Niels Bohr, den banebrytende danske fysikeren og nobelprisvinneren i 1922, sa en gang: “Forutsigelser er veldig vanskelige, spesielt hvis det handler om fremtiden.”1 I nesten en århundre siden har grensene for å forutsi fremtiden akselerert eksponentielt, takket være kommodiseringen av datateknologi, fremskritt innen datautnyttelsesevner og algoritmer, og økt modenhet av prediktive modeller.
Et område hvor prediksjon nå er mye brukt er i prissetting, spesielt i business-to-consumer (B2C) kundesegmenter, hvor det brukes for å forbedre marginer og utvide markedsandeler.
Selskaper som i utgangspunktet eksperimenterte med prediktiv prissetting, utnyttet det ofte for kundesentrert innsats, med kundepersonligheter som ble en nøkkeldriver for prissetting. Dette eskalerte utrullingen av prediktive analyser og maskinlæringsmodeller til en kommodisert pris for å fange tilbuds- og etterspørselstrender fra et kundeperspektiv og drive salg.
I dag fanger B2C-selskaper opp store volumer av kunde-, markeds- og produktdata og tilhørende drivere og bruker denne informasjonen til å sette pris, planlegge tilbudsstrategi og forme etterspørselsprognoser. Som bare ett eksempel har Amazon bygget og implementert dynamiske (prediktive) prismodeller som gjør prissetting og planlegging av tilbud og etterspørsel både sømløs og sanntid.2
Heldigvis kan kjemikalier bedrifter speile B2C-selskaper som har tilgang til on-demand databehandling og applikasjonstjenester i skyen og på stedet for dataadministrasjon, maskinlæring, kunstig intelligens, prediktiv analyse og visualisering. Videre integrerer leverandører disse tjenestene i bedriftsøkosystemer, noe som gjør det enda enklere for kjemiske selskaper å kickstarte, teste og utvide programmer for prediktiv prissetting for spesifikke forretningsbruk – fra sandkasse til industriell skala.
Kjemiselskaper slutter seg til prediktiv pristrend
Nylig har behovet for prediktiv prising av kjemikalier – som fortsatt hovedsakelig er en business-to-business (B2B) industri – dukket opp på grunn av fire konvergerende faktorer. Den første er hard konkurranse i base- og ytelseskjemikaliemarkeder, inkludert nye kunder, globale konkurrenter, kostnadseffektive råvarer og en dynamisk forsyningskjede. Den andre er skiftet til kundesentrisitet, som former kjemisk produkt- og sluttbruksapplikasjonsutvikling. For det tredje er veksten i e-handelskanaler designet for å betjene kunder med en ordre-til-dør-opplevelse. Og sist er den økende virksomhetsprioriteringen for å administrere og maksimere margin.
Gitt disse kravene så vel som den økende bruken av sanntidsprediksjoner for å ta beslutninger i sektorer som finans, luftfart og logistikk, kan prediktiv prising spille en sentral rolle for å gjøre forretninger i den kjemiske industrien.
Trinn for å komme videre
Salgs-, markedsførings- og planleggingsteam av kjemikalieleverandører av alle typer kan gjennomføre en digital transformasjonsreise ved å bruke prediktiv prissetting. Eksempel: Accenture hjalp én global leverandør med å fange opp og transformere markedspriser og driverdata fra salgspersonell i feltet til marginforbedring. Målet var også å forbedre selskapets eksisterende operasjonelle struktur som salg, forsyning og planleggingsprosesser innenfor globale regioner.
Accenture utviklet en maskinlærings-/kunstig intelligens-modell for å forutsi prissetting av et kjemikalie med høy margin i en dynamisk og svært konkurransedyktig region. Nøkkeltrinn inkludert:
- Fang prisdrivere (f.eks. global, makro, strategisk, tilbud-etterspørsel, råvare)
- Identifiser dynamikken til sjåførene
- Kvantifiser og valider driverrelevans
- Velg drivere for å bygge modellen
- Bygg, tren, forutsi og tilbaketest pris opptil seks måneders tidshorisont
Ved å samarbeide hjalp vi selskapet med å levere en prediktiv prismodell med en nøyaktighet på mer enn 80 prosent sammenlignet med industriprisreferanser og validerte den med regionale markedspriser. Modellen ble tatt i bruk for å oppnå følgende nøkkelfordeler:
