Uncategorized

Machine Learning voor Dynamische prijsstelling: Do’s and Don’ts

September 22, 2021

Modellen, voordelen en voorbeelden van machine learning voor dynamische prijsstelling  

Wat is de definitie van Machine Learning pricing? (En hoe werkt het?) 

Machine Learning pricing (ML Pricing) is de constante automatische aanpassing van productprijzen om marges te optimaliseren of om sales te maximaliseren. Hierdoor krijg je in je prijsmodel variabele prijzen in plaats van vaste prijzen. Variabele prijzen zijn niet nieuw. Sommige soorten fruit in de supermarkt kosten bijvoorbeeld meer in de winter, omdat ze geïmporteerd moeten worden. Dit wordt al tientallen jaren gedaan. Maar variabele prijzen die meerdere keren per dag veranderen zijn wel vrij nieuw. In dit relatief nieuwe tijdperk van digitalisering en big data hebben bedrijven nu de middelen en mogelijkheden om de prijzen vaker te wijzigen op basis van meerdere factoren. Hoewel dit het meeste voorkomt in online webshops, is er ook de mogelijkheid om dit te doen in fysieke winkels en voor B2B-verkopen. 

Machine learning pricing is dus een aanzienlijk waardevol hulpmiddel geworden voor meer en meer bedrijven. Meestal houdt een op machine learning prijsmodel rekening met meerdere variabelen, niet alleen met 1 of 2. Voorbeelden van wat kan worden meegenomen in zo’n model zijn: prijzen van concurrenten, artikelen die nog op voorraad zijn, het seizoen, klantwaarde en nog veel meer. Het is een uitstekende manier om de verkoop te stimuleren, de winst te maximaliseren of om meer verkeer naar je website te krijgen. Daarnaast kan dit ook meer informatie over je doelgroep opleveren dan andere prijsmodellen. 

In dit artikel lees je welke bedrijven machine learning gebruiken voor pricing, wat de voor- en nadelen zijn én welke stappen je kan nemen om machine learning pricing succesvol te implementeren in je eigen organisatie. 

Welke bedrijven gebruiken Machine Learning pricing? 

Uber, Amazon, AirBnB… ze behoren niet alleen tot de meest succesvolle innovatieve bedrijven van het afgelopen decennium. Ze zijn ook sterk afhankelijk van machine learning voor het verhogen van de winstmarges, het maximaliseren van de inkomsten en het optimaliseren van het verkoopvolume. Maar hoe doen ze dit precies? 

  • Amazon, wie kent het niet? De voormalige boekhandel is nu één van de grootste (online) retailers ter wereld en verkoopt alles – van boeken, elektronica en flessen wijn tot aan binnenhuis decoraties. Eén van hun strategieën om de winst te maximaliseren is het miljoenen keren per dag wijzigen van de prijzen van producten op de website. Dit betekent dat de prijs van één enkel product wel om de 10 minuten kan veranderen. Dit betekent dat als je de prijs van een product op Amazon te hoog vindt, je misschien een aantal minuten moet wachten om een nieuwe (en hopelijk lagere!) prijs te krijgen. Amazon heeft zoveel data verzameld over het koopgedrag van consumenten, concurrenten, winstmarges, voorraad en nog veel meer dat het op (vrijwel) elk moment de beste prijs voor het product kan voorspellen. Amazon gebruikt zijn eigen voorspellende AI- en machine learning-modellen om altijd de juiste prijs voor producten te zetten. En het resultaat van al deze inspanningen? Amazon verhoogde zijn winst met 25%. Zo effectief kan een dynamisch prijsmodel op basis van machine learning technieken zijn! 
  • AirBnB begon als een kleine startup in 2008 tijdens de economische crisis, maar inmiddels heeft de website meer dan 3 miljoen locaties in 192 landen. Kortom, (bijna) elk land ter wereld heeft een woning, appartement of kamer die te huur wordt aangeboden op AirBnB. Hoewel AirBnB fungeert als een platform en het geen producten rechtstreeks verkoopt, biedt het “Smart Pricing” (ook bekend als ML pricing) aan verhuurders aan. Indien geactiveerd, stelt deze tool de prijzen van appartementen in om automatisch omhoog of omlaag te gaan op basis van veranderingen in de vraag naar andere appartementen in de regio. Andere factoren die ze meenemen zijn het seizoen, de vraag, eigenschappen van het appartement en de locatie. Natuurlijk kunnen er ook regels worden toegepast zoals een minimum- of maximumprijs voor een nacht. AirBnB stelt zelfs dat mensen die hun slimme prijsmethode volgen vier keer zoveel kans hebben om geboekt te worden dan niet-gebruikers en dat ze de omzet met gemiddeld 12% kunnen verhogen. Dit is natuurlijk erg aantrekkelijk voor mensen die een appartement te huur willen aanbieden. 
  • Uber gebruikt ook ML pricing, net als de andere twee giganten. Daar hebben ze echter wel meerdere redenen voor. Enerzijds gebruiken ze het om de marges te maximaliseren en anderzijds om ervoor te zorgen dat er voldoende taxichauffeurs op de juiste locatie zijn. Uber maakt gebruik van surge pricing, waarbij de prijzen exponentieel stijgen wanneer de vraag toeneemt. Dit verhoogt natuurlijk de marges, maar daarnaast zorgt het er ook voor dat Uber-chauffeurs naar plaatsen gaan waar de tarieven hoog zijn. Na een bepaalde tijd komt het aantal chauffeurs overeen met het aantal benodigde chauffeurs, waardoor de prijs weer daalt. 

