Artículo elaborado por los socios de Quantiz – Fábio Vakuda y Tiago Martin
Con el avance de la tecnología y el acceso a información más robusta, es cada vez más común escuchar términos como Inteligencia Artificial, Machine Learning y Algoritmos. A menudo pueden parecer complejos y difíciles de entender, pero en realidad se pueden aplicar de manera más simple de lo que parece.
El objetivo de este artículo es explicar estos conceptos principales, mostrar ejemplos reales de aplicaciones en el mundo del Pricing y Revenue Management, beneficios, desafíos y precauciones que deben considerarse al utilizar estas “nuevas” tecnologías.
En primer lugar, ¿qué significa cada término?
Algoritmo:
En términos simples, es un proceso con varias preguntas y opciones de respuesta, una especie de árbol de decisiones, para llegar a una solución (como si fueran varios “si” de una fórmula en Excel) que divide todas las posibilidades de una determinada acción en varios “caminos” u opciones de respuesta en una programación matemática. Por lo tanto, cuanto más posibilidades o escenarios existan para alcanzar un determinado objetivo o solución, más complejo (o con más caminos) puede ser este algoritmo.
La palabra “algoritmo” es muy antigua, desde la Edad Media, debido al persa Al-Khwarizmi, que desarrolló el sistema numérico que utilizamos hoy en día. Más recientemente, en el siglo XX, Alan Turing y Alonzo Church, considerados los padres de la ciencia de la computación, formalizaron el concepto y lo definieron como “un conjunto no ambiguo y ordenado de pasos ejecutables que definen un proceso finito”.
Imagínese que desea decidir qué hacer en su tiempo libre en un sábado por la mañana. Si fuera posible definir algunas posibilidades de programas, un algoritmo podría funcionar así:
Figura 1: Proceso de decisiones utilizado para definir la programación de un sábado Los algoritmos también pueden ser utilizados considerando las reglas de negocio de una empresa. Por ejemplo, de una forma muy simplista, una decisión de ajustar el precio basándose exclusivamente en la cuota de mercado y los precios del principal competidor, podría ser diseñada como se muestra en la figura 2 a continuación:Figura 2: Proceso de decisión según regla de negocio basada en cuota de mercado y precio de la competencia Inteligencia Artificial y Aprendizaje Automático: La Inteligencia Artificial (IA) se refiere a sistemas o máquinas que buscan imitar de alguna manera la inteligencia humana en la toma de decisiones. El Aprendizaje Automático (AA) es la transformación del proceso de decisión en algo automático a través de máquinas, dirigiendo las decisiones en función del comportamiento de los datos y posiblemente mejorando el rendimiento a medida que se acumulan esta información, sin intervención humana. Por lo tanto, se puede decir que todo AA es IA, pero no toda IA es AA. Los algoritmos se encuentran tanto en IA como en AA.
Figura 3: Machine Learning vs. Inteligência Artificial
En la realidad del Pricing y Revenue Management, estos conceptos pueden ser el conjunto de reglas para definir la fijación de precios de productos y servicios de acuerdo con criterios establecidos que optimizan, automatizan y mejoran la fijación de precios en base a la estrategia de la empresa, el comportamiento histórico y las reglas de negocio.
En el viaje de Pricing en relación con la IA, el ML y los algoritmos, es necesario tener claro adónde se quiere llegar. Por ejemplo, consideremos que el objetivo de una determinada empresa es automatizar todo el proceso de ajuste de precios para capturar más valor y aumentar el margen de la compañía. Para ello, es importante asegurarse de que la estrategia de la compañía esté clara. Es decir, entender las cuestiones clave de la empresa y de su producto, como (1) el papel de cada categoría de producto (destino, rutina, conveniencia u ocasional), (2) el objetivo buscado (rentabilidad, participación de mercado, etc.), (3) en qué región debe haber un mayor enfoque en una distribución directa y con mayor margen y (4) en qué región es aceptable tener un margen menor y hacer una venta indirecta a través de un distribuidor. Además, (5) comprender cómo el cliente valora los atributos de los productos y su comportamiento de compra (cliente fiel, comprador de precio, que busca valor o conveniencia), entre otras definiciones estratégicas del negocio.
Identificar qué criterios deben tenerse en cuenta para afectar la decisión de precios dirigirá cómo pueden cambiarse los precios y qué dirección de rentabilidad se busca. Combinando esto con el análisis de la curva de ventas de los productos es una forma de llegar al precio que cumple con el objetivo buscado en cada categoría y producto. Hay una serie de otras posibilidades de criterios y son diferentes para cada industria. Teniendo en cuenta todos estos factores mencionados, se deben definir qué criterios pueden ser direccionadores de precios más altos o más bajos.
