Por: Ariel Jadzinsky (*).
La nueva era de compradores tiene al alcance de la mano mucha información y las empresas deben adelantarse a esta situación, obteniendo datos actualizados de la competencia y proyectando la demanda y los precios para ser más competitivos.
En este sentido, las aerolíneas son pioneras y, desde 1970, vienen implementando la optimización de precios en tiempo real. Otro ejemplo: en 2004, una importante cadena de hoteles internacionales abandonó el modelo de precios fijos para adoptar un modelo de precios 100% dinámico y en línea. Y hoy, en general, todo el retail viene implementado distintas estrategias de optimización.
Volumen de datos
Contamos con datos básicos tanto de nuestra operación como del mercado: nuestro stock, nuestros costos, precios de la competencia diferenciada por ubicación y tiempo. Pero, además, en los algoritmos de optimización influyen datos como el clima, eventos, tráfico, redes sociales, noticias y todo tipo de datos externos.
Tomemos como ejemplo la página www.preciosclaros.gob.ar del Gobierno Nacional que dispone en línea una gran cantidad de precios por producto y ubicación. Tomaremos sólo esta fuente de información externa, para entender los volúmenes de información disponibles.
Un supermercado podría monitorear los precios sobre 1000 productos, una comparativa de precios sobre 3 competidores en 20 ubicaciones (suponiendo que tiene sólo 20 sucursales) y una ventana de 30 días de tiempo, inicialmente.
Este simple ejercicio nos da: 1000 * 3 * 20 * 30 = 1.800.000 datos.
Ahora, con todos estos datos, ¿qué hacemos? ¿Cómo los analizamos y a qué conclusiones podemos llegar?
Para un equipo de personas es una tarea muy compleja. Pero para un algoritmo de inteligencia artificial es lo ideal.
En resumen, si contamos con mucha información y no contamos con la habilidad de automatizar su procesamiento, obtener resultados requerirá mucho esfuerzo.
Te puede interesar: Faltantes de stocks: satisfacer la demanda en tiempos de escasez
Predicción
Muchas organizaciones terminan haciendo muestreos resumidos y simplemente estiman los precios por intuición.
¿Si aplicamos un descuento o aumentamos el precio de un producto, como afectará la demanda de nuestros clientes? ¿Cuánto debería ser el mínimo descuento para agotar el stock?
Estas preguntas son realmente complejas de responder, pero en algunos escenarios es posible predecir la demanda y que nuestros algoritmos de IA nos ayuden a validar distintas hipótesis antes de ser aplicadas y no analizar su éxito post implementación.
Proceso de optimización
Para implementar un proceso de optimización deberemos ejecutar una serie de pasos:
- Obtener tanta información como sea posible:
- Conocer a la competencia. Recolectar la información de la competencia de forma automatizada y sistemática.
- Entender al consumidor. Obtener patrones de comportamientos y segmentación de clientes.
- Contar con la estructura de costos como dato de referencia.
- Obtener datos externos: temporadas, datos macroeconómicos, el clima, eventos, feriados, tráfico, etc.
- Procesar, diagnosticar y automatizar:
- Mapear los productos. Identificar, clasificar y asociar productos de la competencia con nuestro catálogo e identificar aquellos similares que podrían ser comparados por precio.
- Identificar los patrones.Y aquí es donde la inteligencia artificial se pone en acción. Con toda la información disponible, la IA detectará patrones de comportamiento que nos permitirán implementar recomendaciones de precios.
- Monitorear los KPIs. Si pensamos en automatización, deberemos tener tableros de comando que nos muestren la eficiencia y evolución de los indicadores clave.
- Reglas de negocio. Una vez que tengamos reglas de recomendaciones confiables se podrán implementar de forma automática.
Tecnologías
Según las necesidades, un científico de datos podrá recomendar cuál es la tecnología más apropiada.
Para el primer grupo de tareas (obtener información) existen numerosas tecnologías como:
- Web Scrapping y RPA,que se basan en robotizar y emular la interacción humana en la web para obtener información.
- Crawling:motores de búsqueda en internet similares a Google.
- APIS: integraciónvía APIs contra socios y servicios públicos que brindan información.
Para el segundo grupo (procesamiento, diagnóstico y automatización) deberán ponerse en práctica otras tecnologías:
- Machine Learning. Los algoritmos de regresión suelen ser los más usados para predecir el precio de un producto, pero existen numerosas aproximaciones.
- Business Intelligence,para armar tableros y los KPIs que nos permitan entender cómo evoluciona el negocio, las decisiones que estamos tomando y ajustar las reglas de negocio.
- Business Rules. Nos permitirá diseñar las reglas de negocio del tipo “queremos estar no más de 5% arriba de la competencia”, “aumentar hasta 15% de margen según el stock remanente”, “aumentar hasta 10% la promoción si la demanda proyectada baja más de un 30%”, etc.
- Product Matching.Son técnicas y herramientas para asociar productos y, por ejemplo, cuando entramos a un e-commerce, al mirar un producto nos ofrezca “productos similares”.
Enfoque de proyecto
¿Qué frecuencia de optimización queremos tener? ¿Semanal, diaria o en línea? Dependiendo de la frecuencia, las estrategias pueden variar.
Hoy en día, los e-Commerce suelen implementar optimización de precios en línea mientras que muchas grandes cadenas, como supermercados, optan por utilizar ofertas diarias o semanales.
Las variables a tener en cuenta son muchas y el desafío es importante. Se requerirá de un enfoque que permita aproximarnos a una solución real, confiable e implementable.
Para esto es necesario contar con un equipo calificado en la materia, con científicos de datos y metodologías ágiles que aproximen, refinen y corrijan la solución.
Es recomendable ir por etapas cortas, con resultados concretos que puedan dar paso a nuevos desafíos. Es importante comenzar con la ingesta de datos, automatizar la recolección de información de la competencia y otros datos externos con una calidad mínima.
Una vez que aseguramos que los datos son confiables y tienen volumen, podremos comenzar con algoritmos de IA que descubran patrones y propongan reglas de optimización. En ese momento, debemos implementar enfoques paralelos que puedan comparar la optimización de precios contra nuestro negocio regular.
En materia de optimización de precios, sin dudas las oportunidades y los beneficios asociados son enormes. Pero el desafío, también.
La inclusión de tecnologías como la IA es algo que todos los gerentes deberían estudiar y evaluar. Son herramientas cada vez más accesibles y económicas. Y otros competidores ya están utilizándolas.
(*) Director de Paradigma. Líder de la práctica Data Management.
Nota completa publicada en RevistA Énfasis edición mayo 2022. Ingresá aqui.
