34-41 Dossier 4 Optimizacionc

34 DOSSIER Harvard Deusto Márketing y Ventas
PONER LA
INTELIGENCIA
ARTIFICIAL AL
SERVICIO DE LA
OPTIMIZACIÓN
DE PRECIOS
El acceso a plataformas de datos sobre el consumidor y
el avance en inteligencia artificial y minería de datos para
su tratamiento han permitido a las empresas el desarrollo
de una estrategia de ‘pricing’ personalizada. El ‘machine
learning’, por ejemplo, puede predecir cómo
responderán clientes específicos a precios que
aún no conocen, y ayudar a detectar las
oportunidades y las amenazas que merece la
pena gestionar, centrando nuestro esfuerzo en lo
realmente relevante. Este artículo define en qué
palancas se apoya la fijación de precios moderna y
qué papel juega en ellas la tecnología, en especial,
la inteligencia artificial
Manu Carricano
Director del Institute for Data-Driven
Decisions en ESADE Business School y
fundador de TheTopLineLab
Este documento está autorizado para el uso exclusivo de publiciencia10@harvarddeusto.local (publiciencia10@harvarddeusto.local). https://www.harvard-deusto.com
Copiarlo o publicarlo es una infracción de los derechos de autor. Para cualquier consulta contacta con info@harvard-deusto.com.
LA INTELIGENCIA ARTIFICIAL Y SU IMPACTO EN ‘MARKETING’
DOSSIER 35
A
ctualmente, la ges- del acceso al dato. Por lo tanto, la manera de

tión de precios “sufre” representar el pricing moderno parte de los da-
de la frontera entre tos para alimentar los casos de usos de negocio,
procesos y tecnología: tal como lo representa la figura. ¿Qué aportan
de un lado, soluciones las tecnologías, como la inteligencia artificial,
tecnológicas que no a cada una de las vertientes en las que se apoya
saben/no pueden la “nueva” gestión de precios?:
adaptarse a las nece-
sidades muy particulares de cada empresa en
sus sectores; y, del otro, unos procesos (y perso-
nas) que no saben apalancar lo que la tecnología
1 FUENTES DE DATOS. La primera capa
de modernidad tiene que ver con el acceso
y la integración de los datos. Arquitecturas en
moderna, y la inteligencia artificial (IA) en par- la nube facilitan el acceso a datos desde múl-
ticular, puede aportar a un pricing “moderno”. tiples fuentes (ERP, CRM, Google, Facebook,
A ello se suma que la presión creciente del en- etc.) y de múltiples formas (archivos, servido-
torno competitivo, la complejidad de la gestión res, bases de datos, microservicios, API…). Las
de los canales y la necesidad de responder a plataformas en la nube (Amazon Web Servi-
mercados cada vez más veloces hacen que el ces, Microsoft Azure, Google Cloud, etc.) tam-
statu quo que mantenían muchas empresas con bién ponen a disposición de los profesionales
sus precios y políticas comerciales ya no pueda soluciones específicas de preparación y de
ser. Las organizaciones necesitan ir más allá de limpieza de los datos (Trifacta, por ejemplo)
las metodologías tradicionales (listas de pre- para automatizar este proceso costoso para
cios, descuentos, promociones, etc.) para opti- las empresas. ¿Cuáles son las fuentes princi-
LAS ORGANIZACIONES NECESITAN IR MÁS ALLÁ DE