Hoe SYMSON machine learning inzet voor pricing advies  

Een groothandel in irrigatiesystemen was gewend om haar producten te verkopen op basis van kortingen. Deze korting was vooral gedreven door het sales volume. Daarnaast stonden salesmanagers vrij om eigen aanpassingen door te voeren. Het doel van de samenwerking tussen de groothandel en SYMSON was om nieuwe prijsstrategieën te identificeren om de marges te optimaliseren en het “onderbuikgevoel” te beperken. Het SYMSON-team trapte het project af met een brainstorm waarin de huidige en toekomstige prijsstrategieën werden besproken. De volgende oplossingen werden gedefinieerd:

  • 1) een key-value-itemstrategie waarbij verschillende key-items werden gemarkeerd als “traffic generators” voor het bedrijf;
  • 2) een geografische prijsstrategie waarbij uitzonderingen mogelijk waren binnen Europa
  • 3) een op regels gebaseerde prijsstelling waarbij de prijzen bepaalde beperkingen kregen. 

Uiteindelijk heeft SYMSON verschillende databronnen zoals klantgroepen, kortingsgroepen, seizoen effecten, prijselasticiteit en business regels in de slimme algoritmes opgenomen. Dit alles leidde tot nauwkeurige resultaten die de klant nodig had om te slagen. Benieuwd wat SYMSON voor jouw organisatie kan betekenen? Plan een gesprek in! Of lees verder over de voor- en nadelen van machine learning pricing. 

Boek een call om jouw case te bespreken



Plan in

Wat zijn de voordelen van Machine Learning pricing? 

Nu we hebben besproken wat Machine learning pricing is en door welke bedrijven het wordt gebruikt, kunnen we kijken naar de voor- en nadelen ervan. Laten we het positief houden en beginnen met de voordelen. Machine learning voor pricing is meestal een set prijsregels voor consumentengroepen die dynamisch verandert. Dit proces is automatisch en kan meestal op grote schaal worden toegepast voor een grote hoeveelheid producten. De belangrijkste voordelen hiervan zijn: 

