Optymalizacja cen

Wyzwania i możliwości związane z optymalizacją sprzedaży detalicznej

Sprzedawcom detalicznym coraz trudniej jest utrzymać pozycję rynkową i jednocześnie zmaksymalizować rentowność. Ceny od dawna stanowią jedną z kluczowych dźwigni, którą sprzedawcy detaliczni mogą wykorzystać do zwiększenia sprzedaży, przyciągnięcia nowych i utrzymania obecnych klientów oraz zwiększenia udziału w rynku. W ciągu ostatniej dekady zyskały jednak jeszcze większe znaczenie, ponieważ rozwój handlu elektronicznego i zakupów w wielu kanałach ułatwił konsumentom kupowanie i porównywanie cen w wielu sklepach przed złożeniem zamówienia.

Niedokładne, fragmentaryczne informacje lub czasami nadmierna ich ilość może utrudnić sprzedawcom detalicznym podejmowanie właściwych decyzji dotyczących cen. Choć strategiczne ustalanie cen może być kluczowym sposobem wyróżnienia się na tle konkurencji, decyzje cenowe niepoparte danymi mogą mieć znaczący negatywny wpływ na przychody, rentowność i zadowolenie klientów. Biorąc pod uwagę wąskie marże, z którymi ma do czynienia większość sprzedawców detalicznych, kluczowe znaczenie dla zmaksymalizowania sprzedaży, stopy zysku i udziału w rynku ma określenie najlepszej ceny. Jednak ze względu na wyzwania związane z danymi wielu sprzedawców detalicznych musi podejmować niepoparte danymi decyzje dotyczące cen dziesiątek tysięcy produktów w całym asortymencie, nie rozumiejąc popytu lub wpływu zmian cen na sprzedaż i marżę.

Możliwość łączenia różnych zbiorów danych oraz stosowania zaawansowanych analiz i uczenia maszynowego na dużą skalę pozwala sprzedawcom detalicznym poszerzyć strategie cenowe o ceny konkurencyjne, psychologiczne i promocyjne, pakiety cenowe i coraz częściej dynamiczne ceny, a także określać właściwą strategię cenową (lub kombinację kilku strategii) i optymalizować ceny. Następnie mogą przekazać właściwe produkty i usługi po właściwej cenie właściwemu klientowi za pośrednictwem odpowiedniego kanału w odpowiednim czasie.

Uproszczenie planowania sprzedaży detalicznej dzięki zaawansowanym analizom i uczeniu maszynowemu

Przyjrzyjmy się, w jaki sposób platforma danych Oracle pomaga sprzedawcom detalicznym określić właściwe ceny poszczególnych produktów, zoptymalizować ceny w całym cyklu życia produktu oraz zrozumieć relacje między ceną, wolumenem, rynkiem i czasem.

Na rysunku przedstawiono, jak za pomocą platformy Oracle skupiającej dane dla handlu detalicznego można optymalizować ceny i pomagać sprzedawcom detalicznym utrzymać pozycję rynkową i jednocześnie zmaksymalizować rentowność. Platforma obejmuje następujące pięć filarów:

1. 1. Źródła danych, odkrywanie
2. 2. Wchłanianie, przekształcanie
3. 3. Utrwalanie, selekcjonowanie, tworzenie
4. 4. Analizowanie, uczenie się, przewidywanie
5. 5. Pomiar, działanie

Filar „Źródła danych, odkrywanie” zawiera trzy kategorie danych.

1. 1. Dane z rejestrów biznesowych (z pierwszej ręki) obejmują transakcje sprzedaży oraz dane dotyczące klientów, dostawców, zapasów, systemów punktów sprzedaży, przychodów i marży.
2. 2. Dane z aplikacji pochodzą z ERP, SCM, CX, WMS, Fusion SaaS, NetSuite, Oracle E-Business Suite, PeopleSoft, JD Edwards, SAP, Salesforce i Workday.
3. 3. Dane zewnętrzne obejmują dane konkurentów, ekonomiczne oraz z Oracle Advertising i mediów społecznościowych.

Filar „Wchłanianie, przekształcanie” składa się z trzech funkcjonalności.

1. 1. We wchłanianiu wsadowym wykorzystywane są usługi OCI Data Integration, Oracle Data Integrator i narzędzia baz danych.
2. 2. W transferze masowym wykorzystuje się OCI FastConnect, OCI Data Transfer, MFT oraz OCI CLI.
3. 3. W rejestrowaniu zmian danych wykorzystuje się OCI GoldenGate.

