prezzi per includere prezzi competitivi, prezzi psicologici, prezzi promozionali, pacchetti di prezzi e prezzi sempre più dinamici, identificare la strategia di determinazione dei prezzi corretta (o la combinazione di strategie) e ottimizzare i prezzi. Possono quindi promuovere i prodotti e i servizi giusti al prezzo giusto al cliente giusto attraverso il canale appropriato nel momento più opportuno.

Semplifica la pianificazione del retail con analisi avanzata e machine learning

Analizziamo come Oracle Data Platform sia stata creata per aiutare i retailer a identificare i prezzi corretti per i singoli prodotti, ottimizzare i prezzi per tutto il ciclo di vita del prodotto e comprendere la relazione prezzo-volume-mercato-tempi.

Questa immagine mostra come utilizzare Oracle Data Platform per il retail per supportare l'ottimizzazione dei prezzi e aiutare i retailer a mantenere la posizione di mercato massimizzando al contempo la redditività. La piattaforma include i seguenti cinque pilastri:

1. 1. Data Sources, Discovery
2. 2. Ingestione, trasformazione
3. 3. Persist, Curate, Create
4. 4. Analyze, Learn, Predict
5. 5. Measure, Act

Il pillar Data Sources, Discovery include due categorie di dati.

1. 1. I record aziendali (proprietari) comprendono le transazioni di vendita e i dati relativi a clienti, fornitori, magazzino, sistema POS, ricavi e margini.
2. 2. I dati delle applicazioni provengono dalle applicazioni ERP, SCM, CX, WMS, Fusion SaaS, NetSuite, Oracle E-Business Suite, PeopleSoft, JD Edwards, SAP, Salesforce e Workday.
3. 3. I dati di terze parti includono dati dei concorrenti, dati provenienti da Oracle Advertising, dati economici e dati social.

Il pillar Ingest, Transform comprende tre funzionalità.

1. 1. Batch ingestion utilizza OCI Data Integration, Oracle Integration Cloud e strumenti DB.
2. 1. Il trasferimento in blocco usa OCI FastConnect, OCI Data Transfer, MFT e OCI CLI.
3. 3. L'acquisizione dei dati di modifica utilizza OCI GoldenGate.

Tutte e tre le funzionalità si connettono in modo unidirezionale all'interno del data lake/dello storage cloud nel pillar Persist, Curate, Create.

Il pillar Persist, Curate, Createa comprende quattro funzionalità.

1. 1. Il data store preposto utilizza Oracle Autonomous Data Warehouse.
2. 3. Lo storage cloud/ il data lake utilizza OCI Object Storage.
3. 4. L'elaborazione batch utilizza OCI Data Flow.
4. 5. Governance utilizza OCI Data Catalog.

Queste funzionalità sono connesse all'interno del pillar. Lo storage cloud/data lake è connesso in modo unidirezionale al data store di servizio e, inoltre, è connesso in modo bidirezionale all'elaborazione in batch.

Una funzionalità si connette al pillar Analyze, Learn, Predict: il data store di servizio si connette sia alla funzionalità di analisi e visualizzazione che alla funzionalità di apprendimento automatico.

Il pillar Analyze, Learn, Predict comprende due funzionalità.

1. 1. Analitycs e visualizzazione utilizzano Oracle Analytics Cloud, GraphStudio e ISV.
2. 2. Il machine learning utilizza OCI Data Science, Oracle ML e i notebook Oracle ML.

Il pillar Measure, Act comprende tre componenti: dashboard e report, applicazioni e modelli di apprendimento automatico.

Il dashboard e i report comprendono vendite, prestazioni, livelli di magazzino e determinazione prezzi concorrenza.

Le applicazioni includono modelli di elasticità dei prezzi e regole di determinazione prezzi.

I modelli di apprendimento automatico comprendono modelli di comportamento dei clienti e prezzi specifici del mercato.

I tre pillar centrali: Ingest, Transform; Persist, Curate, Create; and Analyze, Learn, Predict sono supportati dall'infrastruttura, dalla rete, dalla sicurezza e da IAM.

Ci sono tre modi principali per inserire i dati in un'architettura, affinché le organizzazioni retail possano ottimizzare i prezzi.

• Per iniziare il nostro processo, abbiamo bisogno di capire la nostra posizione di magazzino complessiva per garantire che i prodotti non siano in eccesso o mancanti. Possiamo utilizzare questi dati per decidere se adeguare i prezzi per spostare il magazzino o evitare un esaurimento scorte. A tale scopo, utilizziamo OCI GoldenGate per abilitare l'acquisizione dei dati modificati di magazzino pressoché in tempo reale da database operativi relativi a tutte o a un sottoinsieme delle linee di prodotti.
• Ora possiamo aggiungere set di dati pertinenti per i clienti (ad esempio preferenze, comportamenti e modelli di acquisto), costi (ad esempio costo di produzione e costo di vendita) e domanda retail (ad esempio informazioni sui punti vendita). Per prevedere i cambiamenti nel comportamento dei clienti, i retailer devono anche comprendere le condizioni del mercato (come domanda e offerta), le tendenze economiche e le opinioni dei consumatori. I retailer devono anche monitorare i prezzi e le promozioni dei loro concorrenti per assicurarsi di rimanere competitivi. Questi set di dati spesso includono grandi volumi di dati on premise e, nella maggior parte dei casi, l'batch ingestion è in genere la più efficiente. Per i dati dei nostri punti vendita, utilizzeremo Oracle Data Integrator per includere i dati in un ciclo di quattro ore.
• Bulk ingestion può essere utilizzata per il caricamento iniziale dei dati o per eseguire la migrazione dei dati dai data store on premise.