Otro factor a tener en cuenta son las reglas de negocio para dirigir la gestión de precios de su empresa. Es decir, ¿en qué circunstancias los precios deberían ser ajustados? ¿Cuáles son los disparadores para revisar los precios de los productos? ¿Inventario? ¿Aumento/disminución de las ventas de un producto determinado? ¿Precio de los competidores? ¿Pérdida/ganancia de participación de mercado? Además, es necesario evaluar qué tan dinámico es el segmento en el que se encuentra la empresa, lo que se reflejará en la frecuencia posible de cambios de precios de los productos. Es decir, ¿el mercado permite que los precios se cambien varias veces al día, como sucede en muchos productos de E-commerce, por ejemplo? ¿O, como en muchas industrias más tradicionales, el mercado solía cambiar los precios pocas veces durante el año? El mundo actualmente pasa por un momento de inflación generalizada y como consecuencia las empresas han aumentado la frecuencia de ajuste en los precios, pero además del ajuste por inflación (transferencia de costos), ¿con qué frecuencia se ajustan los precios? Esta información es importante para que se refleje en la lógica de cambio de precios.
Figura 4: configuración de precios para crear algoritmos
Caso práctico: Proyecto de Pricing y Revenue Management
En los últimos años, Quantiz ha desarrollado proyectos de Pricing y Revenue Management que involucran esta lógica para mejorar y agilizar la gestión de precios de las empresas. Para hacerlo más concreto, vamos a utilizar un ejemplo de una empresa de autopartes que vende al consumidor final en tiendas físicas y, principalmente, a talleres mecánicos. Esta empresa tiene más de 200,000 productos y atiende a más de 100,000 clientes en cientos de tiendas en todo el país. En este escenario, el trabajo de gestión de precios es extremadamente intenso y desafiante, así como puede dejar mucho dinero en la mesa si no se aprovechan oportunidades de rentabilización o se pierden ventas por precios desalineados.
Figura 5: Piezas de automóviles
Para comenzar a diseñar el algoritmo, dividimos los criterios de posicionamiento de precios en 3 pilares: Producto, Cliente y Región.
Figura 6: Pilares de la Solución (Cliente, Producto y Región)
Ajustes Estratégicos:
Para el pilar de Producto se consideró la frecuencia de compra, el valor del producto y la sensibilidad al precio (elasticidad). Frecuencia: los productos con mayor frecuencia de compra y cantidad vendida eran productos más commoditizados y con mayor nivel de competencia, por lo que la fijación de precios era más agresiva para estos casos, y viceversa:
Figura 7: Frecuencia de Productos y Precio/Margen practicado
Valor del Producto: los productos con un precio unitario muy alto o muy bajo también tenían márgenes más bajos y más altos, respectivamente. La idea detrás de este atributo es que los productos más caros son más buscados por el cliente, es decir, son productos para los cuales el precio debía ser competitivo frente a la competencia. En cambio, los productos muy baratos, como los que cuestan centavos de dólar, unos pocos centavos más arriba no tienen un impacto significativo en la decisión del cliente, por lo tanto, estos productos tenían un precio con un margen más alto.
Elasticidad: los productos se dividieron en algunos niveles de elasticidad (entre más elásticos y menos elásticos) de acuerdo con el resultado de la regresión log-log entre precio y volumen para cada producto: los productos con menor sensibilidad al precio tenían una orientación hacia márgenes más altos. Nótese que se utilizó una “herramienta” de Machine Learning supervisado dentro del algoritmo de definición de precios para encontrar el valor de la elasticidad (observación: el tema de la elasticidad merece un artículo separado solo sobre el tema – podemos discutir métodos de cálculo de la elasticidad, métodos de regresión, tratamiento de outliers, etc.).
Ajustes Estratégicos: Cliente
En este pilar, se han considerado tanto el canal como el perfil de compra de los clientes.
Canal: se ha establecido una posición distinta para el consumidor final y otros canales de profesionales, como distribuidores, revendedores y aplicadores.
