Belangrijke trend voor 2020:automatisering van prijsafstemming

Door Thomas R. Cutler

Automatiseringsoplossingen zijn aangepast en aangepast en bevorderen het gemak van het instellen en beheren van prijsgrenzen voor fabrikanten.

Wanneer bedrijfsdoelstellingen zijn onder meer het snel en herhaaldelijk aanpassen van prijzen op het meest gedetailleerde niveau, moet automatisering worden ontworpen om de pijn te verlichten door eenvoudige regels te gebruiken om prijzen af ​​te leiden.

Voorheen waren de meeste besluitvormers van industriële bedrijven bang voor een lange implementatietijd, complexiteit en hoge kosten voor prijsbepalingstechnologie.

Nieuwe oplossingen overwinnen deze zorgen en bieden een geautomatiseerde prijsafstemmingstechnologie die kosteneffectief en in slechts enkele weken kan worden geïmplementeerd.

Door aanzienlijke verbeteringen in omzet en marge te realiseren door een duidelijke, begeleide gebruikerservaring te bieden (via inzichtelijke dashboards en uitgebreide prijswetenschap), zullen honderden productiebedrijven tegen het vierde kwartaal van 2020 profiteren van deze automatisering.

Het zorgt ervoor dat de uitvoering van de prijsstelling in lijn blijft met de strategische doelstellingen om de optimale marges te bereiken.

Automatisering moet beginnen met eenvoudige integratie met bronsystemen, gevolgd door een naadloze populatie van transactiesystemen met geperfectioneerde prijzen. Met deze processen maakt prijsuitlijning complexe automatisering van prijslogica mogelijk.

Experts op het gebied van prijsstelling van automatiseringsproductie delen best practices

Prijsexperts, Dallas Crawford en Dan Barrett werden gevraagd om uit te werken hoe fabrikanten prijsbehoeften moeten analyseren met behulp van data-analyse.

Crawford (foto links) stond erop dat prijsafstemming met data-analyse gemakkelijk in realtime kan worden gedaan. Het vermogen om zich te concentreren op hoge en lage volumes die buiten een normale verdeling van trend of seizoensgebondenheid vallen, kan aangeven waar margemogelijkheden bestaan.

Een hoger volume biedt kansen om prijzen aan te passen aan de vraag of om marktaandeel te veroveren. Een lager volume biedt mogelijkheden om prijzen te analyseren en te bepalen of er marktaandeel verloren gaat of dat de levenscyclus van het product bijna ten einde is.

Barrett (foto links) merkte op dat de beste methode om klantprijzen te analyseren en te optimaliseren, is om de gegevens te modelleren en ervoor te zorgen dat het analyseplatform deze op een zeer discreet niveau ondersteunt. Klantgegevens per locatie of product-SKU's zorgen voor optimale levering van unieke prijzen. Het begrijpen en voorspellen van de prijselasticiteit van de klant is de sleutel tot het bepalen van de optimale prijs.

Prijsgevoeligheid

Crawford suggereerde dat de Machine Learning-modellen van QueBIT PriceAlign adaptiever kunnen zijn dan typische tijdreeksmodellen in de pandemische omgeving.

Door meer kwalitatieve en tijdige invoervariabelen (zoals brandstofkosten) toe te voegen, kan het model meer contextueel zijn en toleranter zijn voor de afwijkende gegevens die tijdens dit unieke evenement zijn verzameld.

De pandemie geeft productieorganisaties, die de technologie omarmen, de kans om de effecten te bestuderen en te modelleren om beter voorbereid te zijn op toekomstige gebeurtenissen. Shutdowns kunnen mogelijk onvolledige gegevens veroorzaken; toekomstige training van Machine Learning-modellen zal ermee om moeten gaan.

Barrett is ervan overtuigd dat, hoewel de pandemie een belangrijke motor is voor prijsafstemming, het slechts één factor blijft die van invloed is op fabrikanten aan de vraag- en aanbodzijde.

Door spreadsheets te elimineren, verbetert prijsafstemming de mogelijkheid om prijzen snel aan te passen aan de meest gedetailleerde niveaus en marktomstandigheden. Binnen enkele weken zorgen de geautomatiseerde prijsgegevens ervoor dat fabrikanten klantsegmenten kunnen visualiseren die worden aangedreven door variabelen die de vraag bepalen, zoals demografie, waardoor meer gerichte en dynamische prijsaanpassingen mogelijk zijn.

Alleen door geautomatiseerde prijsafstemming zijn middelgrote fabrikanten in staat om prijsstrategieën naar een nieuw niveau van verfijning te tillen, dynamische prijzen te realiseren op basis van verschillende factoren en inzicht te krijgen in prijselasticiteit voor verschillende klanten, producten of regio's.

Het gebruik van Big Data automatiseert en versnelt het meest effectieve prijsmodel voor kleine of middelgrote fabrikanten. Barrett suggereerde dat aanvullende informatie vaak context biedt en dat de meer bruikbare gegevenselementen kunnen worden opgenomen in een meer holistisch proces.

Volgens Crawford nemen fabrikanten big data op in de vorm van facturen, offertes, kosteninformatie, vraag en aanbod die niet door prijsprofessionals kunnen worden geconsumeerd.

Geavanceerde prijssystemen kunnen snel worden gekoppeld aan Big Data, deze over dimensies heen analyseren (SKU's, klanten, locaties, enz.) en het iteratieve prijsproces automatiseren. Dit geeft fabrikanten de mogelijkheid om snel prijswijzigingen door te voeren en de resulterende prestaties van die wijzigingen actief te beheren.

Deze unieke automatiseringsaanpak maakt gebruik van voorspellende vraagplannen die gebruikmaken van geavanceerde analyses om nauwkeurigheid en optimale prijzen te stimuleren. Alleen met automatisering van prijsafstemming kunnen bedrijven goed reageren op snelle prijsschommelingen tijdens de pandemie.

Experts uit de prijssector:

Dallas Crawford is een Advanced Analytics Executive bij QueBIT met meer dan 10 jaar ervaring in het helpen van klanten om voorspellende analyses te gebruiken om weloverwogen strategische beslissingen te nemen. Voordat hij bij QueBIT kwam, werkte hij 7 jaar bij IBM voor klanten in de distributiesector en leidde hij meerdere belangrijke Predictive Analytics- en Reporting-projecten. Dallas studeerde in 2008 af met een MBA aan de Florida A&M University.

Dan Barrett is technisch manager voor geavanceerde analyse bij QueBIT. Barrett was meer dan 12 jaar controller en CFO voor een productieorganisatie. Hij leidde met succes evaluaties van Advanced Analytics-oplossingen in honderden evaluatiecycli met enkele van 's werelds toonaangevende productie- en retailorganisaties. Bij IBM en Cognos leidde hij de ontwikkeling en veldondersteuning van Distribution and Manufacturing Performance Management Solutions.

Auteurprofiel :Thomas R. Cutler is de president en CEO van TR Cutler, Inc., gevestigd in Fort Lauderdale, Florida, en viert zijn 21e jaar. Cutler is de oprichter van het Manufacturing Media Consortium met meer dan 8000 journalisten, redacteuren en economen die schrijven over trends in productie, industrie, materiaalbehandeling en procesverbetering. Cutler schrijft jaarlijks meer dan 1000 hoofdartikelen over de productiesector. Meer dan 4500 marktleiders volgen Cutler dagelijks op Twitter op @ThomasRCutler. Neem contact op met Cutler via [email protected].