利用大数据做出更好的定价决策

简介:

正确定价的重要性其实是很难评估的。产品平均价格每上涨1%,企业营业利润就会同比增长8.7%(当然,这是在假设没有损失量的情况下)。然而,据我们估计,成千上万的定价决策企业中每年有高达30%的企业未能提供最佳定价。这对企业是一个巨大的损失。让人觉得尤为烦恼的是海量的可获得的数据可以为公司提供一个制定更好定价决策的机会,但是大数据具有复杂性,而那些能够解决大数据复杂性的办法的价值是巨大的。


我们并不认为这是件简单的事情:作为数字化源泉的客户接触点的数量不断激增,导致多渠道的复杂性不断增长。而价格点也需要与其保持同步。很多公司没有发现或者利用大数据带来的机遇,而错过了几百万美元的盈利。增加利润空间的秘诀是,利用大数据并根据产品的层次而非类别为产品找到最佳的定价,而不是淹没在数字的洪流中。


成功非易事


对于每一个产品而言,企业应该能够找到客户愿意支付的最优价格。理想情况下,他们会考虑到非常具体的能影响定价的观察成果,例如,下一个极具竞争力的产品的成本与此产品对于顾客的价值,然后达成最佳定价。的确,对于一家拥有少数产品的企业,这种定价方法很简单。


当产品编号种类激增,这种方法就比较麻烦。大约75%的典型公司的收入来自他们的标准产品,而这些产品的种类成千上万。制定定价手册这种做法费时,且几乎不可能预见到可以释放价值的定价模式。对于规模庞大的大企业而言,做到事无巨细的分析和管理这些不断发生变化的定价变量的复杂性是压力巨大的。问题的核心是,这是一个大数据问题(如图)。


基于支付意愿,分析并显示了不同的基于客户-产品层面的机遇。


许多营销人员一味地回避产品定价问题。他们开发产品定价只是基于简单的因素,诸如产品成本,标准的利润率,同类产品的价格,批量折扣等等。他们依照过去惯例来管理产品,或者引用“市场价格”作为不主动出击的借口。或许最糟糕的是,他们总依赖于看似久经考验的历史做法,比如对于任何产品的价格都以10%的速度上涨。


“在实际中的情况是,每年我们价格的增长是基于规模和数量,而不是基于科学的算法。”Linde Gases 的销售业务负责人,Roger Britschgi如是说。“我们不认为有其他的方法可以用来定价,并且,坦率地讲,我们没有做好准备去说服我们的顾客产品具有涨价的需要。”


将数据转化为利润的四个步骤:


做到更好定价的关键是充分理解公司现有的数据。它要求公司不应该远观数据,而应该把数据放大后具体分析。作为汤姆·奥布莱恩,在沙索集团的市场营销和销售部门的副总裁兼总经理人员认为,“销售团队了解他们的定价,他们也许也应该知道市场容量,但这个方法包含更多:详尽的数据——真正意义上的来自于每张发货单的产品、顾客及包装分类的详尽数据。


事实上,一些大数据在B2B领域进行实际应用的精彩案例,比如超越定价和接触公司其他商业系统的实际应用。例如,动态交易得分在个人交易层面,决策升级点,激励;绩效得分和更多的基于类似输/赢模式的交易,所提供的定价指导。因为与任何一个交易相关联的因素都是多变的,使用样本量较小的,相关的交易样本是必要的,多变的因素导致一组组重要的作为参照的交易变得无用。我们已经看到了它在技术领域的应用取得了极大的成功,即有四到八个百分点的销售利润的巨大收益增长(相对于同一公司控制组)。


以下四部可以帮助企业通过数据得到足够精准的定价:


  1. 倾听数据。设置最合适的定价的挑战并非来自数据(公司已经拥有巨大的数据宝库),而是来自对于数据的分析。优秀的B2C公司知道如何解释和整理公司所拥有的数据财富,但是B2B企业意在管理数据而不是利用它来驱动决策。良好的分析可以帮助企业识别出哪些因素常常被企业所忽视,例如在广泛的经济形势下,揭示了什么因素推动了每一个客户细分和产品的价格,例如,产品的偏好和销售代表的谈判。

  2. 自动化。人工分析数千种产品既费时又价格不菲。自动化系统可以识别狭窄的产品细分,决定是什么因素驱动了每一个细分的的价值,并匹配历史交易数据。这使得企业可以为基于数据得到的同一类产品和细分进行定价。自动化也使得复制和修改分析更加容易,这样就避免了每次都要从头开始进行。

