Cikksorozatunk első részében a dinamikus árazás kiskereskedelemben tapasztalható elterjedéséről írtunk. Az egyre több meglévő belső és az elérhető külső adatot azonban a kiskereskedelem, a szállodaipar és a légitársaságok ismert gyakorlata mellett számos más iparágban is felhasználják az árazás során.
Az észak-amerikai profi amerikaifutball-ligában szereplő Miami Dolphins például olyan algoritmust alkalmaz a jegyárak meghatározására, amely figyelembe veszi a várható időjárást, a csapat és az ellenfél aktuális formáját, a mérkőzésig hátralévő időt vagy a sztárjátékos sérülés miatti távolmaradásának keresletre gyakorolt hatását. Egy élelmiszergyártó cég pedig 5%-kal tudta növelni a profitját fejlett statisztikai árazási módszertan alkalmazásával.
Sok cég azonban még nem használja ki ezt a potenciált. Ebben a részben azt mutatjuk be, hogyan érdemes kiaknázni az adatokat a sikeres árazás érdekében, és milyen fejlettségi szintjei vannak az adatvezérelt árazásnak.
Az értékesítők tapasztalata, piacismerete és intuíciója sokat érő input az árazási döntés során. Azonban több száz termék, sokféle vevőnek, akár több csatornán történő értékesítése túl komplex helyzetet teremt ahhoz, hogy pusztán megérzések alapján meg lehessen határozni minden kombinációra a megfelelő árat.
Kik a legértékesebb ügyfeleink? Melyik ügyfelünk hajlandó többet fizetni a szolgáltatásunkért, és kik azok, akik már minimális áremelés mellett is lemorzsolódnának? Mely termékekben milyen áremelési potenciál rejlik? A termék ára mellett mekkora hatása van a helyettesítők árának a keresletre? Milyen egyéb belső és külső tényezők hatnak a keresletre? Az árváltoztatás és ennek keresletre gyakorolt hatása hogyan befolyásolja a profittömeget? Ilyen alapvető üzleti kérdések megválaszolása szükséges az adott vevőre, csatornára, termékre, lokációra és időpontra vonatkozó megfelelő ár meghatározásához. A válaszokhoz és az adatvezérelt árazás kialakításához pedig a releváns adatok kiválasztásán és fejlett statisztikai módszerekkel történő elemzésén keresztül vezet az út. Ezt a lenti ábra szemlélteti.
A folyamat kezdetén szükség van a jelenlegi árazási logika feltárására és az alkalmazni kívánt modellel szembeni elvárások azonosítására, valamint az informatikai környezet feltérképezésére. Már a folyamat ebben a korai szakaszában érdemes felszínre hozni és tisztázni az üzleti hipotéziseket, hiedelmeket és megérzéseket.
Az adatvezérelt árazásnak összhangban kell lennie továbbá az árazási stratégiával, az alapvető árpozicionálással (pl. prémium vagy diszkont szegmens), a termékek jellemzőivel és a hozzájuk kapcsolódó célkitűzésekkel (pl. forgalomnövelő vagy árréstermelő termék), valamint a kapacitások (pl. gyártás, készletezés) adta lehetőségekkel is.
Ha az adatvezérelt árazást fegyvernek tekintjük a jövedelmezőség menedzseléséhez, akkor a megfelelő adatok jelentik a szükséges lőszert hozzá. Tapasztalataink szerint a vállalati rendszerekben minden tranzakcióhoz 80-100 adatot tartanak nyilván.
Az értékesítési adatok mellett – amelyek tartalmazzák az értékesítés helyét, csatornáját, az árat, értékesített mennyiséget, kosártartalmat -, célszerű az elérhető ügyfélinformációkat, a promóciós adatokat, az online és offline látogatási adatokat és a készletszintet is elemezni. Érdemes továbbá a belső adatokon kívül külső adatokat is beépíteni. Ilyen lehet a versenytársak árazási és promóciós gyakorlata, versenytársnál rendelkezésre álló készletek, az időjárás és a makrogazdasági adatok.
Egyre több ingyenes és vásárolható adatbázis érhető el különböző iparágakban, de web scraping segítségével webes felületekről is számos adat gyűjthető. Érdemes a már meglévő, de össze nem kapcsolt adatbázisokat egységes adatpiacban egyesíteni. Nem különösebben izgalmas, de annál fontosabb lépés az adattisztítás és az adatok elemzésre való előkészítése.
Az előkészített adatokat még a modellezés előtt üzletileg is értelmezni kell. Sokszor nehéz eldönteni egy-egy kiugró értékről, hogy adathiba vagy egy üzleti sajátosság. Mit jelent például a hónap utolsó napjaiban jelentkező kiemelkedő forgalom? A jutalékcélok elérése miatt megugró teljesítményt vagy az elmaradt adminisztráció hó végén történő pótlását?
