Optimisation des prix

Optimisation de la vente au détail : difficultés et opportunités

Les détaillants sont confrontés à de plus en plus de difficultés lorsqu'ils cherchent à maintenir leur position sur le marché tout en optimisant leur rentabilité. La tarification a longtemps été l'un des leviers clés à la disposition des détaillants pour stimuler les ventes, attirer de nouveaux clients, fidéliser les clients existants et augmenter la part de marché. Cependant, ces dix dernières années, elle a encore gagné en importance, car l'essor du commerce électronique et des achats omnicanaux a permis aux consommateurs d'acheter et de comparer les prix de plusieurs détaillants avant même qu'ils ne le fassent.

Des informations inexactes, fragmentées ou parfois trop détaillées peuvent compliquer la prise de bonnes décisions concernant les tarifs pour les détaillants. Bien que la tarification stratégique puisse être un moyen essentiel pour les détaillants de se démarquer de leurs concurrents, les décisions de tarification non éclairées peuvent avoir un impact négatif considérable sur les revenus, la rentabilité et la satisfaction client. Étant donné les faibles marges réalisées par la plupart des détaillants, il est essentiel de déterminer le meilleur prix pour optimiser les ventes, la rentabilité et la part de marché d'un produit. Cependant, en raison de complications en matière de gestion des données, de nombreux détaillants doivent prendre des décisions tarifaires sans comprendre la demande ou l'impact des changements de prix sur les ventes et la marge, et doivent prendre des dizaines de milliers de ces décisions sous-informées sur l'ensemble de leur assortiment.

La possibilité de regrouper divers ensembles de données et d'appliquer des analyses avancées et un machine learning à grande échelle permet aux détaillants d'élargir leurs stratégies de tarification pour y inclure des prix compétitifs, des prix psychologiques, des prix promotionnels, des offres groupées de prix et une tarification de plus en plus dynamique. Ils doivent identifier la stratégie de tarification appropriée (ou la combinaison de stratégies) et optimiser leurs prix. Ils peuvent ensuite proposer les bons produits et services au bon prix au bon client via le canal approprié au moment opportun.

Simplifier la planification de la vente au détail grâce à des analyses et au machine learning avancés

Voyons comment Oracle Data Platform est conçu pour aider les détaillants à identifier la tarification adaptée à chaque produit, à optimiser cette tarification tout au long du cycle de vie du produit et à comprendre la relation prix-volume-marché-temps.

Cette image montre comment utiliser Oracle Data Platform pour la vente au détail afin de prendre en charge l'optimisation des prix en vue d'aider les détaillants à maintenir leur position sur le marché tout en optimisant leur rentabilité. La plateforme comprend les cinq piliers suivants :

1. 1. Sources de données et repérage
2. 2. Ingestion et transformation
3. 3. Sauvegarde, tri et création
4. 4. Analyses, apprentissage et prévision
5. 5. Mesures et réactions

Le pilier « Sources de données et repérage » inclut trois catégories de données.

1. 1. Les données des enregistrements d'entreprise (données internes) sont les transactions de vente, ainsi que les données sur les clients, les fournisseurs, les stocks, le système de point de vente, le chiffre d'affaires et la marge.
2. 2. Les données d'application proviennent des applications ERP, SCM, CX et WMS, Fusion SaaS, NetSuite, Oracle E-Business Suite, PeopleSoft, JD Edwards, SAP, Salesforce et Workday.
3. 3. Les données tierces incluent les données sur les concurrents, les données d'Oracle Advertising, les données économiques et les données sociales.

Le pilier « Ingestion et transformation » comprend trois fonctionnalités.

1. 1. L'ingestion par lots utilise OCI Data Integration, Oracle Data Integrator et les outils de base de données.
2. 2. Le transfert en masse utilise OCI FastConnect, OCI Data Transfer, MFT et l'interface de ligne de commande OCI.
3. 3. La capture des données de modification utilise OCI GoldenGate.

