Big data: de volgende stap in de prijsstrategie

Over big data wordt meer gepraat en geschreven, dan dat het wordt toegepast in de praktijk. Dat is ook begrijpelijk: bedrijven zien wel de mogelijkheden, maar zijn vaak nog niet zo ver dat gegevens centraal worden ontsloten, waarna ze kunnen worden geanalyseerd en toegepast in de bedrijfsvoering.

Met name de real-time analyse van klantgegevens biedt kansen om big data om te zetten in business-voordelen. Een van de meest concrete toepassingen is het optimaliseren van de verkoopprijs van producten en diensten. Het bepalen van de juiste prijs is vooral een lastig karwei als een organisatie grote aantallen artikelen verkoopt, en/of veel verschillende klanten bedient. Big data kan helpen om de omzet te vergroten, door het bepalen van de beste verkoopprijs. In de praktijk blijkt namelijk vaak dat er verschillende prijzen worden gehanteerd voor verschillende groepen klanten.

Prijsstrategie

In de loop van de jaren zijn er veel verschillende manieren ontwikkeld om de prijs van een product te bepalen. Eén van de meest eenvoudige strategieën is het overnemen van de prijs van de concurrentie, of daar juist iets onder gaan zitten, bijvoorbeeld door een 'laagste prijs-garantie'. Deze manier van werken klinkt aantrekkelijk omdat het redelijk eenvoudig is en omdat het eenvoudig is om een prijsvoordeel te behalen ten opzichte van de concurrentie.

Wat hierbij vaak vergeten wordt, is dat het verkopen van een product van veel meer zaken afhangt dan alleen de prijs; denk hierbij aan de marketing-mix (de vier P's voor producten en de 7 P's voor diensten). Daarnaast is het de vraag of er enige marge overblijft. Wellicht heeft de concurrentie betere inkoopvoorwaarden of kan zij door een efficiëntere bedrijfsvoering meer winst maken.

Met deze factoren wordt wel rekening gehouden bij andere prijsstrategieën, zoals de kostprijsplus-strategie, prijsstelling op basis van de integrale kostprijs en de op  dekkingsbijdrage gebaseerde prijsstelling. Ook zijn er prijsstrategieën die gebruikt kunnen worden bij de introductie van nieuwe producten, die gebaseerd zijn op de waarde die voor de klant gecreëerd wordt.

Door de vergaande automatisering en de prijsreductie van dataopslag worden er steeds meer data verzameld. IT-leveranciers hebben nieuwe methodes en technieken ontwikkeld waardoor deze grote en veelsoortige datavolumes geanalyseerd kunnen worden. Hierdoor kan op een vernieuwende manier de verkoopprijs voor een product bepaald worden op basis van historische gegevens.

Prijsbepaling op basis van historische gegevens

De prijsbepaling op basis van historische gegevens kan voor verschillende verkoopkanalen gebruikt worden: in een winkel, bij online verkoop en bij telefonische verkoop. Het belangrijkste verschil in deze situaties is dat in het eerste geval de klant vaak onbekend is (of pas bekend wordt bij het afrekenen), terwijl bij de tweede en zeker bij de derde variant de klant vaak bekend is. Hoe meer er van de klant bekend is, des te meer er klantspecifieke voorstellen gegenereerd kunnen worden.

Hoe werkt dat, het automatiseren van prijsbepaling? Hierin zijn vijf stappen te onderscheiden.

Stap 1: Bepaal het doel van een prijsverandering

Het beïnvloeden van de verkoopprijs kan verschillende achtergronden hebben. Denk aan:

• Het vergroten van de naamsbekendheid
• Het vergroten van het marktaandeel
• Het verlagen van de voorraad
• Een voorraad uitverkopen aan het eind van de dag
• Het verhogen van het rendement

De eerst vier doelen worden vaak gerealiseerd door de prijs te verlagen. Bij het verhogen van het rendement is het verstandig om te onderzoeken bij welke prijs de hoogste marge behaald wordt. Moet de prijs worden verhoogd, verlaagd, of juist gelijk blijven?