LAS METODOLOGÍAS TRADICIONALES PARA OPTIMIZAR
UNA COMBINACIÓN DE DECISIONES (PRECIO Y/O
PROMOCIÓN) EN FUNCIÓN DE UN CONTEXTO DINÁMICO
(EVENTOS, PERCEPCIONES DE LOS CONSUMIDORES,
ACCIONES DE LOS COMPETIDORES, ETC.)
mizar una combinación de decisiones (precio pales para optimizar nuestros precios? Dis-
y/o promoción) en función de un contexto di- tinguimos cinco:
námico (eventos, percepciones de los consumi-
dores, acciones de los competidores, etc.) y de
múltiples objetivos (volumen y rentabilidad).
•de Transacciones. Es el pilar fundamental
la gestión de precios y lo que determina su
Lo analizamos a continuación. nivel de “granularidad”: el pricing es accionable
a granularidad baja (la transacción, el pedido,
IA PARA UN el producto). Esta necesidad de reconstruir una
‘PRICING’ MODERNO realidad de la rentabilidad de la empresa desde
Separar los datos de su uso constituye un sin- la transacción hacia la cuenta de resultados
sentido. La democratización de los modelos (una lógica bottom-up) es lo que da a la disci-
analíticos va de la mano de una modernización plina su impacto, pero también su complejidad.
DOSSIER 37
FIGURA
VISIÓN GENERAL DE LA OPTIMIZACIÓN DEL PROCESO DE PRECIOS
POR INTELIGENCIA ARTIFICIAL
Prescrip-
ciones
‘Pricing’ Descuentos/Rebajas Promociones Portafolio y ‘mix’
Modelos y analíticas
Modelos
Segmentación de productos y clientes
Fuentes
Transacciones ‘Stock’ Demanda Contexto Estrategia
Fuente: TheTopLineLab
•nibilidad
‘Stock’. Datos de productos y de su dispo-
son esenciales, por lo que existe una
identificando clientes más propensos a pagar
un precio más alto, a contratar un seguro para
conexión directa entre operaciones y gestión el billete, a comprar un asiento premium, etc.
de los precios. La calidad del dato aquí es pri-
mordial, incluyendo la gestión y mantenimien-
to de un master data de productos de calidad.
•dirContexto. Optimizar precios supone me-
y aislar efectos. Datos de contexto son even-
tos (internos o externos) que se pueden relacio-
• Demanda. Optimizar precios debe ir más
allá de la conversión, es decir, de una visión
nar con fluctuaciones de la demanda. Elementos
externos y macro, como ha sido la COVID-19,
puramente interna de la empresa y de sus ope- por ejemplo, se deben medir y aislar, al igual que
raciones, para enlazar flujos de datos internos los eventos propios (nuestras promociones o las
y externos. Podemos optimizar las ventas con de la competencia, calendarios, etc.).
un precio más inteligente y personalizado, pe-
ro ¿dentro de qué potencial de mercado? En el
sector aéreo, por ejemplo, más maduro en la
•tegiaEstrategia. La formalización de la estra-
en objetivos (targets) e indicadores clave
implementación de precios dinámicos, empre- permite articular la capa más estratégica de
sas como eDreams ODIGEO, especializada en las decisiones de precio (posicionamiento, pre-
viajes online, relacionan las búsquedas con las supuestos, resultados mensuales) con la capa
conversiones y ejecutan particiones de sus da- más operacional (punto de precio, campañas,
tos de navegación en función de la demanda, política comercial, mix de productos, ➤ ➤ ➤
➤ ➤ ➤ etc.). Muchas empresas carecen de un cear”, las múltiples dimensiones capturadas

gobierno claro de sus indicadores clave, así co- en los datos, y se aplica tanto a clientes como
mo de una comunicación evidente de los obje- a productos o a contextos distintos (clima, día
tivos a alcanzar y de las acciones concretas y hora, fiestas, estacionalidad, localización,
para conseguirlos. etc.). Segmentar las oportunidades de mejoras
de precios varía según las dimensiones usadas,
2 MODELOS AVANZADOS. Los algo-

ritmos de precios apalancan tres tipos de
modelos en machine learning. Combinarlos es
pero también según los objetivos de negocio en
el momento de decidir (mejorar margen, venta
cruzada, volúmenes...). Actores del comercio
particularmente fundamental para la optimi- electrónico, como Amazon, Walmart o Carre-
zación de precios, cuyo objetivo es empujar four, son capaces de aislar microsegmentos de
recomendaciones de alta precisión al negocio. clientes en función de su perfil sociodemográ-
Los tres tipos son: fico y patrón de compra, pero también en fun-
ción de cómo reaccionan a mecanismos de
• Segmentación. La segmentación (o clus-
tering) es el cimiento del pricing avanzado por
activación, a cupones electrónicos, etc., inyec-
tando en sus modelos de segmentaciones datos
personalización, porque define tanto la homo- transaccionales, de web y móvil y de geoloca-
geneidad del análisis como la precisión de los lización, entre otros. Estos modelos de machi-
modelos. “Segmentar” es “particionar”, o “tro- ne learning desarrollados internamente en
DOSSIER 39
centros de excelencia (Walmart Labs, por ejem- promocional, tipo de producto, perfil de cliente,
plo) son una verdadera ventaja competitiva en etc. (dimensiones). Cuanto mayor es el número
un sector en lucha perpetua por cuota de mer- de dimensiones, mejor es el ajuste o fiabilidad
cado. A pesar de su importancia, la segmenta- de modelos más avanzados, como árboles de
ción suele ser una faceta analítica muy infra- decisiones, redes neuronales o equivalente,
valorada, tanto por negocios como por aprendizaje profundo, etc. Para su metodología
científicos de datos, posiblemente, y precisa-
mente, porque necesita de la colaboración en-
tre ambas áreas.
LOS MODELOS PREDICTIVOS,
•supervisados,
Predicción. Los modelos predictivos, o O SUPERVISADOS, TIENEN
tienen como objetivos medir el COMO OBJETIVOS MEDIR
impacto de múltiples dimensiones sobre una
variable objetivo, o target, y aprender de los re-
EL IMPACTO DE MÚLTIPLES
sultados. La predicción es la pieza clave del ajus- DIMENSIONES SOBRE UNA
te de precios en tiempo real, también llamados VARIABLE OBJETIVO, O
“precios dinámicos”. Modelos de regresión, por
ejemplo, permiten predecir la relación entre ‘TARGET’, Y APRENDER
unidades vendidas (target) y precio, intensidad DE LOS RESULTADOS
de precios dinámicos (surge pricing), Uber usa

