BLOG

Bubo.AI: Wie unsere Lösung für maschinelles Lernen Preisziele erreicht

Sehr wenige Unternehmen erreichen Preisziele. Das Verfehlen dieser Ziele wirkt sich negativ auf die Gewinnmargen und die gesamte Profitabilität aus.

Preisstrategien sind ein intelligenter Hebel, mit dem Unternehmen ihre Profitabilität steigern können. Eine Verbesserung der Preisgestaltung um 1% kann die Nettomarge um bis zu 11% steigern. In einer Bain & Company-Umfrage geben 85% der weltweit befragten Führungskräfte im Bereich C-Level und Vertriebsleiter an, dass die Preisentscheidungen in ihren Unternehmen verbesserbar wären.

Wieso haben so viele Unternehmen Probleme im Bereich Preise, obwohl der Bedarf an besseren Entscheidungen und Ergebnissen hier klar auf der Hand liegt?

Die Mehrheit der Unternehmen arbeitet mit kosten- oder wettbewerbsbasierten Preisstrategien oder setzen Preisstaffelungen und Preisnachlässe ein, um langfristige Kundenbeziehungen aufrechtzuerhalten. Keines dieser drei Modelle ist so effektiv wie eine kundenbasierte Preisgestaltung die darauf basiert, was die Kunden zu zahlen bereit sind und nicht darauf, welcher Preisnachlass Unternehmen gewährt werden muss, um sie als Kunden zu behalten. Einer der Gründe, warum Unternehmen hier Schwierigkeiten haben, liegt daran, dass es bis vor kurzem keine Technologie zur Implementierung kundenbasierter Preisgestaltung gegeben hat. Basierend auf Interviews mit dem Gründerteam hinter Bubo.AI wird in diesem Artikel untersucht, wie verwertbare datengesteuerte Erkenntnisse für Unternehmen generiert werden, um komplexe kundenbasierte Preisfragen zu lösen.

Welche geschäftlichen Auswirkungen hat Bubo.AI?

“Zu viele Unternehmen wissen, dass sie in diesem Bereich mehr Geld verdienen könnten. Eine automatische Staffelung der Rabattpreise wirkt sich abhängig von den Ausgaben eines Kunden und anderen Faktoren häufig negativ auf die Gewinnmargen aus“, erklärte Alan Timothy, CEO von Bubo.AI, in einem Interview.

“Wir haben eine funktionierende und bewährte Lösung gefunden, die verlorene Gewinnmargen aufdeckt, ohne dass das Risiko besteht, Marktanteile zu verlieren.” „Bei Bubo.AI analysieren wir bei der Zusammenarbeit mit einem neuen Kunden zunächst den historischen Verlauf der Kundenbeziehung über die letzten drei Jahre. Als nächsten Schritt untersuchen wir die Muster im Einkaufsverhalten von diesem und von ähnlichen Kunden im selben Dreijahreszeitraum“, erläutert Alan Timothy weiter. „Sobald uns diese Daten vorliegen, generiert Bubo.AI für jeden einzelnen Kunden einen Preis oder eine Preisspanne für ein Produkt bzw. eine Produktgruppe. In spontanen Preisverhandlungen, z. B. wenn ein Kunde eine Filiale betritt, eine Bestellung aufgibt oder sich mit einem Außendienstmitarbeiter trifft, zeigt unsere Lösung anhand der Daten, was jeder Kunde tatsächlich zu zahlen bereit ist”, führt Timothy weiter aus.

Wie funktioniert Bubo.AI?

Die kundenorientierten Preise, die Bubo.AI generiert,beginnen mit der Analyse von Kundenverhaltensnetzwerken (BCNA).

Bei dieser BCNA werden komplexe Datensätze als Knoten und Verknüpfungen in einem Netzwerk dargestellt, um die Erkenntnisse der Graphentheorie darauf anwenden zu können.

Dr. Huseyin Seker, Senior Data Scientist bei Bubo.AI, erklärt: “Mit der Graphentheorie können wir zugrundeliegende Muster, soziale Strukturen und Cliquen in den zugrunde liegenden Daten aufdecken. Auf diese Weise können Erkenntnisse aus mehreren Datenquellen genutzt und extrahiert werden, um fundierte und anwendbare Entscheidungen zu treffen.

“BCNA wird mittels räumlicher, transaktionaler und verhaltensbezogener Datenanalysen erreicht und führt zu einem sozialen Netzwerk, das eine Interaktion zwischen Datenpunkten (z. B. Kunden und Produkten) darstellt. Wie Sie in Abbildung 1 sehen, kann dies dazu beitragen, alle Aspekte sozialer Strukturen und Gruppen innerhalb des Netzwerks zu entdecken “, so Dr. Seker weiter.

Bubo.AI “verwendet eine innovative BCNA-Technik, die auf Datensätzen aus unterschiedlichen Quellen, kombinierten Hybrid-Datenanalysen und Techniken der künstlichen Intelligenz basiert. Dieses einzigartige Tool kann durch die Integration der firmeneigenen Kundenprofile weiter verbessert werden, um verborgene Muster im Verhalten der Kunden und deren Transaktionen aufzudecken.” Dr. Seker führt aus: „Zum Beispiel können wir diejenigen Produkte identifizieren, die bei einzelnen Kunden bevorzugt werden und sehen so, wie diese Informationen berücksichtigt werden sollten, um einen Preisvorschlag zu unterbreiten. Darüber hinaus können wir Kunden anhand ihres Verhaltens und ihrer Kaufhistorie segmentieren. “

Abbildung 1: Ein typischer Analyseprozess BCNA

Als nächstes betrachten wir Vorhersagemodelle und wie sich diese auf die Ergebnisse der Kunden auswirken.