Les trois fonctionnalités se connectent de manière unidirectionnelle au stockage cloud/lac de données dans le pilier « Sauvegarde, tri et création ».

Le pilier « Sauvegarde, tri et création » comprend quatre fonctionnalités.

1. 1. Le dépôt de données de service utilise Oracle Autonomous Data Warehouse.
2. 2. Le stockage/lac de données cloud utilise OCI Object Storage.
3. 3. Le traitement par lots utilise OCI Data Flow.
4. 4. La gouvernance utilise OCI Data Catalog.

Ces fonctionnalités sont connectées au sein du pilier. Le stockage cloud/lac de données est connecté de manière unidirectionnelle au dépôt de données de service. Il est également connecté de manière bidirectionnelle au traitement par lots.

Une fonctionnalité se connecte au pilier « Analyses, apprentissage et prévision » : le dépôt de données de service se connecte à la fois à la fonction d'analyse et de visualisation, et à la fonctionnalité de machine learning.

Le pilier « Analyses, apprentissage et prévision » comprend deux fonctionnalités.

1. 1. L'analyse et la visualisation utilisent Oracle Analytics Cloud, GraphStudio et des éditeurs de logiciels indépendants.
2. 2. Le machine learning utilise OCI Data Science, Oracle ML et les blocs-notes Oracle ML.

Le pilier « Mesures et réactions » comprend trois consommateurs : les tableaux de bord et de rapports, les applications et les modèles de machine learning.

Le tableau de bord et les rapports incluent les ventes, les performances, les niveaux de stock et la tarification des concurrents.

Les applications comprennent les modèles d'élasticité des prix et les règles de tarification.

Les modèles de machine learning comprennent les modèles de comportement client et la tarification spécifique au marché.

Les trois piliers centraux (« Ingestion et transformation », « Sauvegarde, tri et création », et « Analyses, apprentissage et prévision ») sont pris en charge par l'infrastructure, le réseau, la sécurité et IAM.

Il existe trois principales façons d'injecter des données dans une architecture pour permettre aux détaillants d'optimiser les prix.

• Pour commencer notre processus, nous devons comprendre notre position de stock globale pour nous assurer que les produits ne sont pas surstockés ou sous-stockés. Nous pouvons utiliser ces données pour décider s'il faut ajuster les prix pour déplacer des stocks ou éviter une rupture de stock. Pour ce faire, nous utilisons OCI GoldenGate pour permettre l'ingestion de la capture des données de modification des données d'inventaire d'entrepôt en quasi-temps réel à partir de bases de données opérationnelles pour toutes les lignes de produits ou un sous-ensemble de lignes de produits.
• Nous pouvons ensuite ajouter des ensembles de données pertinents pour les clients (en fonction de leurs préférences, de leur comportements et de leurs modèles d'achat), les coûts (coût de production et coût de vente) et la demande de vente au détail (informations sur le point de vente). Pour anticiper l'évolution du comportement des clients, les détaillants doivent également comprendre les conditions du marché (telles que l'offre et la demande), les tendances économiques et le sentiment des consommateurs. Ils doivent également suivre les prix et les promotions de leurs concurrents pour s'assurer de rester compétitifs. Ces ensembles de données comprennent généralement d'importants volumes de données souvent sur site. Dans la plupart des cas, l'ingestion par lots est généralement la plus efficace. Pour nos données de point de vente, nous utiliserons Oracle Data Integrator pour ingérer les données sur un cycle de quatre heures.
• L'ingestion en masse peut être utilisée pour le chargement initial des données ou pour migrer les données des banques de données sur site.

La persistance et le traitement des données reposent sur trois composants.

