Kunstmatige intelligentie kan een echte gamechanger worden voor prijszetting en promotie-optimalisatie in retail, zegt een nieuwe studie van PwC. Vooral machineleren biedt potentieel, al is het op zich geen wondermiddel.
Autonome algoritmes
Schakel ‘buikgevoel’ uit, gooi verouderde methodes overboord en laat de prijszetting voortaan over aan autonome algoritmes: dat is, kort door de bocht, de belofte die artificiële intelligentie (AI) inhoudt als het gaat om het bepalen van prijsniveaus en het optimaliseren van promoties. De verwachtingen zijn al een tijdje hooggespannen: volgens de wereldwijde CEO Survey van PwC is 85% van de CEO’s het eens met de stelling dat kunstmatige intelligentie een aanzienlijke impact zal hebben op hun zakenmodel, ook al is de penetratie van AI vandaag in bedrijven nog niet indrukwekkend (zie grafiek 1). Het grootste potentieel zien experts op het vlak van supply chain management, productie, marketing en verkoop.
Waarover spreken we? In PwC’s brede definitie is AI een verzamelnaam voor computersystemen die hun omgeving kunnen waarnemen, en die in reactie op deze waarnemingen kunnen denken, leren en actie ondernemen in lijn met hun doelstellingen. Toepassingen zien we onder meer in voorspellende modellen, autonome voertuigen, ‘cognitive computing’, chatbots en slimme robots. De toenemende beschikbaarheid van data en de voortdurende technologische verbeteringen op het vlak van verwerkingskracht en opslag, zijn factoren die leiden tot een democratisering van artificiële intelligentie.
AI werkt op vier manieren:
● Geautomatiseerde intelligentie: automatisering van handmatige/cognitieve en routinematige/niet-routinematige taken
● Geholpen intelligentie: mensen helpen om taken sneller en beter uit te voeren
● Toegevoegde intelligentie: mensen helpen om betere beslissingen te nemen
● Autonome intelligentie: automatisering van besluitvormingsprocessen zonder menselijke tussenkomst.
Drie toepassingsgebieden
Veelbelovend voor de retailsector is de inzet van kunstmatige intelligentie bij het optimaliseren van prijzen en promoties, schrijven auteurs Stijn Cottenie, Louis de Liedekerke en Peter Vermeire van PwC Belgium in een nieuwe studie. Rationele prijszetting is namelijk afhankelijk van data, en AI-technologieën laten toe om enorme hoeveelheden data te verwerken. Met name machineleren biedt potentieel, omdat het kennis en patronen kan halen uit reeksen waarnemingen. Machineleren is gebaseerd op het idee dat we machines kunnen bouwen die op zichzelf kunnen leren, zonder dat er voortdurend menselijk toezicht nodig is. PwC heeft drie belangrijke toepassingsgebieden geïdentificeerd waar AI een impact kan hebben.
1. Prijsoptimalisatie
Bijna alle bedrijven hebben moeite om de faire prijs voor een product of dienst te bepalen, in te schatten hoe klanten zullen reageren op verschillende prijzen, en hoe ze de maximale waarde voor elk klantensegment in een markt kunnen realiseren. Dit is waar machineleren in het spel komt: het biedt bedrijven de mogelijkheid om hun prijzen, hun prijsstrategie en de effectiviteit van hun managers te optimaliseren.
Machineleren kan in een kort tijdsbestek grote hoeveelheden data nauwkeurig analyseren en hieruit bruikbare inzichten halen. Het kan bedrijven helpen de winst te maximaliseren via op waarde gebaseerde prijzen en optimale prijsniveaus. Het biedt beslissers ook de mogelijkheid om te begrijpen wat de bereidheid van klanten is om te betalen voor een product en wat hun reacties zijn op verschillende prijsstrategieën.
Machineleren helpt bedrijven een meer rationele globale prijsstrategie te ontwikkelen op basis van data uit meerdere bronnen: historische transacties, winst- en verliesanalyse, prijsniveaus van concurrenten en contextuele gegevens (bijvoorbeeld: wat zegt de klant over ons product op sociale media, algemene markttrends, enzovoort.). Door te kijken naar dergelijke prescriptieve en voorspellende gegevens, kunnen managers betere en snellere beslissingen nemen.
Een voorbeeld? Algoritmische dynamische prijzen, waarbij het systeem de prijzen voor elke klant automatisch bijstuurt op basis van data, om zich snel aan te passen aan veranderingen in de markt en zo de winstgevendheid te verbeteren. Hoewel bedrijven in de luchtvaart- en horecasector al lang machines gebruiken om hun prijzen te bepalen, is er veel veranderd. In plaats van op regels gebaseerde programma’s, gebruiken ze nu overwegend reinforcement-learning, waarbij de logica van het bepalen van de prijs van een product niet meer onder de controle van de mens valt; algoritmes verzamelen en analyseren constant de feedback en reacties van klanten op prijsstelling – vaak in realtime – en gebruiken dit als input om het model te optimaliseren. Volgens PwC kunnen bedrijven die gebruikmaken van de kracht van AI bij prijsoptimalisatie de netto-omzet tot drie procent verhogen bij identieke volumes.
2. Kortingen en promoties
Hoe kan je als bedrijf een efficiënte promotiestrategie vormgeven? Welke korting moet je geven aan je klanten om de winstgevendheid te verbeteren? Wat was het rendement van promoties in het verleden? Met AI kunnen bedrijven promoties optimaliseren op basis van nauwkeurige analyses en voorspellingen.
