Machine learning (3)

El boom de la analítica nos permite pensar qué explorar la data histórica puede ser una ruta viable para estructurar una estrategia de precios eficiente. Por otro lado, la investigación de mercados sugiere que dados los cambios es necesario estudiar de cara al consumidor la estrategia de precios dado que en los datos históricos no se tienen los mismos competidores, SKU o condiciones de entorno que en el presente o en el futuro ¿Por que camino optar? En este blog, queremos compartir algunas experiencias, pros y contra de ambos enfoques y para ello la tabla a continuación puede ayudar: Analytics Research ¿Cuál es el enfoque? Aprovechar datos históricos para definir estrategias de precio futuras. Estudiar la reacción del consumidor a diferentes escenarios de precio entendiendo las renuncias que el consumidor debe hacer para comprar un producto a un precio determinado. Los métodos de Conjoint son protagónicos en la optimización de precio Pros Es rentabilizar la inversión histórica para compra de datos cómo Nielsen, Kantar etc. Es aprovechar la data transaccional de relación con canales y tenderos Es una visión clara del precio y el volumen del propio portafolio. El negocio está en control de los procesos analíticos que giran alrededor de la fijación de precios. Simular precios sin necesidad de ejecutar contrataciones de estudios cada vez que se requiera un re-análisis. Permite probar estrategias de precio en contextos actuales. Facilita analizar la adopción de estrategias de precio para productos que aún no existen en el mercado Uso de modelos estadísticos y econométricos que son altamente aceptados y entendidos por las gerencias financieras y de producto. Simulación basada en métodos empíricos, centrados en los datos levantados por el estudio. Permite analizar las renuncias que el consumidor está dispuesto a hacer para comprar un producto específico a un precio determinado Contra Para tener una visión del competidor, será necesario comprar data exógena. Si solo se tiene información del propio portafolio, solo se podrá estimar elasticidades punto pendiente pero no migraciones. Uso de métodos de machine learning cuyos resultados son de difícil comprensión por parte del usuario final de negocio Simulación de montecarlo, basada en data creada en función de variables que expliquen la demanda. Se requieren equipos entrenados para evitar errores, falsos positivos o predicciones erráticas. No permite analizar el trade- off del consumidor. Generalmente, el proceso de diseño, levantamiento de información y análisis puede tardar mínimo 5 semanas. El número de SKU, atributos de producto etc., son limitados en general. El reto central consiste en simular situaciones de compra de la misma forma como el cerebro humano procesa información en escenarios de pago. Estas situaciones son difíciles de lograr experimentalmente. Se requieren muestras representativas para lograr cobertura de mercado. ¿Qué metodologías implementa? Integración de datos: Creación de modelos de datos para integrar información que gira al rededor del negocio. Automatización de procesos de Ingesta de datos y ETL para construir modelos de datos eficientes. Técnicas de calidad de datos. Analítica: Análisis supervisado: Métodos para predecir el volumen de venta a diferentes escenarios de precio Análisis no supervisado: Segmentación de SKU y canales para lograr mayor precisión. Visualización: Tableros de control que muestren el proceso analítico. Automatizar el proceso para que los tableros siempre muestren el análisis a tiempo Estudio de precio óptico PSM Price Sensitivity Meter Garbor Granger BPTO Brand Price Trade Off PVP: Perceived Value Price Estudio de precio óptimo Full Profile Conjoint (FPC) Choice Based Conjoint (CBC) Descrete Choice Model (DCM) Adaptative Conjoint (ACA) Adaptative Choice Based (ACBC) HILCA Menu Based Conjoint (MBC) Conjoint + Analytics = Pricing Es clave reconocer las bondades de cada uno de los enfoques: Conjoint: Permite analizar la reacción del consumidor a la estrategia de precios y explorar el trade off del consumidor. Esto facilita analizar el impacto de nuestros movimientos sobre la competencia y viceversa. De igual forma permite expedir datos de corto plazo que no permiten simular la estrategia a futuro. Analytics: Permite analizar la volatilidad de los indicadores de precio, incluyendo la elasticidad punto pendiente. Con esta volatilidad histórica se podrá llevar a futuro los datos del conjoint obteniendo una visión 360º del precio. Nuestros consultores estarán atentos a tus necesidades.Hagamos una cita para explorar juntos las bondades de este enfoque metodológico para tus retos de investigación. Encuentra el espacio de tu conveniencia a continuación: América del Sur México y Centroamérica

Machine learning (3)

Analytics vs Research ¿Cómo conducir hacia Pricing Strategy?

Natural Language processing para ejecutivos de marketing

Grow your business more quickly
with our solutions for inbound and ecommerce

Machine learning (3)

Analytics vs Research ¿Cómo conducir hacia Pricing Strategy?

Natural Language processing para ejecutivos de marketing

Grow your business more quickly with our solutions for inbound and ecommerce

Grow your business more quickly
with our solutions for inbound and ecommerce