  • Dynamiek – Een van de belangrijkste voordelen van ML pricing is dat hierdoor automatisch prijzen gewijzigd kunnen worden op basis van veranderingen in bepaalde variabelen, zoals vraag, seizoen of prijzen van concurrenten. Prijzen kunnen snel worden bijgewerkt, zonder dat een prijsmanager er perse heel veel tijd in hoeft te steken. Hierdoor hoef je hoeft niet constant te kijken naar wat je concurrenten doen. En als ze wel iets doen, dan zal het dynamische model er gelijk op reageren. 
  • Winst maximalisatie – Een ander voordeel van het gebruik van machine learning voor pricing is dat dit de marges maximaliseert en dus ook de winst van je organisatie. Het prijsmodel kan worden geïnstrueerd om de maximaal beschikbare winstmarge op elk product te behalen. Aangezien het model prijzen frequenter en tijdbesparender kan updaten dan mensen, biedt het je de best mogelijke optie om je winst te optimaliseren. 
  • Tijd- en kostenbesparing – Ten slotte, en het is al deels aangestipt in de vorige punten, is ML pricing tijd- en kostenbesparend. Aangezien het proces van het bijwerken van prijzen automatisch door het model wordt afgehandeld, hebben prijsmanagers, bedrijfseigenaren of beslissing makers meer tijd om aan andere uitdagingen te besteden. Het machine learning model neemt de meeste alledaagse en routinematige taken over en laat jou en je organisatie tijd besteden aan andere zaken. Dit vermindert de tijd voor het uitvoeren van alledaagse taken en bespaart kosten omdat er meer werk wordt gedaan in dezelfde hoeveelheid tijd. 

Wat zijn de nadelen van Machine Learning pricing? 

  • Negatief sentiment – Een van de belangrijkste valkuilen van ML pricing is dat het een negatief sentiment bij consumenten kan veroorzaken. Om terug te komen op het Uber-voorbeeld: hun prijzen werden exponentieel duurder als meer mensen een Uber willen. In Amerika was er een keer een schietpartij, waardoor veel mensen het desbetreffende gebied wilden ontvluchten Deze mensen zorgden voor een piekende vraag naar Uber-chauffeurs in het gebied en dit leidde ertoe dat Ubers erg duur werden. Mensen waren, zachtjes gezegd, niet blij hiermee. Dit zorgde voor een enorm ophef rond Uber. Hoewel dit een uniek scenario is, moet je oppassen dat je dynamische prijsmodel niet profiteert van rampzalige momenten zoals deze. Zodat consumenten geen negatief gevoel voor je hoeven te ontwikkelen. 
  • Prijsoorlogen – Een ander nadeel van een ML pricing is dat als jij en je concurrenten allemaal ML pricing gebruiken, dit een prijzenoorlog kan veroorzaken. Als organisatie A en organisatie B beide de goedkoopste willen zijn, zullen beide prijsmodellen de prijs blijven verlagen als reactie op de prijsverandering van de ander. Dit zou kunnen leiden tot een neerwaartse spiraal. Dit is echter gemakkelijk te voorkomen met een paar eenvoudige prijsregels, zoals een minimale verkoopprijs. 
  • Minder verkopen – Het laatste nadeel van ML pricing is dat mensen erachter kunnen komen dat de prijzen dynamisch zijn. Hierdoor zouden mensen kunnen vertrekken als de prijs voor een product te hoog is voor wat ze willen betalen. Sommige vliegmaatschappijen verhogen bijvoorbeeld de prijs als ze merken dat je heel vaak naar dezelfde vlucht kijkt. Als je vervolgens dezelfde pagina bezoekt in een nieuwe anonieme webbrowser, dan kan het zijn dat je een veel lagere prijs te zien krijgt. Als mensen dit weten, dan zullen ze proberen om op het juiste moment te kopen, wat in eerste instantie tot minder verkopen kan leiden.
prijsstrategie

Hoe kan je Machine Learning pricing succesvol implementeren? 

