Konsulttimme ovat rakentaneet hintojen ennustamista, simulointia, analysointia ja ylläpitoa helpottavia malleja ja sovelluksia erilaisiin liiketoimintoihin viime vuosina.

Etenkin konfiguroitavia tai monimutkaisia tuotteita myytäessä oikean markkinahinnan arvioiminen voi olla vaikeaa. Oikea markkinahinta kun ei ole ERP- tai CRM-järjestelmään rakennettu hinnasto, vaan korkein hinta, jonka kukin asiakas on valmis maksamaan tarjotusta tuotteesta.

Älykäs sovellus voi helpottaa myyjän työtä antamalla vastauksia esimerkiksi näihin kysymyksiin:

  1. Millä hinnalla vastaavia tuotteita tai kokoonpanoja on myyty?
  2. Mikä on oikea hintataso, ottaen huomioon tuotteen kaikki ominaisuudet?
  3. Millä todennäköisyydellä tuote menee tietyllä hinnalla kaupaksi?
  4. Miten nopeasti tuote menee tietyllä hinnalla kaupaksi ?

Vastaavien kokoonpanojen tunnistaminen

Eräässä rakentamassamme sovelluksessa automyyjä syöttää myytävän auton tiedot järjestelmään, joka hakee vastaavanlaisten aiemmin myytyjen autojen tiedot perustuen autojen ominaisuuksien vastaavuusasteeseen. Sovellus auttaa arvioimaan, mikä olisi sopiva myyntihinta myytäväksi tulleelle autolle. Myyjä näkee nopeasti, onko suunniteltu hinta liian matala tai korkea. Lisäksi valittuja muuttujia voidaan muuttaa liukusäätimistä ja näin simuloida erilaisten ominaisuuksien kombinaatioita. Tämän kautta voidaan tutkia tuotteiden historiallista hinnoittelua erilaisilla konfiguraatioilla ja vastaavuusasteilla.

Huomioitavia tekijöitä ovat auton eri tekniset ominaisuudet, mutta myös käyttöhistoria, ikä ja kuinka nopeasti auto halutaan saada myydyksi. Oikeaa hintatasoa hakiessa ja tuottoja optimoidessa on myös hyvä tunnistaa, mikä auton hinta olisi parin kuukauden päästä, jos sitä ei saataisi myytyä nopeasti.

Kuva: Perustekijöiden valinta hakua vastaavanlaisten toteutuneiden autokauppojen listaamiseksi.

Tällainen käyttötapaus soveltuu hyvin tukemaan erilaisten konfiguroitavien tuotteiden hinnoittelua, kun tuote muodostetaan lennosta myyntitilanteessa. Kootaanpa tuote eri kemikaaleista, metalleista, kuitumateriaaleista, puuviiluista, koneenosista tai näiden yhdistelmistä, tai vaikka palveluiden paketista, löytyy vastaavanlaisia sovelluskohteita paljon. Ajatellaan vaikka erilaisten teräsprofiilien tai kustomoitujen vanerilevyjen hinnoittelua tai erilaisista kiinteistöpalveluista muodostettua palvelukokonaisuutta. Valitsemalla tuotteen tai palvelukokonaisuuden ominaisuudet valikoista voi nopeasti tarkistaa, onko täysin samanlaista kokonaisuutta myyty kenellekään aikaisemmin ja millä hinnalla.

Hinnan ennustaminen tuoteominaisuuksien pohjalta

Kun mallinnukseen yhdistetään vielä tarjoushistoria, voidaan tarkastella toteutuneen myynnin lisäksi hävittyjä tarjouksia ja miten niitä on hinnoiteltu verrattuna toteutuneeseen myyntiin. Lisäämällä tietoa esimerkiksi asiakkaista ennusteisiin voidaan tuoda myös kulloiseen asiakassegmenttiin tai markkinatilanteeseen liittyviä tekijöitä.

Tällaisen datan pohjalta oppiva järjestelmä auttaa löytämään oikean markkinahinnan tai hintaskaalan myös uusien tuotteiden hinnoittelussa, tai uusien konfigraatioiden hinnoittelussa, kunhan uudet tuotteet ovat ainakin jossain määrin samankaltaisia kuin aikaisemmin myydyt. Malli oppii historiadatan pohjalta, miten jokainen tuotteen ominaisuus – tai ominaisuuksien yhdistelmä – vaikuttaa hintaan. Autossa merkki vaikuttaa siihen, miten kilometrit vaikuttavat hintaan iän kasvaessa. Hisseissä taas rakennuksen tyyppi ja markkina-alue vaikuttavat siihen, miten tietyt lisäominaisuudet vaikuttavat hintaan. Tekoäly oppii kaikki nämä lainalaisuudet itsestään – datan pohjalta.

Optimoi myyntikate, myyntiaika tai korvaavien tuotteiden menekki

Pelkän myyntidatan perusteella voidaan tukea hinnoittelua löytämään sopiva hintataso kaupan toteutumisen todennäköisyyden maksimoimiseksi. Lisäämällä mukaan myös kustannus- ja kannattavuusdataa päästään varsinaiseen kannattavuusohjaukseen, jolloin voidaan ennustaa myös optimaalista hintatasoa volyymin ja kokonaiskatteen optimoimiseksi. Samantyyppisellä mallilla voidaan esimerkiksi tukkukaupassa hakea asiakkaan kysymälle tuotteelle nopeasti substituutteja ja arvioida, voitaisiinko saada parempi kate tarjoamalla jotain toista asiakkaan tarpeen täyttävää tuotetta.

Dataa ja kokemusta

Mallin rakentamiseksi tarvitaan vähintään historiadataa myynnistä. Minimissään vaaditaan joitakin tuhansia toteutuneita myyntitransaktioita, mutta mitä enemmän dataa löytyy, sitä parempaan tarkkuuteen mallilla päästään. Karkeana muistisääntönä voidaan pitää, että tarvittava tapahtumien määrä on mallissa tarvittavien dimensioiden lukumäärän neliö. Jos malliin halutaan mukaan kannattavuuden optimointi, täytyy saatavilla olla myös kustannusdataa riittävällä tarkkuudella.

Toimialakohtaiset erot ja datan laatu huomioidaan heti mallin suunnittelun alkuvaiheessa. Datan puutteiden tunnistaminen on yhtä tärkeää kuin itse datan hyödyntäminen. Jos tarvittavaa dataa, esimerkiksi tarjouksia, ei ole kerätty analytiikassa hyödynnettävässä muodossa, on tärkeää aloittaa datan keräys mahdollisimman pian – lähes poikkeuksetta jollakin kilpailijalla on tässä jo etumatka.

Jos haluat kuulla lisää yllämainituista sovelluskohteista tai sinulla on muita datan keräämiseen liittyviä kysymyksiä, olethan yhteydessä meihin!

Bilot Suomi: Juha Kostamo, juha.kostamo@bilot.fi, +358 40 865 4811
Bilot Ruotsi: Mathias Hjelt, mathias.hjelt@bilot.se, +46 70 625 3461
Bilot Puola: Mariusz Papiernik, mariusz.papiernik@bilot.pl, +48 690 540 522