  3. 提高技能和信心。实施新的价格是对沟通和运营的双重挑战。成功的企业不惜过度投资于经过深思熟虑的变化过渡的项目,帮助他们的销售人员了解并接受新的定价方法。企业需要与他们的销售人员紧密合作以解释价格建议的原因,以及系统是如何得到他们信赖的足以让顾客购买的最佳定价。同样重要的是企业需要制定一套清晰的沟通方法,意在提供新定价的依据从而突出价值,然后再将这些参数传递给顾客。强化谈判训练对于销售人员与客户的交流中起到增强信心和提供令人信服的论据也是至关重要的。最好的领导是能够陪同销售人员与难以说服的客户进行交流并专注于取得快速胜利,这样销售人员也会增强接受新定价方法的信心。“新定价策略背后的领导力至关重要。”PanGas公司的总经理,罗伯特·克里格如是说。“我们通过参与和难说服的客户谈判,不仅帮助了我们的销售人员,并且为他们展示了如何进行论辩工作。”

  4. 积极的绩效管理。为了提高企业的绩效管理,企业需要通过设定有用的目标来支持销售人员。最大的影响来自于确保一线人员对于来自顾客的盈利有清晰的认识,也来自于企业的市场部门有正确的分析能力来识别和利用这个机会。销售人员还需要被赋予调整价格的权力,而非依赖于集权化的团队。这就需要在制定客户特定的价格策略时要有一定程度的创造力,以及作为企业家的思维定式。激励机制可能也需要随着定价策略和绩效评估方法的改变而变化。


原文发布时间为:2014-09-06

本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“BigDataDigest”微信公众号

相关实践学习
基于MaxCompute的热门话题分析
Apsara Clouder大数据专项技能认证配套课程:基于MaxCompute的热门话题分析
相关文章
|
数据采集 监控 算法
利用大数据和API优化电商决策:商品性能分析实践
在数据驱动的电子商务时代,大数据分析已成为企业提升运营效率、增强市场竞争力的关键工具。通过精确收集和分析商品性能数据,企业能够洞察市场趋势,实现库存优化,提升顾客满意度,并显著增加销售额。本文将探讨如何通过API收集商品数据,并将这些数据转化为对电商平台有价值的洞察。
|
供应链
代采系统如何利用大数据分析优化采购决策?
代采系统可以利用大数据分析来优化采购决策
|
存储 数据采集 大数据
大数据处理与分析技术:驱动智能决策的引擎
本文介绍了大数据处理与分析技术在现代社会中的重要性和应用。从数据采集、存储、处理到分析决策,大数据技术为我们提供了深入洞察和智能决策的能力,推动着各行各业的创新和发展。
519 0
|
9月前
|
监控 数据可视化 大数据
让大数据成为你的决策外挂:一窥业务决策的“聪明”秘诀
让大数据成为你的决策外挂:一窥业务决策的“聪明”秘诀
231 2
让大数据成为你的决策外挂:一窥业务决策的“聪明”秘诀
|
6月前
|
机器学习/深度学习 供应链 大数据
用数据说话,决策才不盲:大数据到底怎么帮你做业务判断?
用数据说话,决策才不盲:大数据到底怎么帮你做业务判断?
169 3
|
5月前
|
存储 供应链 数据可视化
Java 大视界 -- 基于 Java 的大数据可视化在企业供应链风险预警与决策支持中的应用(204)
本篇文章探讨了基于 Java 的大数据可视化技术在企业供应链风险预警与决策支持中的深度应用。文章系统介绍了从数据采集、存储、处理到可视化呈现的完整技术方案,结合供应链风险预警与决策支持的实际案例,展示了 Java 大数据技术如何助力企业实现高效、智能的供应链管理。
|
8月前
|
数据采集 人工智能 大数据
大数据+商业智能=精准决策,企业的秘密武器
大数据+商业智能=精准决策,企业的秘密武器
275 28
|
数据可视化 Java 大数据
Java 大视界 -- 基于 Java 的大数据可视化在城市规划决策支持中的交互设计与应用案例(164)
本文围绕基于 Java 的大数据可视化在城市规划决策支持中的应用展开,分析决策支持现状与挑战,阐述技术应用方法,结合实际案例和代码,提供实操性强的技术方案。
|
存储 数据采集 监控
大数据技术:开启智能决策与创新服务的新纪元
【10月更文挑战第5天】大数据技术:开启智能决策与创新服务的新纪元
|
机器学习/深度学习 数据可视化 大数据
机器学习与大数据分析的结合:智能决策的新引擎
机器学习与大数据分析的结合:智能决策的新引擎
689 15