Tekoälyhinnoittelu kasvatti katetta ja myyntiä samanaikaisesti
Matalakatteisessa, suljettuun tarjouskilpailuun perustuvassa myynnissä hinnat asetettiin pitkälti käsin. Rakensimme hinnoittelumoottorin alusta alkaen. Kun ensimmäinen versio ei toiminut, toinen nosti katetta 15–20 % ja myyntiä yli 10 % yhtä aikaa.
Haaste
Asiakkaamme kilpailee matalakatteisessa, suljettuun tarjoukseen perustuvassa myynnissä, jossa halvin hinta voittaa, mutta kukaan ei näe kilpailijoiden tarjouksia eikä tilausmääriä tiedetä etukäteen.
Tarjoukset tehdään näkemättä kilpailijoiden hintoja
Liiketoiminta perustuu suljettuihin tarjouksiin, joissa halvin hinta voittaa eikä kilpailijoiden tarjouksia paljasteta koskaan. Tilanne muistuttaa pokeripeliä, jossa et näe muiden kortteja tai panoksia, vain sen, voititko vai hävisitkö. Tilausmääriä ei tiedetä etukäteen, joten katetta on vaikea ennustaa.
Voittoprosentin ja katteen välillä ei ollut säädintä
Jokainen hinta oli tasapainottelua kaupan voittamisen ja katteen suojaamisen välillä, eikä näitä kahta osannut luotettavasti tasapainottaa. Liian matalalla hinnalla menetettiin katetta, liian korkealla kauppa meni kilpailijalle.
Käsin asetetut hinnat vaihtelivat valikoiman sisällä
Hinnat asetettiin pitkälti käsin arvioitujen minimikatteiden ja maksimihintojen varassa. Lopputulos oli epäjohdonmukainen läpi valikoiman ja vaati jatkuvasti merkittävää hinnoittelutyötä.
Mitä rakensimme
Rakensimme hinnoittelumoottorin alusta alkaen alle kuudessa kuukaudessa: data-analyysi, piirteiden suunnittelu, mallin kehitys ja tuotantokäyttöönotto. Se asettaa optimaaliset päivähinnat, ja läpimurto syntyi siitä, ettemme luovuttaneet, kun ensimmäinen versio ei tuottanut tulosta.
- 01Mallinnus
Malli simuloi tarjouskilpailun ja ennustaa voittotodennäköisyyden
Malli simuloi tarjous- ja tilauskäyttäytymistä ja ennustaa voittamisen todennäköisyyttä eri hintapisteissä. Sen jälkeen se optimoi jokaisen hinnan odotetun katteen maksimoimiseksi pysyen silti kilpailukykyisenä. Hinnat mukautuvat kysyntään ja varastotasoihin.
- 02Takaisku
Ensimmäinen malli vain toisti vanhat hinnat
Pelkkään historiaan opetettuna puhdas koneoppimismalli toisti täsmälleen saman hinnoittelun, jota asiakas oli aina käyttänyt. Se oli kallis tapa tehdä sitä, mitä jo tehtiin. Malli osasi ennustaa menneistä tarjouksista mutta ei optimoida: se katsoi taaksepäin sen sijaan, että olisi oppinut omista tuloksistaan.
- 03Läpimurto
Sääntökerros mallin päälle korjasi hinnat reaaliajassa
Lisäsimme mallin päälle sääntökerroksen, joka vertaa tuloksia vanhaan tapaan reaaliajassa, laskee hintoja automaattisesti, kun tappiot kasvavat, ja oppii vähitellen, mitkä tuotteet kestävät korkeamman katteen. Ratkaisu on yksinkertainen, mutta se käänsi tulokset.
Tulokset
Toinen kierros tuotti sen, mitä yleensä ei saa yhtä aikaa: lisää katetta ja lisää myyntiä.
Tekoälyoptimoitu hinnoittelu nosti kannattavuutta 15–20 %. Hintoja laskettiin siellä, missä rahaa menetettiin turhaan, ja nostettiin siellä, missä katetta jäi saamatta.
Myyntivolyymi kasvoi yli 10 % samaan aikaan, vaikka nämä kaksi mittaria liikkuvat yleensä toisiaan vastaan.
Data-analyysi, piirteiden suunnittelu, mallin kehitys ja käyttöönotto toimitettiin alle kuudessa kuukaudessa, ja takaisinmaksuaika oli lyhyt.
Optimaaliset hinnat asetetaan nyt automaattisesti joka päivä. Manuaalinen hinnoittelutyö väheni ja tulokset yhdenmukaistuivat läpi koko valikoiman. Ratkaisu tuottaa arvoa kuukausi toisensa jälkeen.
Lisäksi
- Kate ja myynti liikkuvat yleensä vastakkaisiin suuntiin, mutta tässä molemmat nousivat yhdessä
- Tärkein oppi ei koskenut algoritmeja vaan sitä, että ensimmäisen version epäonnistuttua yritettiin uudelleen
