Niels Bohr, der bahnbrechende dänische Physiker und Nobelpreisträger von 1922, bemerkte einmal: “Vorhersagen sind sehr schwierig, vor allem, wenn es um die Zukunft geht. “1 Seit fast einem Jahrhundert haben sich die Grenzen für Zukunftsvorhersagen exponentiell verschoben, dank der Standardisierung der Computertechnologie, der Fortschritte bei der Datenverarbeitung und den Algorithmen sowie der zunehmenden Reife der Vorhersagemodelle.
Ein Bereich, in dem die Vorhersage inzwischen weit verbreitet ist, ist die Preisgestaltung, insbesondere in Business-to-Consumer-Kundensegmenten (B2C), wo sie zur Verbesserung der Margen und zum Ausbau des Marktanteils eingesetzt wird.
Unternehmen, die anfangs mit Predictive Pricing experimentierten, nutzten es oft für kundenzentrierte Bemühungen, wobei Customer Personas zu einem wichtigen Treiber für die Preisgestaltung wurden. Dadurch eskalierte der Einsatz von Predictive Analytics und Machine-Learning-Modellen zu geringen Kosten, um Angebots- und Nachfragetrends aus der Kundenperspektive zu erfassen und den Umsatz zu steigern.
Heutzutage erfassen B2C-Unternehmen große Mengen an Kunden-, Markt- und Produktdaten und die damit verbundenen Treiber und nutzen diese Informationen, um Preise festzulegen, Lieferstrategien zu planen und Nachfrageprognosen zu erstellen. Um nur ein Beispiel zu nennen: Amazon hat dynamische (prädiktive) Preismodelle entwickelt und eingesetzt, die eine nahtlose Preisgestaltung und Angebots-Nachfrage-Planung in Echtzeit ermöglichen.
Glücklicherweise, chemische Unternehmen können die B2C-Unternehmen widerspiegeln, die auf On-Demand-Computing und Anwendungsdienste in der Cloud und vor Ort für Datenmanagement, maschinelles Lernen,künstliche Intelligenz, prädiktive Analytik und Visualisierung. Darüber hinaus integrieren Anbieter diese Dienste in Unternehmens-Ökosysteme, was es für Chemieunternehmen noch einfacher macht, Predictive-Pricing-Programme für bestimmte Anwendungsfälle zu starten, zu testen und zu erweitern – von der Sandbox bis zum industriellen Maßstab.
Chemieunternehmen schließen sich dem Trend zur vorausschauenden Preisgestaltung an
In jüngster Zeit ist der Bedarf an vorausschauender Preisgestaltung in der Chemie – die immer noch hauptsächlich eine Business-to-Business (B2B)-Branche ist – aufgrund von vier konvergierenden Faktoren entstanden. Der erste ist der harte Wettbewerb auf den Märkten für Basis- und Veredelungschemikalien, einschließlich neuer Kunden, globalen Wettbewerbern, kostengünstigen Rohstoffen und einem dynamischen Lieferkette.
Die zweite ist die Verlagerung zur Kundenzentrierung, die die Entwicklung von chemischen Produkten und Endanwendungen prägt. Der dritte ist das Wachstum der E-Commerce-Kanäle, die den Kunden ein “Order-to-Door”-Erlebnis bieten sollen. Und der letzte Punkt ist die zunehmende geschäftliche Priorisierung zur Verwaltung und Maximierung der Marge.
Angesichts dieser Anforderungen sowie der zunehmenden Nutzung von Echtzeitvorhersagen zur Entscheidungsfindung in Sektoren wie dem Finanzwesen, der Luftfahrt und der Logistik kann Predictive Pricing eine zentrale Rolle für das Geschäft in der chemischen Industrie spielen.
Schritte zum Vorwärtskommen
Vertriebs-, Marketing- und Planungsteams von Chemieanbietern aller Art können mithilfe von Predictive Pricing eine digitale Transformationsreise unternehmen. Ein typisches Beispiel: Accenture unterstützte einen globalen Zulieferer dabei, Marktpreis- und Treiberdaten von Vertriebsmitarbeitern im Außendienst zu erfassen und in Margenverbesserungen umzuwandeln. Ziel war es auch, die bestehende betriebliche Struktur des Unternehmens wie Vertriebs-, Liefer- und Planungsprozesse innerhalb der globalen Regionen zu verbessern.
Accenture entwickelte ein Modell für maschinelles Lernen/künstliche Intelligenz, um die Preisgestaltung für eine margenstarke Basischemikalie in einer dynamischen und wettbewerbsintensiven Region vorherzusagen. Zu den wichtigsten Schritten gehörten:
Erfassen von Preistreibern (z. B. global, makro, strategisch, Angebot-Nachfrage, Rohmaterial)
- Dynamik der Treiber identifizieren
- Quantifizierung und Validierung der Treiberrelevanz
- Treiber für den Aufbau des Modells auswählen
- Erstellung, Training, Vorhersage und Backtesting von Preisen bis zu einem Zeithorizont von sechs Monaten
Gemeinsam halfen wir dem Unternehmen, ein prädiktives Preismodell mit einer Genauigkeit von mehr als 80 Prozent im Vergleich zu den Preisbenchmarks der Branche zu entwickeln und es mit regionalen Marktpreisen zu validieren. Das Modell wurde eingesetzt, um letztlich die folgenden Hauptvorteile zu erzielen:
