Tekst jest tłumaczeniem artykułu, który w oryginale napisał Samuli Sikanen.
Oszacowanie właściwej ceny rynkowej dla konfigurowalnych produktów może być trudne. Odpowiednia cena niekoniecznie jest tą samą kwotą, którą na podstawie cennika oraz określonych zniżek wylicza system ERP, CRM albo CPQ. Zamiast tego można ją zdefiniować jako najwyższą cenę, jaką określony klient jest gotowy zapłacić za dany produkt.
Przez lata pomagaliśmy firmom przewidywać, analizować i utrzymywać ceny przy pomocy aplikacji opartych na danych.
Inteligentne narzędzie może pomóc sprzedawcy pracującemu nad złożoną ofertą np. poprzez znalezienie odpowiedzi na następujące pytania:
- W jakiej cenie sprzedawano wcześniej podobne produkty lub rozwiązania?
- Jaki jest odpowiedni poziom ceny, biorąc pod uwagę wszystkie właściwości i parametry produktu?
- Jakie jest prawdopodobieństwo, że klient zaakceptuje ofertę o pewnej ustalonej cenie?
- Jak szybko produkt zostanie sprzedany po zaproponowanej cenie?
Znajdź odpowiednią konfigurację
Punktem wyjściowym ustalania ceny może być przejrzenie historycznych ofert lub zamówień z „odpowiednio wysokim stopniem podobieństwa zawartości”. W przypadku produktów konfigurowalnych, które mają dużą ilość parametrów wpływających na cenę (dziesiątki, setki czy tysiące zmiennych), ręczne szukanie wcześniejszych i wystarczająco podobnych transakcji przekracza ludzkie możliwości. Aby to rozwiązać, stworzyliśmy narzędzie, które pozwala sprzedającemu wyświetlić oraz uszeregować poprzednie transakcje według pożądanego stopnia podobieństwa poszczególnych parametrów. Poszczególne zmienne mogą otrzymać mniejsze lub większe priorytety podczas wyszukiwania.
Oszacuj cenę na podstawie cech produktu
Następnym krokiem jest nauczenie algorytmu uczenia maszynowego (machine learning, często zwane również „sztuczną inteligencją”) wyceny produktów złożonych na podstawie istniejących danych.
Dzięki danym pochodzącym z ofert oraz zakończonych projektów, algorytm uczenia maszynowego może wskazać podobieństwa między cechami produktów oraz zależności cen od atrybutów. Bez programowania wszystkich cech po kolei, algorytm uczy się rzeczy, które człowiekowi zajęłyby lata albo są wręcz dla niego niewykonalne. Dla przykładu – związek między marką samochodu, stanem licznika, rokiem produkcji i ceną da się zauważyć. Dostrzec jednak, jak wpływa na siebie sto różnych opcji w bardziej zaawansowanym projekcie – niemożliwe.
Gdy dane treningowe zawierają również informacje o tym, którzy klienci interesowali się którymi ofertami, model może również nauczyć się segmentować klientów po ich zainteresowaniach, obszarze geograficznym, etc.
Zoptymalizuj cenę, marżę i czas realizacji
W różnych sytuacjach sprzedawcy mają różne cele. Wyprzedać szybko cały zapas? Czy może zmaksymalizować marżę kosztem czasu? Cena często jest czynnikiem, przy którym można pójść na kompromis, ale jak bardzo cenę należy dopasować, aby osiągnąć cel i jednocześnie pozostać na racjonalnym poziomie? Przy takich dylematach przyda się wytrenowany model ML. Może on dać wskazówki dotyczące takich kwestii, jak:
- Jak bardzo prawdopodobne jest, że klient dokona zakupu w danej cenie?
- Jak dużą zniżkę mogę dać, by uzyskać jak największy wzrost prawdopodobieństwa w stosunku do utraconego zysku?
- Jaka będzie marża przy danych przewidywanych kosztach produkcji dla tej konkretnej konfiguracji?
Czy masz to, czego potrzebujesz?
Aby rozpocząć korzystanie z rozwiązań dla inteligentnej wyceny, firma powinna upewnić się, że ma niezbędne dane uzyskane w ramach sprzedaży. Jeśli chcesz dowiedzieć się, co optymalizacja ceny może oznaczać w Twoim przypadku lub jak zacząć zbieranie danych bądź tworzenie procesu sprzedaży, skontaktuj się z nami!
Bilot Polska: Mariusz Papiernik, mariusz.papiernik@bilot.pl, +48 690 540 522
Bilot Finland: Mika Laukkanen, mika.laukkanen@bilot.fi, +358 40 845 8432
Bilot Sweden: Mathias Hjelt, mathias.hjelt@bilot.se, +46 70 625 346
