9. Jaký model vybrat?
_ Doporučené ceny
Rezignace/zákaz změn
_ Nacenění pomocí koeficientu
Případně koeficient na bázi hladiny/segmentu
_ Rule-based pricing
Dynamický způsob nacenění pomocí předem definovaných pravidel
_ Modely na bázi AI
Nacenění často schované za ML, umožňuje naceňovat na úrovni
produktu nebo návštěvníka
11. Nacenění pomocí koeficientu
Klady
_ Řídíte alespoň svou marži
_ Vhodné pro začínající eshop
Zápory
_ Absence optimalizace a
vyhodnocení snižuje významně marži,
obrat a pozici na trhu
12. Rule-based pricing
Klady
_ Využíváte své know-how
_ Dokážete pružně reagovat na situaci na
trhu
_ V případě měření a vyhodnocování
pravidel dochází k významné optimalizaci
marže a obratu.
Zápory
_ Špatně nastavený rule-based systém tlačí
na snižování cen celého trhu
_ Je třeba mu věnovat čas
15. Modely na bázi strojového učení
Klady
_ Nasadíte a vidíte výsledky bez většího úsilí
_ Dokáže zohledňovat automaticky největší
sadu proměnných
Zápory
_ Je to blackbox
_ Pokud nemáte dost dat, děláte špatná
rozhodnutí
17. Máme model, jak dál?
1. Cenová analytika
Současný stav konkurence a trhu
Analýza příležitostí a hrozeb
2. Přeceňovací modely
Statická/dynamická cenotvorba
3. Vyhodnocení dopadu
Vyhodnocení taktik a pravidel
Výzkum nových příležitostí
18. Co byste měli z cenové analytiky vyčíst?
_ Pořiďte si spolehlivou BI analytiku (GA nestačí)
_ Které otázky byste měli být schopni odpovědět?
Daří se nám pomocí současné cenové strategie plnit cíle?
Jaké jsou největší příležitosti?
Jaké jsou největší hrozby?
Jak změna cen ovlivňuje naše prodeje?
Jak změna cen konkurence ovlivňuje naše prodeje?
Kde je konkurence nejvíc/nejméně aktivní
...
Které proměnné jsou nejdůležitější?
35. Vlastní výzkum
“Heleď Petře, po 100 nákupech vím, že mi ta nová verze přinesla 5% růst”
Jaký je vztah mezi počtem nákupů a potřebnou velikostí změny,
abychom mohli vyloučit, že je změna způsobena náhodou?
Jak vysoká je úroveň datového šumu u 150, 500, 1 000, ... nákupů?
36. Vlastní výzkum
Simulace 10 000 A/A testů. Každá varianta má stejný počet návštěv a
stejný průměrný konverzní poměr
Díky náhodě vzniká odchylka. Když náhodná odchylka překročí velikost
změny, test selže.
V kolika z 10 000 testů test selže? Snaha najít hodnotu, kdy je procento
selhaných testů pod 5 %.
37. 150 nákupů na každé variantě testu
Bezpečná hladina je od 25% změny
38. 500 nákupů na každé variantě testu
Bezpečná hladina je od 15% změny
39. 750 nákupů na každé variantě testu
Bezpečná hladina je od 10% změny
40. 1 000 nákupů na každé variantě testu
Bezpečná hladina je od 8% změny
41. Co si z toho odnést
1. Modely pro pricing
Při stovkách objednávek měsíčně se soustřeďte na růst
O dynamický repricing se začnete zajímat od řádu tisíců objednávek
O ML modely od řádu desítek tisíc objednávek
42. Co si z toho odnést
2. Cenová analytika
Pořiďte si kvalitní BI a nalejte do ní správná data
Nad daty hledejte příležitosti a hrozby
Očistěte data
43. Co si z toho odnést
3. Výzkum
Čím menší počet nákupů, tím větší změny musíte dělat
Pokud zvolíte strategii, dejte ji čas, aby se projevila
Spočítejte si, jak velké dopady potřebujete