Vorhersagemodelle

Vorhersagemodelle werden mit maschinellen Lernmethoden auf der Grundlage historischer Datensätze erstellt, um die Wahrscheinlichkeit von zukünftigen Ergebnissen vorhersagen zu können.

Abbildung 2 zeigt die Entwicklung von Vorhersagemodellen, die mehrere Algorithmusphasen umfassen. Diese folgen typischen auf maschinellem Lernen basierenden Vorhersagemodellen unabhängig von binären (z.B. Klassifizierung eines Objekts) oder kontinuierlichen (z.B. Vorhersage des tatsächlichen Preises) Faktoren.

Dr. Seker erklärt, dass während dieser Phasen Merkmale aus Datensätzen extrahiert werden, um diese Datensätze zu charakterisieren. “Da die Daten durch mehrere hundert Merkmale dargestellt werden, besteht einer der wichtigsten Schritte darin, die signifikantesten Teilmengen der Merkmale zu identifizieren. Auf diese Weise können wir die signifikantesten Daten zur Interaktion zwischen den Merkmalen erfassen.

“Würde man diese Berechnungen manuell durchführen, so bräuchte man dafür Jahrhunderte (z. B. gibt es für n = 20 über eine Million Kombinationen der Merkmale, und die meisten Datensätzen enthalten über 20 Merkmale). Sogar unter Verwendung traditioneller Computertechniken und herkömmlicher Rechenleistung würden die Berechnungen Jahrzehnte dauern.

“Mit Algorithmen für maschinelles Lernen (z. B. genetische Algorithmen, Deep-Learning-Architekturen) und cloudbasierter Rechenleistung lassen sich Milliarden von Berechnungen auf wenige Wochen reduzieren. Algorithmen für maschinelles Lernen spielen eine wichtige Rolle bei der iterativen Auswahl der wichtigsten charakteristischen Merkmale des vorliegenden Datensatzes. Da mehrere Datenquellen dazu beitragen, die Vorhersagemodelle weiter zu verbessern, hilft dieser Ansatz auch dabei, die Gültigkeit und Robustheit einer bestimmten Datenquelle zu ermitteln “, so Dr. Seker in einem Interview.

“Diese Algorithmen werden iterativ unter Verwendung historischer Datensätze für vordefinierte Aufgaben eingesetzt (z. B. einen Preis oder eine Preisspanne, die einem bestimmten Kunden zusammen mit vorgeschlagenen Produkten angeboten werden könnten). Angesichts der Komplexität der Datensätze und ihrer (ausgewählten) Merkmale müssen mehrere Vorhersagemodelle kombiniert werden, von denen jedes unter Verwendung bestimmter maschineller Lerntechniken und/oder einer oder mehrerer Teilmengen der Merkmale entwickelt wird, um das genaueste und zuverlässigste Vorhersagemodell zu entwickeln.“

Abbildung 2: Die wichtigsten algorithmischen Phasen zur Entwicklung eines robusten Vorhersagemodells

Zusammenfassend gesagt verwendet Bubo.AI einen Workflow für maschinelles Lernen, der den Preis durch die Prozess- Feedbackschleife kontinuierlich optimiert. Auf diese Weise wird der Prädiktor zu einem Unternehmens-KPI, mit dem die Leistung des Prozesses in Abhängigkeit von den Auswirkungen auf die Rentabilität gemessen wird. Es hilft Unternehmen dabei, die Geschäftsleistung zu managen und den dem Kunden gebotenen Wert innerhalb von operativen Modellen anzupassen.

Was unterscheidet Bubo.AI von CPQ-Modellen?

CPQ-Software oder “Configure, Price, Quote”-Software widmet sich Konfiguration, Preisgestaltung und Angeboten. Gartner schätzt das Wachstum dieses CPQ-Softwaremarkts auf 20% pro Jahr und auf einen derzeitigen Wert von über 1 Milliarde US $. In diesem Markt haben die meisten großen Technologieanbieter eine eigene Lösung, so zum Beispiel SAP, Oracle, IBM, Salesforce sowie eine Reihe von SaaS- und cloudbasierten Lösungen.

“CPQ-Lösungen und -Software sind im richtigen Kontext unglaublich nützlich. Wenn ein großer Kunde einen Rabatt auf 50.000 Bremsbeläge für die linken Vorderräder von Mercedes wünscht, muss ein Zulieferer die Margen für andere Produktgruppen anpassen, um die Profitabilitität zumindest beizubehalten oder leicht zu verbessern”, so Alan Timothy.

“Bubo.AI hingegen ist weitaus nützlicher für die spontanen Preisverhandlungen, die täglich unzählige Male in Filialen, telefonisch oder in Meetings zwischen Vertriebsmanagern und Kunden stattfinden.“

“Anstatt hier einem Bauchgefühl zu folgen und für einen schnellen Geschäftsabschluss einen Rabatt zu gewähren oder einfach einem Rabattgruppenmodell zu folgen, können Vertriebsmitarbeiter und Manager schnell einen Preis generieren, der genau wiedergibt, was jeder Kunde wirklich zu zahlen bereit ist.”

Bubo.AI bietet die gesamte Palette der Preisgestaltung: Kontaktieren Sie uns noch heute, um Ihre Preise und Ihre Profitabiität zu steigern.