Wszystkie trzy funkcjonalności w jednokierunkowy sposób łączą się z funkcjonalnością magazynu w chmurze / jeziorach danych w ramach filaru „Utrwalanie, selekcjonowanie, tworzenie”.

Filar „Utrwalanie, selekcjonowanie, tworzenie” składa się z czterech funkcjonalności.

1. 1. Obsługujący magazyn danych korzysta z usługi Oracle Autonomous Data Warehouse.
2. 2. Magazyn w chmurze / jezioro danych korzysta z usługi OCI Object Storage.
3. 3. Przetwarzanie wsadowe korzysta z OCI Data Flow.
4. 4. Usługa Governance korzysta z katalogu OCI Data Catalog.

Funkcjonalności te są połączone w ramach filaru. Magazyn w chmurze / jezioro danych są jednokierunkowo połączone z obsługującym magazynem danych, a także dwukierunkowo z przetwarzaniem wsadowym.

Jedna funkcjonalność jest połączona z filarem „Analizowanie, uczenie się i przewidywanie”: obsługujący magazyn danych łączy się zarówno z funkcjonalnościami analiz i wizualizacji, jak i uczenia maszynowego.

Filar „Analizowanie, uczenie się i przewidywanie” składa się z dwóch funkcjonalności.

1. 1. Analizy i wizualizacje wykorzystują rozwiązania Oracle Analytics Cloud, GraphStudio i niezależnych dostawców oprogramowania (ISV).
2. 2. W uczeniu maszynowym wykorzystywane są usługi OCI Data Science, Oracle ML i Oracle ML Notebooks.

Filar „Pomiar, działanie” obejmuje trzech odbiorców: kartoteka i raporty, aplikacje i modele oraz modele uczenia maszynowego.

Obszar „Kartoteki i raporty” obejmuje sprzedaż, wydajność, stan zapasów i kalkulację cen konkurentów.

Aplikacje zawierają modele elastyczności cen i reguły ustalania cen.

Modele uczenia maszynowego obejmują wzorce zachowań klientów oraz ceny obowiązujące na danym rynku.

Trzy główne filary — „Wchłanianie, przekształcanie”, „Utrwalanie, selekcjonowanie, tworzenie” oraz „Analizowanie, uczenie się i przewidywanie” — są obsługiwane przez infrastrukturę, sieć, zabezpieczenia i IAM.

Istnieją trzy główne sposoby wprowadzania danych do architektury umożliwiające sprzedawcom detalicznym optymalizowanie cen.

• Na początku naszego procesu musimy poznać ogólny stan zapasów do dyspozycji, aby upewnić się, że ilość produktów na stanie nie jest ani zbyt duża ani zbyt mała. Możemy użyć tych danych do podjęcia decyzji o dostosowaniu cen w celu zwiększenia rotacji zapasów lub niedopuszczenia do ich wyczerpania. W tym celu korzystamy z OCI GoldenGate, aby uruchomić wchłanianie pobranych zmian danych magazynowych w czasie zbliżonym do rzeczywistego z operacyjnych baz danych dla wszystkich lub wybranych linii produktów.
• Możemy teraz dodawać zbiory danych odpowiednie dla klientów (np. preferencje, zachowania i wzorce zakupowe), koszty (np. koszty produkcji i sprzedaży) oraz popyt detaliczny (np. informacje o punkcie sprzedaży). Aby przewidywać zmiany w zachowaniach klientów, sprzedawcy detaliczni muszą również poznać warunki rynkowe (takie jak podaż i popyt), trendy gospodarcze i nastroje konsumentów. Sprzedawcy detaliczni muszą również monitorować ceny i akcje promocyjne swoich konkurentów, aby zapewnić konkurencyjność swojej działalności. Zbiory te często obejmują duże ilości danych lokalnych, a w większości przypadków wchłanianie wsadowe jest zazwyczaj najbardziej efektywne. W przypadku danych o punkcie sprzedaży będziemy korzystać z usługi Oracle Data Integrator do pozyskiwania danych w cyklu co cztery godziny.
• Do początkowego ładowania danych lub migracji danych z lokalnych magazynów danych można użyć wchłaniania masowego.

Utrwalanie i przetwarzanie danych opiera się na trzech składnikach.

