Datagedreven margeoptimalisatie: effectieve kortingen gebaseerd op AI-inzichten

Met behulp van kunstmatige intelligentie is het mogelijk je marges te optimaliseren. Maar hoe zet je zulke techniek in? De PRICE-aanpak geeft handvatten om de techniek succesvol bij je bedrijf te introduceren.

Retailers moeten de juiste balans vinden tussen een hoge korting voor hoge verkoopaantallen en een lage korting voor een hoge marge per eenheid. Dit is echter makkelijker gezegd dan gedaan. Met datagedreven margeoptimalisatie kan de beste korting voor elk product bepaald worden, zodat de KPI’s behaald kunnen worden met de middelen die beschikbaar zijn. Marge-optimalisatie zorgt ervoor dat de verkoopprijs van een product strategisch verlaagd wordt door rekening te houden met factoren zoals de verkoophistorie, prijsklasse, prijsstelling van concurrenten en seizoensgebonden trends.

De PRICE-aanpak

Voor het opzetten van een marge-optimalisatieproject is de PRICE-aanpak bedacht. Deze is gebaseerd op vijf kernpijlers: Predict – Recommend – Illustrate – Collaborate – Evaluate.

Het begint dus met de “P” van Predict. Om voorspellingen te kunnen doen, moet er een vraagvoorspellingsmodel getraind worden. Dit kan aan de hand van historische wekelijkse verkopen per voorraadhoudende eenheid (SKU). Het model moet hierbij wel rekening houden met bestaande kortingen. Uiteindelijk is het doel om voor elke SKU te voorspellen welk wekelijks volume verkocht kan worden, in elke winkel en voor elke kortingsmogelijkheid. Het klinkt misschien aantrekkelijk om deze voorspelling op dagniveau te doen, maar dat is niet aan te raden. Het weekvolume is gemakkelijker nauwkeurig te voorspellen en daarnaast is het waarschijnlijk niet nodig de prijzen elke dag te wijzigen.

Vervolgens staat de “R” in PRICE voor Recommend. Bereken de beste korting voor elk product en selecteer de beste producten om te promoten door rekening te houden met verschillende KPI’s (marge, marktaandeel en voorraadverlies). De aanbeveling die hieruit volgt, geeft aan welke korting de maximale margeverhoging genereert.

De cijfers die uit het algoritme voortkomen, zijn nog niet voldoende om de beste korting voor elk product te bepalen. De beslissers (zoals prijsstellings-, marketing- en e-commerceteams) moeten worden overtuigd om de aanbevelingen van het algoritme te gebruiken. Dat is waar de “I” in PRICE in het spel komt. Inzichten moeten worden gedeeld om te bewijzen dat machine learning geen hippe gimmick is en dat de voorspellingen zijn afgestemd op de inzichten van experts en kunnen worden vertrouwd. Dit kan bijvoorbeeld door de elasticiteitscurve te illustreren per productfamilie, producteigenschap of doelgroep. Daarnaast is het altijd slim om ook de financiële meerwaarde die het algoritme oplevert te illustreren.

Om het project te laten slagen, moeten de teams vervolgens samenwerken richting een gemeenschappelijk doel. Door het businessteam in het denkproces te betrekken, kan er goed samengewerkt worden (de “C” in PRICE staat voor Collaboration) en is het mogelijk om te itereren op een manier die sneller resultaten oplevert.

Aan het eind van het proces is het tijd om te reflecteren op de behaalde resultaten. De “E” in PRICE staat dan ook voor Evaluate. Analyseer en meet de financiële prestaties van het algoritme. Vergeet niet dat de nauwkeurigheid van het algoritme niet alles is. Ja, het is belangrijk omdat het geloof in de propositie creëert, maar belangrijker is de financiële groei die de use case zal creëren voor het bedrijf. Een vraagvoorspellingsalgoritme met een foutpercentage van 40% MAPE (mean average percentage error) genereert soms wel al een margeverhoging van 5%, terwijl een poging om de fout te verminderen tot 30% misschien niet veel incrementele waarde oplevert.

Van start gaan met marge-optimalisatie kan uitdagend zijn. Niet iedereen binnen de organisatie zal meteen de toegevoegde waarde van AI kennen en snappen. Om toch goed van start te gaan is het belangrijk om de volgende praktische tips in het achterhoofd te houden.

Begin simpel

Wanneer er een demand-voorspellingsmodel ontwikkeld wordt, kan het verleidelijk zijn om gelijk allemaal toeters en bellen toe te voegen. Doe dit niet en begin in plaats daarvan eerst met de essentiële functies. Overleg met het bedrijfsteam: zij weten instinctief wat belangrijk en relevant is. Bouw een eenvoudig model en ontwikkel dit geleidelijk door. Het bedrijfsteam kan dan zien of de aanbeveling van het algoritme logisch is, en wanneer dat niet zo is kan het team zijn bedrijfsinzichten gebruiken om voor te stellen hoe het model kan worden verbeterd en welke functies moeten worden toegevoegd.

Kijk kritisch naar verzoeken en functies

Zie de verzoeken van het bedrijfsteam niet als een must. Het zal onmogelijk zijn om onmiddellijk al hun verzoeken in te willigen. Blijf daarom ook kritisch kijken om te zien of gewenste functies echt kritiek zijn. Stel dat we weten dat een voorspelling veel nauwkeuriger is wanneer het model minder ver vooruit kijkt. Als het businessteam dan aangeeft het kortingsvoorstel het liefst twee weken van tevoren te krijgen, kijk dan kritisch of dit echt essentieel is of dat één week eigenlijk ook genoeg is. Bij het uitvoeren van een data science-project moet je soms de rol van een analytische arts spelen: help en luister naar de patiënt, maar stel eerst goed de symptomen vast voordat je zomaar medicijnen voorschrijft omdat de patiënt ernaar vraagt.

Vergeet niet de meerwaarde te meten

Gebruik een dashboard om de meerwaarde van het AI-model te meten en te illustreren. Breng in kaart hoeveel marge, inkomsten en volume het algoritme toevoegt in vergelijking met de oude methode (die meestal zonder op AI gebaseerde technologie werkt of in sommige gevallen handmatig is). Het is veel krachtiger om te kunnen zeggen dat dit algoritme X miljoen meer per week genereert, in plaats van dat ons voorspellingsmodel een MAPE van 30% heeft.

Over de auteur: Jurriaan Krielaart is Regional Vice President bij Dataiku.

Op de hoogte blijven van het laatste nieuws binnen je vakgebied? Volg Emerce dan ook op social: LinkedIn, Twitter en Facebook.