Niels Bohr, den danske fysiker og nobelpristager fra 1922, bemærkede engang: “Det er meget vanskeligt at forudsige, især hvis det drejer sig om fremtiden.”1 I næsten et århundrede siden da er grænserne for forudsigelse af fremtiden blevet eksponentielt udvidet takket være computerteknologiens udbredelse, fremskridt inden for dataudnyttelse og algoritmer og den øgede modenhed af forudsigelsesmodeller.
Et område, hvor forudsigelse nu anvendes i vid udstrækning, er prissætning, især i B2C-kundersegmenter (business-to-consumer), hvor det anvendes til at forbedre margenerne og udvide markedsandelen.
Virksomheder, der i første omgang eksperimenterede med prissætning med forudsigelse, brugte det ofte til kundeorienterede tiltag, hvor kundepersonas blev en vigtig drivkraft for prisfastsættelsen. Dette eskalerede udbredelsen af prædiktive analyser og maskinlæringsmodeller til en råvarepris for at indfange tendenser i udbud og efterspørgsel fra et kundeperspektiv og fremme salget.
I dag indsamler B2C-virksomheder store mængder af kunde-, markeds- og produktdata og de tilhørende drivkræfter og bruger disse oplysninger til at fastsætte priser, planlægge forsyningsstrategier og udforme efterspørgselsprognoser. Som et eksempel kan nævnes Amazon, der har opbygget og implementeret dynamiske (prædiktive) prissætningsmodeller, som gør prisfastsættelse og planlægning af udbud og efterspørgsel både problemfri og i realtid.2
Heldigvis kan kemiske virksomheder spejle sig i de B2C-virksomheder, der har adgang til on-demand computing- og applikationstjenester i skyen og on-premise til datastyring, maskinlæring, artificial intelligence, prædiktiv analyse og visualisering. Desuden integrerer leverandørerne disse tjenester i virksomhedens økosystemer, hvilket gør det endnu nemmere for kemiske virksomheder at kickstarte, teste og udvide prædiktive prissætningsprogrammer til specifikke forretningsbrugssituationer – fra sandkasse til industriel skala.
Kemiske virksomheder tilslutter sig tendensen til prædiktiv prissætning
På det seneste er behovet for prædiktiv prissætning i kemikaliebranchen – som stadig hovedsageligt er en business-to-business (B2B)-branche – opstået på grund af fire konvergerende faktorer. Den første er den hårde konkurrence på markederne for basiskemikalier og performancekemikalier, herunder nye kunder, globale konkurrenter, omkostningseffektive råmaterialer og en dynamisk forsyningskæde. Det andet er skiftet til kundeorientering, som præger udviklingen af kemiske produkter og slutanvendelser. For det tredje er der væksten i e-handelskanaler, der er designet til at betjene kunderne med en ordre-til-dør-oplevelse. Og endelig er den stigende prioritering af forretningen med henblik på at styre og maksimere margenen.
I betragtning af disse krav samt den stigende brug af forudsigelser i realtid til at træffe beslutninger i sektorer som f.eks. finans, luftfart og logistik kan prissætning med forudsigelser spille en central rolle for forretningsaktiviteterne i den kemiske industri.
Stræk til at komme videre
Salgs-, marketing- og planlægningsteams hos alle typer kemileverandører kan foretage en digital transformationsrejse ved hjælp af prædiktiv prissætning. Case in point: Accenture hjalp en global leverandør med at indfange og omdanne markedspris- og driverdata fra salgspersonalet i marken til margenforbedringer. Målet var også at forbedre virksomhedens eksisterende operationelle struktur såsom salgs-, forsynings- og planlægningsprocesser inden for globale regioner.
Accenture udviklede en model med maskinlæring/artificiel intelligens til at forudsige prisfastsættelsen af et basiskemikalie med høj margen i en dynamisk og meget konkurrencepræget region. De vigtigste skridt var bl.a:
- Fange prissætningsdrivere (f.eks. globale, makroøkonomiske, strategiske, udbud-efterspørgsel, råvare)
- Identificering af dynamikken i drivkræfterne
- Kvantificering og validering af driverens relevans
- Vælg drivkræfter til opbygning af modellen
- Opbygge, træne, forudsige og back-teste prisen op til en tidshorisont på seks måneder
I samarbejde hjalp vi virksomheden med at levere en prædiktiv prismodel med en nøjagtighed på mere end 80 procent i forhold til branchens prisbenchmarks og validerede den med regionale markedspriser. Modellen blev vedtaget for i sidste ende at opnå følgende nøglefordele:
