Optimizarea prețurilor

Provocări și oportunități pentru optimizare în retail

Retailerii se confruntă cu provocări tot mai mari în efortul lor de a-și menține poziția pe piață maximizând totodată rentabilitatea. Prețurile au fost mereu una dintre principalele pârghii utilizate de retaileri pentru a vinde mai mult, a atrage clienți noi, a-i reține pe cei existenți și a-și crește cota de piață. Totuși, în ultimul deceniu, importanța lor a crescut și mai mult, deoarece consumatorii pot cumpăra tot mai ușor, datorită dezvoltării comerțului electronic și având posibilitatea de a plasa comenzi pe orice canal – și de a compara prețurile practicate de mai mulți comercianți.

Informațiile inexacte, fragmentate sau, uneori, în exces pot împiedica uneori retailerii să ia decizii corecte atunci când stabilesc prețurile. Și, cu toate că prețurile strategice sunt una dintre principalele modalități prin care un retailer poate obține un avantaj competitiv, stabilirea lor pe baza unor decizii neinformate poate afecta semnificativ veniturile, profiturile și satisfacția clienților. Având în vedere marjele reduse cu care lucrează majoritatea retailerilor, stabilirea prețului optim al unui produs este esențială pentru maximizarea vânzărilor, rentabilității și cotei sale de piață. Totuși, din cauza provocărilor legate de date, mulți retaileri trebuie să ia decizii privind stabilirea prețurilor fără a cunoaște cererea sau impactul modificărilor de preț asupra vânzărilor și profiturilor, iar numărul acestor decizii insuficient informate, pentru întregul sortiment, este de ordinul zecilor de mii.

Posibilitatea de a reuni diferite seturi de date și de a aplica analiza avansată și machine learning pe scară largă le permite retailerilor să își extindă strategiile de stabilire a prețurilor, astfel încât să includă prețurile competitive, prețurile psihologice, prețurile promoționale, pachete de prețuri și prețuri tot mai dinamice; să identifice cea mai bună strategie (sau combinație de strategii) pentru stabilirea prețurilor și să își optimizeze prețurile. Apoi, aceștia își pot prezenta produsele și serviciile potrivite, la prețurile potrivite, clienților potriviți, prin canalul potrivit, la momentul potrivit.

Simplificați planificarea în retail prin analize avansate și machine learning

Să vedem cum este creată Oracle Data Platform și cum poate ajuta retailerii să identifice prețul corect pentru fiecare produs, să optimizeze prețul respectiv pe parcursul ciclului de viață al produsului și să înțeleagă relația dintre preț, cantitate și momentul intrării pe piață.

Această imagine prezintă modul în care pot utiliza retailerii Oracle Data Platform pentru a optimiza prețurile și a-și menține poziția pe piață, maximizând totodată rentabilitatea. Platforma conține următorii cinci piloni:

1. 1. Surse de date, descoperire
2. 2. Asimilare, transformare
3. 3. Persistență, organizare, creare
4. 4. Analiză, învățare, estimare
5. 5. Măsurare, acționare

Pilonul Surse de date, descoperire include trei categorii de date.

1. 1. Datele din evidențele companiei (din surse primare) includ tranzacțiile de vânzare și datele despre clienți, furnizori, stocuri, sistemul POS, venituri și profituri.
2. 2. Datele din aplicații provin din aplicațiile ERP, SCM, CX, WMS, Fusion SaaS, NetSuite, Oracle E-Business Suite, PeopleSoft, JD Edwards, SAP, Salesforce și Workday.
3. 3. Datele de la terți includ datele despre concurenți, datele Oracle Advertising, datele economice și datele sociale.

Pilonul Asimilare, transformare cuprinde trei capacități.

1. 1. Asimilarea în set utilizează OCI Data Integration, Oracle Data Integrator și instrumentele DB.
2. 2. Transferul în masă utilizează OCI FastConnect, OCI Data Transfer, MFT și OCI CLI.
3. 3. Captarea datelor de modificare utilizează OCI GoldenGate.