Hoewel ze kostelijk zijn, vormen promoties een cruciaal middel om de merkbekendheid en de omzet te vergroten. Het meten van de impact van promoties is echter een complexe oefening, omdat verschillende factoren tegelijkertijd de verkoop beïnvloeden (zie grafiek 2). Machineleren kan de impact in kaart brengen van factoren als korting, kannibalisatie of stockage-effecten. Zo kan men zowel de reële als de potentiële rendement en penetratie van een promotie berekenen.
AI kan ook helpen bij het opzetten van een promotiestrategie. Door data te analyseren (klantactiviteit, informatie, abonnementen, concurrenten, aankoop- en transactiegeschiedenis…), kunnen AI-algoritmen een nauwkeurige marketingsegmentatie doorvoeren en klanten ’targeten’ om loyaliteit op te bouwen of ‘churn’-gedrag (klanten die weglopen) te identificeren. Met AI kunnen bedrijven werken aan doelgerichter, winstgevender (met het ideale kortingspercentage) en omzetgestuurde promoties.
3. Productportfolio
De belangrijkste hefboom voor bedrijven om hun omzet te laten groeien, is meer inkomsten halen uit hun bestaande klantenbestand. Door verschillende databronnen te analyseren, formuleren AI-algoritmen tijdens het verkoopproces intelligente en gepersonaliseerde suggesties voor verkopers over welke aanvullende (‘cross-selling’) of meer winstgevende (‘upselling’) producten en/of diensten een klant zouden kunnen interesseren. Door gegevens uit alle bedrijfsdivisies, kanalen en regio’s te verwerken, kunnen algoritmen nauwkeuriger aanbevelingen doen dan wie dan ook.
Drie uitdagingen voor AI-implementatie
Ondanks de aanzienlijke voordelen moeten we AI niet zien als hét wondermiddel dat alle prijsproblemen gemakkelijk zal oplossen, waarschuwt PwC. Los van de technologische mogelijkheden stelt het implementeren van AI in een bedrijf drie belangrijke uitdagingen met betrekking tot strategie en organisatie, data en mensen.
1. Een prijsstrategie en implementatieplan opstellen
Het meest uitdagende probleem is organisatie: de nieuwe technologie wordt een onmisbare ondersteuning voor zakelijke beslissingen, maar mensen blijven een rol spelen. Het is essentieel dat een bedrijf een duidelijke prijsstrategie heeft en de pijnpunten identificeert waarvoor AI en automatisering een oplossing kunnen bieden. Het kan lonen om klein te beginnen: het testen van AI-technieken via korte sprints van zes weken is vaak een betere gok dan een enorme hoeveelheid geld te investeren in grote projecten. Met een ‘agile’ aanpak en een test-en-leerfilosofie, leer je uit fouten. Noodzakelijk zijn krachtige processen voor gegevensonderhoud en ‘governance’, met aandacht voor zowel het verzamelen en organiseren van data als het implementeren van AI-modellen in workflows. Tot slot zijn vertrouwen en transparantie van cruciaal belang om mensen te overtuigen om te doen wat AI-modellen voorstellen.
2. AI is cool, maar vereist data van hoge kwaliteit
Om AI voor prijsstelling te implementeren, moet volgens PwC een aantal problemen worden aangepakt. Welke data zijn beschikbaar, hoe kunnen meer data worden verkregen en georganiseerd? Data moeten transparant zijn en voldoen aan regelgevingsprocedures zoals de algemene verordening gegevensbescherming van de EU (GDPR). Sla ze op en integreer ze met behulp van een cloudoplossing, zogenaamde ‘datameren’ of andere technologieën. Voortdurende verificatie en verbeteringen zijn essentieel.
3. De juiste mensen aan boord
“Al te vaak zien we dat klanten die met AI-projecten beginnen, uiteindelijk eindigen met een zeer ingewikkeld AI-algoritme dat niet echt nuttig is voor hun bedrijf”, zeggen de auteurs. ‘Best practice’ is om drie niveaus van medewerkers te creëren: een brede groep mensen die AI-applicaties van het bedrijf gebruiken voor enhanced pricing (met deskundige hulp wanneer dat nodig is); een meer gespecialiseerde groep professionals die datasets kunnen identificeren en nauw samenwerken met specialisten om nieuwe AI-applicaties te ontwikkelen; en een kleine maar cruciale groep data-ingenieurs en -wetenschappers die AI-prijsapplicaties zullen maken, implementeren en beheren.
Kortom?
Artificiële intelligentie, en met name machineleren, zal het spel veranderen voor prijzen. Door verschillende gegevensbronnen te analyseren, helpt machineleren bedrijfsleiders om de prijs van hun producten effectiever en efficiënter in te stellen en een effectieve prijsstrategie te ontwikkelen, het rendement van promoties te berekenen en de klantensegmentatie nauwkeuriger te maken. Het biedt ook meer intelligente en gepersonaliseerde suggesties voor cross-selling of upselling.
AI is echter nog maar het topje van de ijsberg: eerst zijn inspanningen nodig om data te extraheren, op te schonen, te normaliseren en te organiseren. Het implementeren van AI in een organisatie kost tijd en moeite kost. Zorg dus eerst dat de basis van uw bedrijf – uw prijsstrategie en implementatieplan, data, personeelsbestand, enzovoort – solide is, zodat u AI constructief kunt introduceren, voorbij de hype.
