Att uppskatta rätt marknadspris för konfigurerbara eller komplexa produkter kan vara svårt. Rätt marknadspris är inte nödvändigtvis samma som det pris som ett ERP-, CRM- eller CPQ-system räknar ut på basen av prislistor och kundspecifika rabatter, utan det högsta pris en enskild kund är beredd att betala för en given produkt.
Under åren har vi hjälpt företag att förutspå, simulera, analysera och upprätthålla priser med hjälp av datadrivna applikationer.
Ett smart verktyg kan hjälpa en försäljare som arbetar med en komplex produktoffert t.ex genom att ge svar på frågor så som:
1. Till vilket pris har motsvarande produkter eller konfigurationer sålts tidigare?
2. Vad är rätt prisnivå, då man beaktar produktens alla egenskaper och parametrar?
3. Vad är sannolikheten att kunden kommer att godkänna offerten till ett visst pris?
4. Hur snabbt kommer produkten att sälja till ett visst begärt pris?
Hitta motsvarande konfigurationer
En första utgångspunkt för prissättning kan vara att se på historiska offerter eller ordrar med ”lämplig grad av motsvarande innehåll”. Då det gäller konfigurerbara produkter, som kan ha en bred uppsättning parametrar – 10 eller 100 eller 1000 – som alla påverkar priset, kan det vara övermänskligt att manuellt söka fram tidigare affärer som är tillräckligt motsvarande för att vara relevanta som prisunderlägg.
För att tackla detta har vi t.ex byggt ett verktyg som låter försäljaren sålla fram och ranka tidigare affärer med önskvärd grad av motsvarighet på alla relevanta produktparametrar. Enskilda parametrar kan ges mer eller mindre vikt vid sökningen.
Estimera pris på basen av produktattribut
Nästa steg kan vara att låta en lärande algoritm (machine learning; i vardagligt tal “AI”) lära sig prissättning av komplexa produkter på basen av existerande data.
På basen av data från offerter och avslutade affärer kan en ML-algoritm lära sig sambanden mellan produktattribut, kombinationer av attribut och pris. Utan att explicit programmeras lär sig algoritmen sådant som kan ta mänskor år att lära sig, eller t.om vara omöjligt för en mänska att överskåda. Samband mellan bilmärke, mätarställning, årtal och pris går att greppa. Samband mellan 100 olika tillval på en mer komplex anläggning – omöjligt.
Innefattar träningsdatan även information om vilka kunder som nappat på vilka offerter lär sig modellen även att beakta kundsegment, geografiska områden mm.
Vad tjänar detta till? Jo, den färdigt tränade modellen kan förutspå “rätt pris” för en given produktkonfiguration och kund som den inte nödvändigtvis sett förut. En försäljare med 20 års branscherfarenhet klarar säkert av samma, men hur är det med nykomlingar i försäljningsorganisationen?
Optimera pris, marginal och försäljningstid
I olika lägen har försäljaren olika mål. Sälja ut kapacitet snabbt? Eller maximera marginal på bekostnad av försäljningstid? Priset är ofta en faktor som går att tumma på, men hur mycket ska priset justeras för att nå rätt resultat, utan att överdriva? I sådana valsituationer kan en tränad ML-modell igen vara till nytta. Den kan ge vägledning i frågor som:
1. Hur sannolikt kommer kunden att köpa till det här priset?
2. Hur mycket rabatt kan jag ge för högsta “bang for the buck” dvs förväntad ökning av sannolikthet i förhållande till förlorad intäkt?
3. Vad blir marginalen givet förutspådd produktionskostnad för just den här konfigurationen?
Har du det som behövs?
För att komma igång med verktyg för smartare prissättning behöver företag försäkra sig om att ta till vara nödvändig data som skapas i det pågående försäljningsarbetet. Är du nyfiken på vad prisoptimering kan innebära för dig, eller hur du ska komma igång med insamlandet av data eller etablering av säljprocesser, hör av dig!
Bilot Sverige: Mathias Hjelt, mathias.hjelt@bilot.se, +46 70 625 3461
Bilot Finland: Mika Laukkanen, mika.laukkanen@bilot.fi, +358 40 845 8432
Bilot Polen: Mariusz Papiernik, mariusz.papiernik@bilot.pl, +48 690 540 522