un modelo de regresión OLS, cuyo objetivo es
minimizar el tiempo medio de espera del clien-
te. El algoritmo de precios dinámicos de Ama-
zon, por su parte, emplea múltiples dimensio-
nes para cambiar sus precios, siendo las dos
principales el nivel de stock y el precio de uno(s)
competidor(es) de referencia. Con su modelo de
predicción de precios, Amazon es capaz de
cambiar más de 2,5 millones de precios al día y
de ajustarlos a los precios geolocalizados de su
principal competidor, Walmart.
Otros modelos de tipo supervisado se cen-
tran en series temporales, y permiten generar
previsiones ( forecast) fiables para aislar la línea
base (o baseline) del resto de acciones, pudien-
do impactar en los resultados. Este es otro pun-
to flojo dentro de los proyectos analíticos que
una iniciativa de pricing puede volver a poner
en el centro de las conversaciones: ¿cómo ais-
lamos efectos? ¿Qué pasaría si…? ¿Cuál es la
contribución exacta del precio, de otras varia-
bles, etc.?
• Optimización. Uno de los “secretos” mejor

guardados del pricing es la optimización, cuyo
objetivo es maximizar (o minimizar) una fun-
ción matemática. Por ejemplo, maximizar ren-
tabilidad en función de múltiples parámetros
y fuentes de datos (nivel de stock, patrón de
navegación de los consumidores, cambios re-
cientes en demanda, efectos de cani- ➤ ➤ ➤
➤ ➤ ➤ balización, roturas de productos, etc.).

Para muchos científicos de datos, hasta muy
recientemente, estos modelos se percibían co-
mo obsoletos y muy centrados en temas ope-
racionales. Hoy en día, se empieza a redescu-
brir el potencia l de la optimización
matemática en proyectos de IA sobre grandes
volúmenes de datos. Empresas como Zalando
han creado un grupo especializado en opera-
tions research, dentro de su Departamento de
Pricing & Forecasting, para acelerar la adopción
interna de modelos de optimización, o pres-
criptivos.
Una de las soluciones más destacadas en
este ámbito es la alemana Blue Yonder, funda-
da por el profesor Michael Feindt, excientífico
del CERN e inventor de una metodología única
para resolver problemas complejos de optimi-
zación llamada NeuroBayes. Blue Yonder, que
es capaz de generar millones de modelos de
optimización en tiempo real, ha permitido al
distribuidor Morrisons evitar roturas de pro-
ducto y adaptarse inmediatamente a la crisis
de la COVID-19. En otro sector relevante, el ho-
telero, la solución española Beonprice permite
integrar más de trescientos cincuenta servicios
CON LOS PROGRESOS EN dólares en sus cuentas cada año para poder
equivocarse experimentando.
CIENCIA DEL DATO Y EN
SOLUCIONES “LLAVE EN
MANO” EN LA NUBE, LOS 3 PRESCRIPCIONES PARA EL NE-
GOCIO. Con los progresos en ciencia del
dato y en soluciones “llave en mano” en la nube,
PROFESIONALES SE ESTÁN los profesionales se están dando cuenta de que
DANDO CUENTA DE QUE la IA vuelve a poner el foco en el negocio. Mu-
chos de los cuellos de botella de proyectos ana-
LA IA VUELVE A PONER líticos están saltando; muchas de las comple-
EL FOCO EN EL NEGOCIO jidades en sistemas están desapareciendo para
una democratización del dato y del insight en
la empresa. El éxito de la ejecución de proyectos
de datos (inteligencia de mercado, canales de complejos, como es la optimización de precios,
distribución, gestión de propiedad) para una viene de la alineación de tres componentes:
optimización que integra desde la estrategia datos, tecnología y negocio. Es decir, de una
hasta las operaciones del hotel o del parque colaboración sin fricciones entre estos tres
hotelero. mundos. El caso de uso de negocio debe ser el
Otra vía de optimización proviene de la ex- punto de partida (“¿qué resultado queremos
perimentación. Ser capaz no solamente de de- conseguir?”) y el punto de llegada (“¿cómo me-
cidir un precio óptimo, sino de manipular las dir el éxito?”) del proyecto. Entre estos dos ex-
decisiones ejecutadas, de manera que se apren- tremos, están los datos y los modelos, cuyo ob-
da de ellas, es la clave de un pricing moderno. jetivo es empujar prescripciones a negocio.
Es la “salsa” secreta de una empresa como Parte de la complejidad del pricing –que lo
Amazon, que provisiona miles de millones de convierte en un terreno ideal para la aplicación
DOSSIER 41
DEFINIR EL PRECIO
DE LISTA O DE CATÁLOGO,
SU COHERENCIA ENTRE
PRODUCTOS, REGIONES,
FAMILIAS, ETC., ES
UNA ETAPA CLAVE
QUE FUNCIONA COMO
ANCLA DE TODAS LAS
DECISIONES FUTURAS
un cliente para una combinación de productos