Toate cele trei capacități se conectează unidirecțional în spațiul de stocare/depozitul de date cloud din cadrul pilonului Persistență, organizare, creare.

Pilonul Persistență, organizare, creare cuprinde patru capacități.

1. 1. Banca de date de deservire utilizează Oracle Autonomous Data Warehouse.
2. 2. Stocarea/depozitarea datelor în cloud utilizează OCI Object Storage.
3. 3. Prelucrarea în set utilizează OCI Data Flow.
4. 4. Organizarea utilizează OCI Data Catalog.

Aceste capacități sunt conectate în cadrul pilonului. Spațiul de stocare/depozitare din cloud este conectat unidirecțional la banca de date pentru deservire și bidirecțional la prelucrarea în set.

În cadrul pilonului Analiză, învățare și estimare se conectează o singură capacitate: banca de date pentru deservire, care se conectează atât la capacitatea de analiză și vizualizare, cât și la cea de machine learning.

Pilonul Analiză, învățare și estimare cuprinde două capacități.

1. 1. Analize și vizualizări utilizează Oracle Analytics Cloud, GraphStudio și ISV-uri.
2. 2. Machine learning utilizează OCI Data Science, Oracle ML și Oracle ML Notebooks.

Pilonul Măsurare, acționare cuprinde trei consumatori: panoul de bord și rapoartele, aplicațiile și modelele de machine learning.

Panou de bord și rapoarte cuprinde secțiunile Vânzări, Performanță, Nivelurile stocurilor și Prețurile concurenților.

Aplicații cuprinde Modele de flexibilitate a prețurilor și Reguli de stabilire a prețurilor.

Modele de machine learning cuprinde Tipare de comportament al clienților și Prețuri specifice pieței.

Cei trei piloni centrali – Asimilare, transformare; Persistență, organizare, creare și Analiză, învățare, estimare – sunt acceptați de infrastructură, rețea, securitate și IAM.

Există trei moduri principale de injectare a datelor într-o arhitectură, pentru ca retailerii să poată optimiza prețurile.

• Când începem procesul, trebuie să cunoaștem situația tuturor stocurilor, pentru a ne asigura că nu există mărfuri în exces sau stocuri aproape epuizate. Putem utiliza aceste date pentru a decide dacă modificăm sau nu prețurile, în funcție de scop: fie creșterea vânzărilor, fie evitarea epuizării stocurilor. În acest scop, utilizăm OCI GoldenGate pentru a asimila captarea datelor de modificare din totalul datelor aproape în timp real privind stocurile aflate în bazele de date operaționale, pentru toate produsele sau doar pentru anumite categorii.
• Acum, putem adăuga seturi de date relevante pentru clienți (cum ar fi preferințele, comportamentul și obiceiurile lor de cumpărare), costurile (cum ar fi costul de producție și costul vânzării) și cererea pentru un produs (cum ar fi informațiile de la punctul de vânzare). Pentru a anticipa schimbările din comportamentul clienților, retailerii trebuie să cunoască și situația de pe piață (cum ar fi cererea și oferta), tendințele economice și sentimentele consumatorilor. De asemenea, retailerii trebuie să monitorizeze prețurile și promoțiile concurenților lor, pentru a se asigura că rămân competitivi. Aceste seturi de date cuprind adesea volume mari de date, aflate de obicei on-premises, iar în majoritatea cazurilor, asimilarea în set este cea mai eficientă. În cazul datelor de la punctele de vânzare, vom utiliza Oracle Data Integrator pentru asimilarea lor într-un ciclu de patru ore.
• Asimilarea în masă poate fi utilizată pentru încărcarea inițială a datelor sau pentru migrarea datelor din bazele de date on-premises.

Persistența și prelucrarea datelor se bazează pe trei componente.