Ebben az előkészítő szakaszban az ilyen esetek tisztázása mellett érdemes feltárni és vizuálisan is megjeleníteni az adatokban rejlő mintázatokat, trendeket. Jellemzően már ekkor hasznos információkkal gazdagodik a szervezet. Egy tranzakciós adatbázis elemzése során például azonnal szembe ötlött, hogy egyes boltok nyitva tartása nem igazodik a valós vásárlói szokásokhoz. Továbbá az itt feltárt minták támogatják az adatmodellezést is.
Fejlett statisztikai modellekkel azonosítható, hogy mely tényezők és milyen mértékben befolyásolják a keresletet, így meghatározható az adott paraméterek menti várható kereslet, ezzel együtt pedig a javasolt ár. A saját ár rugalmasságának meghatározásához szükség van különböző árpontok megfigyelésére. Ezen kívül azonosítani lehet a trendeket és a szezonalitást, a versenytársak és a saját helyettesítő termékek kannibalizáló hatását, illetve a fizetési hajlandóságot ügyfélszegmens vagy ügyfél szinten.
A különböző gépi tanulással dolgozó modellek „versenyeztetésével” kiválasztható a legmegfelelőbb algoritmus. Az algoritmus például a készletszint csökkenésekor vagy a jellemzően magasabb keresletet hozó időszakban áremelést javasolhat.
A modell statisztikai tesztelését követően üzletileg is célszerű értelmezni az eredményeket, valamint tesztelni a hatását, és amennyiben szükséges, finomhangolni a modellt. Ehhez érdemes olyan vizuális felületet kialakítani, ami könnyen érthetővé teszi az összefüggéseket.
Az implementációval a modell a tesztkörnyezet után éles helyzetben is bizonyíthat. Egy árazási algoritmust lehet ad-hoc vagy rendszeresen lefutó elemzésekre alkalmazni, amivel időről időre felülvizsgálhatók az optimális árak. Dinamikus árazásról pedig akkor beszélünk, ha a modell valós időben elemzi a keresletet és állítja be az optimális árat.
Annak érdekében, hogy az adatvezérelt árazás gyakorlata beépüljön a szervezet működésébe és az értékesítő munkatársak is bízzanak és használják az eredményeket, támogatni kell őket abban, hogy megértsék a rendszer működését és az árjavaslat mögötti okokat.
A kompetencia mellett a kollégák ösztönzése is szükséges a rendszer gyakorlatba ültetéséhez. Gyakran tapasztalható, hogy az értékesítő kollégák volumencélokat követnek, amivel viszont az árrés célok háttérbe kerülnek. Ez az ösztönzési rendszer kalibrálásával kiküszöbölhető.
Az adavezérelt árazás egyik fő eleme a folyamatos visszamérés. Ehhez olyan interaktív dashboardot érdemes kialakítani, amivel nyomon követhető és elemezhető az értékesítési teljesítmény és az árazás hatása, valamint azonosíthatók a szükséges változtatások.
Az adatok árazásban történő hasznosításának kezdő lépcsőfoka az árazási szabályok kialakítása belső adatok alapján, azonban ebben a szakaszban még jellemzően hiányzik az értékalapú szemlélet, és a rendszer rugalmatlanul reagál a változásokra. A keresletalapú árazás már az ügyfél számára nyújtott értéket veszi alapul az árak meghatározása során, jellemzően az értékesítési adatok szisztematikus felhasználásával. Az adatvezérelt árazás legfejlettebb szintjén pedig már a külső adatok is beépítésre kerülnek, és a rendszer automatizáltan működik. Valós időben elemez és javasol árakat, ami megteremti a dinamikus árazás lehetőségét is.
Az adatvezérelt árazás amellett, hogy segít meghatározni az optimális árat, megérteni a fogyasztók vásárlási döntéseit, meghatározni a megfelelő mértékű diszkontokat és a legnagyobb áremelési potenciállal rendelkező termékeket, tudatosabbá és visszamérhetővé teszi az árazási teljesítményt.
Ahhoz, hogy ezeket az előnyöket realizálni lehessen, nem szükséges az Amazonhoz hasonlóan napi 2,5 milliószor árat változtatni. Az adatokban és a fejlett statisztikai módszerekben rejlő potenciált azonban érdemes kihasználni akár belső árazást támogató adatelemző kompetencia kiépítésével, akár külső támogatással.
A szerző az IFUA Horváth & Partners tanácsadója
A digitalizáció nem csak az árazásra, de az értékesítés minden részletére kihat. Erről a SalesInsight oldalakon talál további információt.