o servicios es uno de los avances de los últimos
años en pricing B2B, con soluciones nuevas en
configuración, precios y cotizaciones (CPQ),
como las que pueden ofrecer Salesforce, Apttus,
Pros o Vendavo.
•Definir, planificar y seguir las pro-

mociones. El trabajo en silos de las empresas
hace que las promociones se suelan considerar
aparte de la gestión general de precios y de in-
gresos. Soluciones como Eversight, por ejem-
plo, son capaces de recomendar promociones
optimizadas (importe, formato, plan, etc.) a
de avances en inteligencia artificial– viene de grandes marcas o distribuidores.
su dimensión multifuncional y de las múltiples
dimensiones que se deben tener en cuenta pa-
ra su optimización. A modo de conclusión, se
• Portafolio y ’mix’. Un pricing moderno
permite controlar impactos y optimizar el uso
pueden identificar cuatro grandes tipos de de múltiples palancas de ingresos (portafolio).
prescripciones que los modelos de IA deben En cuanto al mix de ventas, hace posible pasar
proporcionar a los usuarios de negocio: de descubrir a posteriori el efecto del mix (el
mix es una consecuencia de muchas decisiones)
• Fijar el precio. Definir el precio de lista
o de catálogo, su coherencia entre productos,
a controlarlo como palanca y objetivo de las
políticas comerciales (“Voy a cambiar mi precio
regiones, familias, etc., es una etapa clave que en el producto A para impactar sobre mis pro-
funciona como ancla de todas las decisiones ductos B y C y maximizar la rentabilidad de la
futuras. La pieza fundamental de todo el pro- categoría”). En impacto, el efecto del mix suele
ceso tiene tanto que ver con la integración de ser uno de los más potentes. Empresas como
datos como con la integración de modelos y Coca-Cola, AB InBev o Danone han reorgani-
soluciones. La alemana Pricefx es una de las zado su Departamento de Pricing para reposi-
empresas más destacadas en este terreno por cionarlo como Revenue Growth Management
la alta configurabilidad y flexibilidad de su en- (gestión del crecimiento de ingresos), cuyo te-
torno cloud. rritorio abarca precios y mix de ventas.
En suma, modernizar nuestro proceso de
• Fijar los descuentos o rebajas. Cuán-
to decidimos cambiar el precio base, con qué
fijación de precios es una fuente clave de ven-
taja competitiva, de resultados operacionales
“Poner la inteligencia
objetivo, con qué frecuencia, para qué produc- y financieros y de transformación organizacio- artificial al servicio de la
optimización de precios”.
tos, clientes u ocasiones… Recomendar un pre- nal, ya que pocas iniciativas en el mundo del © Planeta DeAgostini
cio final, o neto, de condiciones comerciales a dato aportan tanto retorno. ■ Formación, S.L.

34-41 Dossier 4 Optimizacionc

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

34-41 Dossier 4 Optimizacionc

Cargado por

Copyright:

Formatos disponibles

34 DOSSIER Harvard Deusto Márketing y Ventas

ctualmente, la ges- del acceso al dato. Por lo tanto, la manera de

LAS ORGANIZACIONES NECESITAN IR MÁS ALLÁ DE

➤ ➤ ➤ etc.). Muchas empresas carecen de un cear”, las múltiples dimensiones capturadas

2 MODELOS AVANZADOS. Los algo-

de precios dinámicos (surge pricing), Uber usa

• Optimización. Uno de los “secretos” mejor

➤ ➤ ➤ balización, roturas de productos, etc.).

un cliente para una combinación de productos

•Definir, planificar y seguir las pro-

También podría gustarte