Perfil de compra: se han creado segmentos o clusters de clientes según el ticket medio y la frecuencia. Por ejemplo, los clientes que compran más productos, con un ticket medio más alto y una frecuencia de ventas más alta, pueden considerarse clientes leales con descuentos diferentes. En el otro extremo, los clientes que compran pocos productos y con una frecuencia muy baja pueden ser considerados oportunistas (probablemente solo compran cuando no encuentran el producto en otro competidor, por lo que se les aplicó un precio más alto). La figura 8 muestra un ejemplo ilustrativo de un análisis de segmentación de clientes basado en el comportamiento de 2 criterios, utilizando el método de clusterización K-means – Machine Learning No Supervisado (observación: el tema de la clusterización también merece un artículo solo sobre el tema, existen diversos métodos como el propio K-means, el Agglomerative Hierarchical Clustering, el Fuzzy C-means, etc. Cada método tiene ventajas y desventajas, por lo que el equipo debe evaluar cuál es el método que mejor se adapta al objetivo de la clusterización).
Figura 8: Cluster de Clientes
Observando detenidamente la Figura 8, basada en estos 2 criterios seleccionados, hay 4 comportamientos de compra específicos que pueden ser percibidos por los 4 clusters creados por K-means (A: frecuencia baja, ticket medio bajo. B: frecuencia alta, ticket medio bajo. C: frecuencia baja, ticket medio alto, D: frecuencia alta, ticket medio alto). El siguiente paso es evaluar si tiene sentido tener estrategias y precios distintos para cada cluster.
Ajustes Estratégicos: Región
Países con dimensiones continentales a menudo tienen escenarios muy diferentes según la región donde se encuentra el cliente, ya sea por cuestiones de competencia regional, tributaciones diferentes, complejidad logística e incluso diferencias culturales. Por lo tanto, la ubicación del cliente también fue un factor considerado en el algoritmo de precios. En este proyecto, el factor de la ubicación fue reflejo principalmente de la competencia alrededor de cada región. Las regiones fueron clasificadas en varios niveles de competitividad y se tuvo en cuenta la distancia del cliente vs. el principal competidor (cuanto más lejos estaba el competidor y cuanto más cerca estaba el cliente, mayor sería el Pricing Power, ya que la agilidad en la entrega es un factor importante para la decisión de compra de los clientes).
Ajustes Tácticos
Todos estos factores construyeron la base para la definición de precios. Adicionalmente, existía la posibilidad de ajustes en los precios de acuerdo con el momento de la venta (época del año), stock del producto (si el nivel de stock de ese producto estaba alto o bajo), además de la política de descuentos a cargo del equipo comercial, como cantidad y mix vendido, lo que posibilitaba diferentes niveles de descuentos.
Figura 9: Vista macro de la solución
En este caso real demostrado, lo que se hizo en la práctica fue transformar actividades y decisiones que de alguna forma ya se hacían en el día a día de manera no estandarizada, en un proceso basado en algoritmos estructurados, inteligencia artificial y Machine Learning. Con esto, se mantuvo la calidad de las decisiones de acuerdo con lo planeado, sin depender de intervenciones manuales y, de esta forma, reduciendo significativamente la posibilidad de errores humanos. Además, el equipo puede concentrarse principalmente en discutir estrategias y direcciones del negocio, en lugar de en actividades operativas.
Consideraciones Finales
Con la evolución de las tecnologías, el aumento de la disponibilidad de información y la competencia cada vez mayor, cuanto más rápido se identifiquen las oportunidades de mejora para la toma de decisiones y eventuales ajustes de negocio, mayor será la probabilidad de éxito.
Los negocios dinámicos, con muchos productos, grandes volúmenes de negociaciones y diversas posibilidades de ajustes de precios, no pueden depender de operaciones manuales para la gestión de precios, con el riesgo de no capturar el valor del mercado y, por consiguiente, dejar dinero sobre la mesa.
En estructuras que involucran más sistematización y mayor automatización, la intervención manual es puramente estratégica, no operativa, evaluando si tiene sentido hacer los ajustes señalados por los algoritmos y la inteligencia artificial. Es decir, simplificamos las innumerables combinaciones entre producto, cliente y región sin dejar de considerar la estrategia adecuada para cada negociación, lo que permite una mayor captura de valor del negocio. Por ejemplo, el caso presentado permite que el equipo de Precios gestione los precios con más de 20.000 combinaciones y escenarios posibles (multiplicación de todas las posibilidades de los pilares) de manera organizada y dinámica: todos los atributos se convierten en palancas para el equipo de Pricing, que obtiene un mayor control sobre la definición de los precios, además de permitir la identificación más precisa con los KPI estructurados para cada pilar y atributo.
La combinación del algoritmo presentado con técnicas de Machine Learning (ejemplos del caso: regresiones para el cálculo de elasticidad y k-means para la clusterización de clientes) acompañado por procesos de revisión estructurados garantizan la sostenibilidad y perpetuidad de la estructura de Precios y la constante evolución del modelo.