• Datele brute asimilate sunt stocate în spațiul de stocare din cloud. Vom utiliza OCI Data Flow pentru prelucrarea în set a acestor date acum persistente, care includ nivelurile stocurilor, datele de localizare geografică și datele de referință despre produse. Aceste seturi de date prelucrate sunt returnate în spațiul de stocare din cloud pentru persistența, organizarea și analizarea lor ulterioară și, în cele din urmă, pentru încărcarea în banca de date pentru deservire, într-un format optimizat.
• Acum, am creat seturi de date prelucrate, gata de păstrare într-un format relațional optimizat, pentru organizare și interogare performantă, în banca de date pentru deservire furnizată de Oracle Autonomous Data Warehouse. Astfel, putem identifica și returna produsele în funcție de preț, profilul cererii, nivelul stocului și locație.

Capacitatea de analiză, învățare și estimare se bazează pe două tehnologii.

• Serviciile de analizare și vizualizare oferă următoarele capacități:
  • Analiza descriptivă (descrie tendințele actuale prin histograme și diagrame) sprijină crearea unor algoritmi de stabilire a prețurilor conform unor reguli, adică prin utilizarea unor reguli prestabilite pentru ca prețurile să fie modificate în funcție de anumite criterii, cum ar fi performanța vânzărilor, nivelul stocului sau prețurile concurenților. De exemplu, un retailer poate stabili regula reducerii cu 10% a prețului oricărui produs care este în stoc de peste 30 de zile.
  • Analiza predictivă (anticipează evenimentele viitoare, identifică tendințele și stabilește probabilitatea unor rezultate incerte) utilizează datele din istoricul vânzărilor pentru identificarea corelațiilor dintre preț și cerere. Retailerii pot utiliza astfel de analize pentru a anticipa modul în care va fi afectată cererea de modificarea prețurilor și a le ajusta corespunzător. În plus, analiza predictivă poate oferi modele pentru flexibilitatea prețurilor, care utilizează statisticile pentru a măsura sensibilitatea cererii la modificările de preț. Retailerii pot utiliza astfel de analize pentru a identifica prețurile optime, astfel încât să maximizeze vânzările și rentabilitatea.
  • Analiza prescriptivă (propune acțiuni adecvate pentru optimizarea procesului decizional) poate fi utilizată pentru stabilirea dinamică a prețurilor. Acest algoritm utilizează date în timp real, cum ar fi nivelurile stocurilor, prețurile concurenților și comportamentul clienților, în vederea modificării prețurilor în timp real. Retailerii pot utiliza această opțiune pentru a răspunde rapid la schimbările pieței și a optimiza prețurile, obținând astfel rentabilitatea maximă.
• Pe lângă utilizarea analizelor avansate, sunt create, instruite și implementate modele de machine learning. Aceste modele utilizează inteligența artificială pentru a analiza cantități mari de date și a identifica tiparele și tendințele care pot fi utilizate pentru optimizarea prețurilor. Retailerii pot utiliza algoritmi de machine learning pentru a anticipa comportamentul clienților, a identifica ocaziile pentru modificarea prețurilor și a optimiza prețurile pentru toate produsele și piețele.
• Datele și modelele noastre organizate, testate și de înaltă calitate pot să fie supuse unor reguli și politici de guvernanță și expuse ca „produs de date” (API) într-o arhitectură de rețea de date, pentru a fi distribuite în cadrul organizației retailerului respectiv.

Creșteți rentabilitatea utilizând o platformă de date pentru retail

Strategiile corecte privind prețurile pot crește veniturile, rentabilitatea, cota de piață și satisfacția clienților, dar, pentru a le crea, retailerii au nevoie de acces în timp real la nivelurile stocurilor, comenzilor, cererii, prețurilor și promoțiilor curente, precum și de vizualizarea clienților la 360 de grade. Utilizând o platformă de date care integrează date din mai multe surse și oferă analize avansate, retailerii își pot adapta ușor strategiile de stabilire a prețurilor la nivel de produs, aliniind totodată prețurile cu obiectivele corporative și de categorie, pe toate canalele de vânzări. Această flexibilitate le permite retailerilor să propună constant prețuri pe baza profitului vizat, alinierii la prețurile concurenților sau relației preferate dintre prețurile de pe diferite piețe și să valorifice la maximum strategiile de promovare și de ieftinire – îmbunătățind totodată experiența clienților prin garantarea consecvenței prețurilor pentru fiecare consumator din fiecare punct de contact.