Nu we Machine learning pricing en de voor- en nadelen hebben besproken, vraag je je misschien af hoe je zelf machine learning kan gebruiken voor de pricing van je organisatie. Volgens onderzoek van McKinsey moet dit niet worden gezien als een IT-tool, maar als een nieuw business idee. In het verleden waren organisaties die het als een IT-tool behandelden, niet in staat om alle waarde die het te bieden heeft te benutten. Als organisatie moet je meerdere afdelingen aan boord krijgen, bijvoorbeeld sales, marketing en senior management. Om toch succesvol ML pricing te implementeren in je organisatie zijn hier 5 stappen:

  • Stap 1: Bepaal je commerciële doelstelling – Als eerste moet je je doel bepalen. Wil je je winstmarge verhogen, je omzet maximaliseren of een groter marktaandeel behalen? Je moet dit eerst beslissen, zodat je vervolgens stappen kunt zetten naar het uiteindelijke doel. Een goede manier om dit te doen is door een sterke business case te maken, die iedereen in de organisatie op één lijn brengt. Het hebben van een sterke organisatorische afstemming is belangrijk voor het succesvol doorlopen van de volgende stappen. 
  • Stap 2: Stel het juiste team samen – Zoals eerder vermeld, is machine learning pricing niet een IT-tool. Het is een zakelijk idee dat invloed heeft op veel werkprocessen van verschillende teams. Om dit te laten werken, heb je het juiste team nodig om dit in de hele organisatie te implementeren. Het team moet aan 2 voorwaarden voldoen: Het team moet beschikken over geavanceerde analytische kennis en moet nauw kunnen samenwerken met marketing en sales. Om hen te betrekken en over te halen van de toegevoegde waarde.
  • Stap 3: Focus op training – Focus op het trainen van de capaciteiten van mensen binnen de organisatie, zodat zij betrokken worden in het hele proces. Dit zorgt ervoor dat zij de waarde van machine learning voor dynamische prijsmodellen op waarde kunnen schatten. Neem hier zo veel mogelijk iedereen in mee. Niet alleen de mensen die voorstanders zijn, maar ook mensen die de waarde (nog) niet inzien. Breng ze op de hoogte en laat iedereen duidelijk zien wat er mogelijk is met machine learning pricing. Hierdoor zal iedereen veel sneller gewend raken aan de nieuwe prijzen.   
  • Stap 4: Faal snel, leer snel – Het is beter om snel een Minimal Viable Product, een eerste simpele versie, te implementeren dan maanden te wachten op een afgewerkt product. Verzamel gegevens vanuit de MVP en neem deze data zo goed mogelijk mee in de doorontwikkelingen van je dynamische prijsmodel. Zo heeft het systeem de eerste weken en maanden al resultaat en behaalt het sneller de maximale resultaten dan wanneer je met je organisatie heel lang wacht.  
  • Stap 5: Verzamel de juiste groep mensen – Om dit te laten werken, heb je de juiste getalenteerde mensen nodig. Het kan zijn dat je nog niet de juiste analytische capaciteiten binnen je bedrijf hebt. Begin dan met het inhuren van de juiste analytische mensen en combineer ze met mensen die het bedrijf, de branche en historische prijzen goed kennen. Zo combineer je nieuwe kennis met oude kennis, wat zorgt voor nog meer waarde. Door dit te doen, zal machine learning een blijvende impact hebben op de pricing binnen je organisatie en zal je je doelen sneller en efficiënter behalen.  

Machine Learning Prijssoftware van SYMSON 

Machine learning voor pricing gaat hand in hand met AI (kunstmatige intelligentie) en dynamische prijzen. AI- en machine learning modellen kunnen zeer snel grote hoeveelheden gegevens analyseren en tot de best mogelijke prijzen komen. Als mensen dit handmatig moeten doen dan duurt dit soort analyses aanzienlijk langer. Gelukkig zijn AI en machine learning steeds toegankelijker en meer wijdverspreid in het bedrijfsleven. Het is nu makkelijker dan ooit om dynamische prijzen te gebruiken op basis van door ML en AI gegenereerd advies. 

Met SYMSON krijg je dit allemaal in één machine learning-platform. SYMSON maakt het voor prijs- en datamanagers gemakkelijker om dynamische prijsstrategieën te implementeren en vraagvoorspellingen te doen. Het platform helpt je om alledaagse taken te automatiseren en geeft advies over hoe je je winstmarge kunt vergroten. Mocht je willen weten wat we voor jouw organisatie kunnen betekenen, plan dan snel een call in!

Boek een call om jouw case te bespreken



Plan in