• Les données brutes incluses sont sauvegardées dans le stockage cloud. Nous utiliserons OCI Data Flow pour le traitement par lots de ces données désormais persistantes, notamment les niveaux de stock, les données de géocartographie et les données de référence de produit. Ces ensembles de données traités sont renvoyés au stockage cloud pour persistance, curation et analyse ascendantes, et finalement pour chargement sous forme optimisée dans le dépôt de données de service.
• Nous avons créé des ensembles de données traités prêts à être rendus persistants sous forme relationnelle optimisée pour le traitement et les performances des requêtes dans le dépôt de données de service fourni par Oracle Autonomous Data Warehouse. Cela nous permettra d'identifier et de retourner les produits par prix, profil de demande, niveau de stock et lieu.

La capacité d'analyser, d'apprendre et de prévoir repose sur deux technologies.

• Les services d'analyse et de visualisation offrent les fonctionnalités suivantes :
  • L'analyse descriptive décrit les tendances actuelles avec des histogrammes et des graphiques et prend en charge le développement d'algorithmes de tarification qui reposent sur des règles prédéfinies pour ajuster les prix en fonction de critères spécifiques, tels que les performances de vente, les niveaux de stock ou les tarifs des concurrents. Par exemple, un détaillant peut définir une règle pour réduire le prix d'un produit de 10 % s'il est en stock depuis plus de 30 jours.
  • L'analyse prédictive (qui prévoit les événements futurs, identifie les tendances et détermine la probabilité de résultats incertains) utilise les données de vente historiques pour identifier les corrélations entre le prix et la demande. Les détaillants peuvent utiliser cette analyse pour prévoir l'impact de l'évolution des prix sur la demande et ajuster les prix en conséquence. En outre, les analyses prédictives peuvent fournir des modèles d'élasticité des prix, qui utilisent des modèles statistiques pour mesurer la sensibilité de la demande aux variations de prix. Les détaillants peuvent utiliser cette analyse pour identifier les points de prix optimaux afin d'optimiser les ventes et la rentabilité.
  • L'analyse prescriptive (qui propose des actions appropriées pour prendre des décisions optimales) peut être utilisée pour la tarification dynamique. Cet algorithme utilise des données en temps réel, telles que les niveaux de stock, les tarifs des concurrents et le comportement des clients, pour ajuster les prix en temps réel. Les détaillants peuvent l'utiliser pour réagir rapidement aux changements du marché et optimiser les prix en vue d'une rentabilité maximale.
• Outre l'utilisation d'analyses avancées, des modèles de machine learning sont développés, entraînés et déployés. Ces modèles utilisent l'intelligence artificielle pour analyser de grandes quantités de données et identifier les modèles et les tendances pouvant être utilisés pour optimiser les prix. Les détaillants peuvent utiliser des algorithmes de machine learning pour prédire le comportement des clients, identifier les opportunités de tarification et optimiser les prix sur plusieurs produits et marchés.
• Des règles et politiques de gouvernance peuvent être appliqués à nos données et modèles organisés, testés et de haute qualité, et peuvent être exposés en tant que « produit de données » (API) au sein d'une architecture de maillage de données à des fins de distribution dans l'ensemble de l'entreprise de vente au détail.

Augmenter la rentabilité avec une plateforme de données de vente au détail

Les stratégies de tarification appropriées peuvent augmenter les revenus, la rentabilité, la part de marché et la satisfaction des clients, mais pour les développer, les détaillants ont besoin d'un accès en temps réel aux niveaux de stock, aux commandes, à la demande, aux prix et promotions actuels, ainsi que d'une vue intégrale sur les clients. En utilisant une plateforme de données qui intègre les données de plusieurs sources et prend en charge les analyses avancées, les détaillants peuvent facilement adapter leurs stratégies de tarification au niveau des produits tout en alignant les prix sur les objectifs d'entreprise et de catégorie sur tous les canaux de vente. Cette flexibilité permet aux détaillants de proposer des prix normaux en fonction de leurs marges cibles, de l'alignement sur les prix de la concurrence ou de leur relation de tarification préférée entre les différents marchés, et d'optimiser la valeur de leurs stratégies de promotion et de démarque, tout en fournissant un parcours client omnicanal supérieur en garantissant aux consommateurs individuels la cohérence des prix à chaque point de contact.