La persistenza e l'elaborazione dei dati si basano su tre componenti.

• I dati grezzi ingeriti vengono memorizzati nello storage cloud. Useremo OCI Data Flow per l'elaborazione in batch di questi dati ora persistenti, inclusi i livelli delle scorte, i dati di mappatura geografica e i dati di riferimento del prodotto. Una volta elaborati, questi set di dati vengono collocati nuovamente nello storage cloud per le funzioni di persistenza, conservazione e analisi successivd e e infine per il caricamento in formato ottimizzato nel data store.
• È così che vengono creati set di dati elaborati pronti per essere resi persistenti in formato relazionale al fine di ottimizzare le prestazioni in termini di conservazione e query nel data store fornito da Oracle Autonomous Data Warehouse. Ciò ci consentirà di identificare e restituire i prodotti in base al prezzo, al profilo della domanda, al livello di magazzino e all'ubicazione.

La capacità di analizzare, apprendere e prevedere si basa su due tecnologie.

• I servizi di analisi e visualizzazione offrono le seguenti funzionalità:
  • L'analisi descrittiva (descrive gli andamenti correnti con istogrammi e grafici) supporta lo sviluppo di algoritmi di determinazione prezzi basati su regole predefinite per adeguare i prezzi in base a criteri specifici, come prestazioni di vendita, livelli di magazzino o prezzi dei concorrenti. Ad esempio, un retailer può impostare una regola per ridurre il prezzo di un prodotto del 10% se è in giacenza da più di 30 giorni.
  • L'analisi predittiva (prevede eventi futuri, identifica le tendenze e determina la probabilità di risultati incerti) utilizza dati cronologici sulle vendite per identificare le correlazioni tra prezzo e domanda. I retailer possono utilizzare questa analisi per prevedere in che modo le variazioni dei prezzi influiranno sulla domanda e adeguare di conseguenza i prezzi. Inoltre, l'analisi predittiva può fornire modelli di elasticità dei prezzi, che utilizzano modelli statistici per misurare la sensibilità della domanda ai cambiamenti di prezzo. I retailer possono utilizzare questa analisi per identificare i prezzi ottimali per massimizzare le vendite e la redditività.
  • L'analisi prescrittiva (propone azioni appropriate per supportare un processo decisionale ottimale) può essere utilizzata per la determinazione dinamica dei prezzi. Questo algoritmo utilizza dati in tempo reale, ad esempio livelli di magazzino, prezzi della concorrenza e comportamento del cliente, per adeguare i prezzi in tempo reale. I retailer possono utilizzarlo per rispondere rapidamente ai cambiamenti del mercato e ottimizzare i prezzi per ottenere la massima redditività.
• Oltre all'uso di analytics avanzati, vengono sviluppati, addestrati e distribuiti modelli di machine learning. Questi modelli utilizzano l'intelligenza artificiale per analizzare grandi quantità di dati e identificare pattern e tendenze che possono essere utilizzati per ottimizzare i prezzi. I retailer possono utilizzare algoritmi di apprendimento automatico per prevedere il comportamento dei clienti, identificare opportunità di prezzo e ottimizzare i prezzi su più prodotti e mercati.
• I dati e modelli di alta qualità esaminati e testati possono essere disciplinati da regole e policy di governance ed esposti come "prodotti di dati" (API) in un'architettura di data mesh per distribuirli all'interno dell'organizzazione retail.

Aumenta la redditività con una piattaforma di dati per il retail

Le giuste strategie di determinazione dei prezzi possono aumentare i ricavi, la redditività, la quota di mercato e la soddisfazione del cliente, ma per svilupparle, i retailer richiedono l'accesso in tempo reale a livelli di magazzino, ordini, domanda, prezzi e promozioni correnti e viste dei clienti a 360 gradi. Attraverso l'uso di una piattaforma di dati che integra i dati provenienti da più origini e supporta l'analisi avanzata, i retailer possono personalizzare con facilità le proprie strategie di determinazione dei prezzi dei prodotti allineando i prezzi agli obiettivi aziendali e di categoria in tutti i canali di vendita. Questa flessibilità consente ai retailer di proporre prezzi regolari in base ai margini target, all'allineamento competitivo dei prezzi o di determinazione dei prezzi tra diversi mercati e di massimizzare il valore delle strategie di promozione e ribasso, il tutto offrendo un percorso di acquisto omnicanale superiore, garantendo ai singoli consumatori la coerenza dei prezzi in ogni punto di contatto.