• Wchłaniane nieprzetworzone dane są przechowywane w magazynie w chmurze. Do przetwarzania wsadowego tych utrwalonych danych, takich jak stan zapasów, dane odwzorowywania geograficznego oraz dane referencyjne produktu, będziemy używać usługi OCI Data Flow. Te przetworzone zbiory danych są zwracane do magazynu w chmurze w celu ich utrwalenia, wyselekcjonowania i analizy oraz ostatecznie do przekazania w zoptymalizowanej formie do obsługującego magazynu danych.
• Utworzyliśmy przetworzone zbiory danych, które są gotowe do utrwalenia w zoptymalizowanej formie relacyjnej w celu przeprowadzenia selekcji i procedury zapytań w obsługującym magazynie danych zapewnianym przez Oracle Autonomous Data Warehouse. Umożliwi nam to identyfikację i zwrot produktów według ceny, profilu popytu, stanu zapasów i lokalizacji.

Funkcjonalność analizowania, uczenia się i przewidywania opiera się na dwóch technologiach.

• Usługi analiz i wizualizacji zapewniają następujące funkcjonalności:
  • Analizy opisowe (opisy bieżących trendów wraz z histogramami i wykresami) wspomagają tworzenie algorytmów kalkulacji cen opartych na regułach, które wykorzystują wstępnie zdefiniowane reguły do dostosowywania cen na podstawie określonych kryteriów, takich jak wyniki sprzedaży, stany zapasów czy ceny konkurentów. Na przykład sprzedawca detaliczny może wprowadzić regułę zmniejszającą cenę produktu, który pozostawał na stanie przez ponad 30 dni, o 10%.
  • Analiza predykcyjna (przewidywanie przyszłych zdarzeń, identyfikowanie trendów i określanie prawdopodobieństwa niepewnych rezultatów) wykorzystuje historyczne dane dotyczące sprzedaży do ustalenia korelacji między ceną a popytem. Sprzedawcy detaliczni mogą używać tej analizy do prognozowania wpływu zmian cen na popyt i odpowiedniego dostosowywania cen. Ponadto analizy predykcyjne mogą dostarczyć modele elastyczności cenowej, które wykorzystują modele statystyczne do pomiaru wrażliwości popytu na zmiany cen. Sprzedawcy detaliczni mogą wykorzystywać tę analizę do identyfikowania optymalnych punktów cenowych celem maksymalizacji sprzedaży i rentowności.
  • Analizy preskryptywne (proponowanie odpowiednich działań wspierających podejmowanie optymalnych decyzji) mogą być wykorzystywane do dynamicznego ustalania cen. Ten algorytm wykorzystuje dane w czasie rzeczywistym, takie jak stan zapasów, ceny konkurentów i zachowania klientów, w celu dostosowania cen w czasie rzeczywistym. Sprzedawcy detaliczni mogą go wykorzystywać do szybkiego reagowania na zmiany na rynku i optymalizowania cen pod kątem maksymalnej rentowności.
• Oprócz stosowania zaawansowanych narzędzi analitycznych, opracowywane, trenowane i wdrażane są modele uczenia maszynowego. Modele te wykorzystują sztuczną inteligencję do analizowania dużych ilości danych oraz identyfikowania wzorców i trendów, które mogą być używane do optymalizacji cen. Sprzedawcy detaliczni mogą używać algorytmów uczenia maszynowego do przewidywania zachowań klientów, identyfikowania możliwości cenowych oraz optymalizowania cen różnych produktów i na różnych rynkach.
• W naszych wyselekcjonowanych, przetestowanych i wysokiej jakości danych i modelach można zastosować zasady i polityki dotyczące zarządzania. Mogą one także być udostępniane jako „produkt danych” (API) w architekturze siatki danych do dystrybucji w obrębie organizacji opieki sprzedaży detalicznej.

Zwiększenie rentowności dzięki korzystaniu z platformy danych dla handlu detalicznego

Właściwe strategie ustalania cen mogą zwiększać przychody, stopę zysku, udział w rynku i zadowolenie klientów, lecz aby można było je rozwijać, sprzedawcy detaliczni potrzebują dostępu (w czasie rzeczywistym) do stanu zapasów, zamówień, popytu, bieżących cen i promocji oraz kompletu informacji na temat klientów. Dzięki platformie danych, która integruje dane z wielu źródeł i obsługuje zaawansowane analizy, sprzedawcy detaliczni mogą z łatwością dostosowywać strategie ustalania cen na poziomie produktu, dopasowując ceny do celów korporacyjnych i kategorii we wszystkich kanałach sprzedaży. Ta elastyczność pozwala sprzedawcom detalicznym proponować standardowe ceny na podstawie marż docelowych, dopasowania cen do konkurencji lub preferowanych relacji cenowych między różnymi rynkami, a także maksymalizować wartość strategii promocji i obniżek. A wszystko to przy jednoczesnym świadczeniu doskonałej wielokanałowej obsługi klienta dzięki zapewnieniu spójnych cen w każdym punkcie kontaktu z klientem.