Stap 2: Bepaal de variabelen en kwantificeer hun invloed

Het aanpassen van de prijs geeft, binnen bepaalde marges, de mogelijkheid om de afzet te beïnvloeden. Naast het aanpassen van de prijs zijn er andere zaken van invloed op het aantal verkochte producten. Hierbij valt te denken aan het weer, de prijs van concurrerende producten (zowel eigen producten als producten van concurrenten), de beschikbaarheid van concurrerende producten, andere producten die de klant al eens bij de leverancier gekocht heeft, het sentiment over producten, etc.

Vaak kan iemand met kennis van het product en de markt een aantal van deze factoren identificeren op basis van zijn ervaring. Het kwantificeren is echter al een stuk moeilijker. Hier komen de historische gegevens om de hoek kijken; daarin liggen deze zaken namelijk vaak verborgen. Door gebruik te maken van verschillende statistische algoritmes kunnen we de belangrijkste variabelen bepalen en de invloed hiervan kwantificeren. Indien van een product geen historische gegevens beschikbaar zijn kan men ervoor kiezen om de historische gegevens van een ander, soortgelijk artikel als voorbeeld te nemen. Hoe meer statistische gegevens bekend zijn, hoe beter de resultaten van de analyse worden. Door de laatste ontwikkelingen in de IT zijn juist de grote aantallen data eenvoudig te analyseren waardoor real-time inzicht en actie werkelijkheid wordt.

Stap 3: Bouw een model waarin de waarden van de variabelen real-time aangepast kunnen worden

Wanneer de verschillende variabelen die van invloed zijn op de afzet zijn vastgesteld en hun invloed is gekwantificeerd, kan er een model worden gebouwd. Het doel

is om het model zo te bouwen dat de verschillende, niet beïnvloedbare variabelen automatisch gevuld worden vanuit verschillende bronnen, en dat door het invoeren van de gewenste uitkomst (de afzet) de prijs bepaald wordt.

De bronnen kunnen zowel interne als externe bronnen zijn. Denk bij externe bronnen aan leveranciers van meteorologische gegevens, leveranciers van branche specifieke data en aan sentimentanalyse.

Stap 4: Integreer het model in het proces

Het is van belang dat de resultaten, eventueel na een goedkeuring, snel kunnen worden doorgezet naar de 'werkvloer'. Het combineren van de resultaten met de kennis, ervaring en gevoel van uw medewerkers zorgt ervoor dat de voordelen in de praktijk worden behaald. Omdat het in veel gevallen gaat om grotere hoeveelheden gegevens en deze vaak meerdere keren per dag doorgezet moeten worden is het wenselijk om dit te automatiseren. Dit is ook mogelijk in een winkel, door gebruik te maken van elektronische schapkaartjes, zoals je die al jaren in het buitenland ziet.

Stap 5: Check de resultaten in de praktijk om het model te verbeteren

De laatste stap is het controleren of de actie de juiste uitwerking heeft. Dit is een belangrijke stap in het proces omdat dit kans geeft op verbetering. Een eventuele afwijking moet zo snel mogelijk worden geanalyseerd, zodat het model kan worden aangepast, indien nodig. Om deze analyse goed uit te kunnen voeren is het van belang dat zowel de voorspelling als het resultaat vastgelegd worden in een schaalbare, snelle database. Goede rapportage- en analysetooling is hierbij onontbeerlijk. 

Hoe te beginnen?

Bovenstaande klinkt misschien logisch en lijkt eenvoudig te implementeren, maar de aanschaf van alle hard- en software vergt wel een investering, terwijl niet altijd duidelijk is dat deze snel genoeg terugverdiend kan worden. Verder beschikken niet alle bedrijven over de kennis van big data, statistiek en automatisering om ideeën te vertalen in waardevolle, bruikbare toepassingen en het realiseren hiervan. Daarom zijn er verschillende initiatieven om het verwerken en analyseren van grote hoeveelheden gegevens te ondersteunen. Bijvoorbeeld de unconferences die worden georganiseerd door Ciber samen met het NL eScienceCenter en Microsoft. Met als doel om vanuit de wetenschappelijke wereld te inspireren en tot nieuwe ideeën te komen die op korte termijn uitgeprobeerd kunnen worden in een Proof of Concept. Dit PoC wordt in samenwerking met TNO uitgevoerd in het Big Data ValueCenter.

Door: Dirk de Vries

Managing consultant Business Intelligence Ciber Nederland