Важный тренд 2020 года:автоматизация выравнивания цен

Томас Р. Катлер

Решения по автоматизации были адаптированы и скорректированы, чтобы производителям было проще устанавливать границы ценообразования и управлять ими.

Когда корпоративные цели включают быструю и повторяющуюся корректировку цен на самом детальном уровне, автоматизация должна быть разработана таким образом, чтобы смягчить боль, используя простые правила для определения цен.

Раньше большинство лиц, принимающих решения в промышленном бизнесе, опасались длительного времени внедрения, сложности и значительных затрат на ценообразование технологии.

Новые решения устраняют эти проблемы, предлагая технологию автоматического согласования цен, которую можно внедрить с минимальными затратами и всего за несколько недель.

Значительное повышение доходов и маржи за счет четкого и управляемого взаимодействия с пользователем (благодаря информативным информационным панелям и всесторонней науке о ценообразовании) означает, что сотни производственных компаний получат выгоду от этой автоматизации к четвертому кварталу 2020 года.

Это обеспечит согласованность ценообразования со стратегическими целями для достижения оптимальной маржи.

Автоматизация должна начинаться с простой интеграции с исходными системами, за которой следует плавное заполнение транзакционных систем с улучшенными ценами. Благодаря этим процессам согласование цен позволяет автоматизировать сложную логику ценообразования.

Эксперты по ценообразованию в сфере автоматизации делятся передовым опытом

Экспертов по ценообразованию Далласа Кроуфорда и Дэна Барретта попросили уточнить, как производители должны анализировать потребности в ценообразовании с помощью анализа данных.

Кроуфорд (на фото слева) настаивал на том, что согласование цен с анализом данных можно легко выполнить в режиме реального времени. Возможность сконцентрироваться на больших и малых объемах, которые выходят за рамки нормального распределения тренда или сезонности, может указать, где существуют возможности для получения маржи.

Более высокий объем дает возможность корректировать цены в зависимости от спроса или для захвата доли рынка. Меньший объем дает возможность анализировать цены, определяя, теряется ли доля рынка или жизненный цикл продукта подходит к концу.

Барретт (на фото слева) отметил, что лучший метод анализа и оптимизации цен для клиентов — это моделирование данных и обеспечение того, чтобы аналитическая платформа поддерживала их на очень дискретном уровне. Данные о клиентах по местонахождению или артикулам продуктов позволяют обеспечить оптимальную доставку по уникальным ценам. Понимание и прогноз ценовой эластичности клиентов является ключом к определению оптимальной цены.

Чувствительность к цене

Кроуфорд предположил, что модели машинного обучения QueBIT PriceAlign могут быть более адаптивными, чем типичные модели временных рядов в условиях пандемии.

Добавление более качественных и своевременных входных переменных (например, затрат на топливо) позволяет модели быть более контекстуальной и терпимой к аномальным данным, собранным во время этого уникального события.

Пандемия дает производственным организациям, использующим эту технологию, возможность изучить и смоделировать последствия, чтобы лучше подготовиться к будущим событиям. Остановы потенциально могут привести к неполным данным; будущее обучение моделей машинного обучения должно будет иметь дело с этим.

Барретт убежден, что хотя пандемия и является важным фактором выравнивания цен, она остается лишь одним из факторов, влияющих на производителей со стороны спроса и предложения.

Исключая электронные таблицы, выравнивание цен улучшает возможность быстрой корректировки цен в соответствии с наиболее подробными уровнями и рыночными условиями. Через несколько недель автоматизированные данные о ценах гарантируют, что производители смогут визуализировать сегменты клиентов, определяемые переменными, формирующими спрос, такими как демографические данные, что позволяет более целенаправленно и динамично корректировать цены.

Только благодаря автоматическому согласованию цен производители среднего размера могут поднять ценовые стратегии на новый уровень сложности, добиваясь динамического ценообразования на основе множества факторов и понимания ценовой эластичности для разных клиентов, продуктов или регионов.

Использование больших данных автоматизирует и ускоряет наиболее эффективную модель ценообразования для малых и средних производителей. Барретт предположил, что дополнительная информация часто обеспечивает контекст, а более полезные элементы данных могут быть включены в более целостный процесс.

По словам Кроуфорда, производители получают большие данные в виде счетов-фактур, расценок, информации о затратах, спросе и предложении, которые не используются специалистами по ценообразованию.

Усовершенствованные системы ценообразования могут быстро взаимодействовать с большими данными, анализировать их по параметрам (артикулы, клиенты, местоположения и т. д.) и автоматизировать повторяющийся процесс ценообразования. Это дает производителям возможность быстро вносить изменения в цены и активно управлять результирующей эффективностью этих изменений.

Этот уникальный подход к автоматизации использует прогнозирующие планы спроса, которые используют расширенную аналитику для обеспечения точности и оптимальных цен. Только с помощью автоматизации выравнивания цен компании смогут должным образом реагировать на резкие колебания цен во время пандемии.

Эксперты ценовой индустрии:

Даллас Кроуфорд является исполнительным директором по расширенной аналитике в QueBIT с более чем 10-летним опытом, помогающим клиентам использовать прогностическую аналитику для принятия обоснованных стратегических решений. До QueBIT он провел 7 лет в IBM, обслуживая клиентов в секторе дистрибуции, и руководил несколькими ключевыми проектами прогнозной аналитики и отчетности. Даллас получил степень магистра делового администрирования в Флоридском университете A&M в 2008 году.

Дэн Баррет является техническим менеджером по продвинутой аналитике в QueBIT. Барретт работал контролером и финансовым директором в производственной организации более 12 лет. Он успешно руководил оценкой решений Advanced Analytics в ходе сотен циклов оценки в ведущих мировых производственных и розничных организациях. В период работы в IBM и Cognos он руководил разработкой и вводом в эксплуатацию решений для управления производительностью распределения и производства.

Профиль автора :Томас Р. Катлер — президент и главный исполнительный директор компании TR Cutler, Inc., расположенной в Форт-Лодердейле, штат Флорида, которая отмечает свой 21-й год. Катлер является основателем Консорциума производственных СМИ, в который входят более 8000 журналистов, редакторов и экономистов, пишущих о тенденциях в производстве, промышленности, обработке материалов и улучшении процессов. Катлер ежегодно публикует более 1000 тематических статей, посвященных производственному сектору. Более 4500 лидеров отрасли ежедневно следят за Катлером в Твиттере на @ThomasRCutler. Свяжитесь с Катлером по адресу [email protected].