Mitä pitää ottaa huomioon tekoälyprojektissa? Case: hintaoptimointi

Pilvipalvelualustojen ansiosta suurten datamäärien käsittely on nykyään entistä kustannustehokkaampaa. Tekoälyn on luvattu automatisoivan prosesseja, jäljittelevän ihmisälyä, ennustavan liiketoimintaa ja asiakkaiden käyttäytymistä sekä hahmottavan ympärillämme olevaa monimutkaista toimintaympäristöä.

Tekoälyprojekti sisältää tyypillisesti muutaman yleisen vaiheen, olipa käyttötapauksesi mikä tahansa.

1. Liiketoiminnallisen haasteen ymmärtäminen ja tavoitteen asetanta
2. Datan ymmärtäminen
3. Datan käsittely ja mallinnusdatasetin luominen
4. Datan mallintaminen
5. Mallin käyttöönotto päivittäisessä liiketoiminnassa
6. Tulosten seuranta ja iterointi

Projekti alkaa aina liiketoiminnallisen haasteen ymmärtämisellä, tavoitteen kuvaamisella ja etenee sitten datan ymmärtämiseen. Kun liiketoiminnan ymmärrys on muutettu datakieleksi, tulee löytää oikea data ja käsitellä se mallintamista varten. Seuraava askel on mallintaa ja soveltaa algoritmeja – eli opettaa malli. Viimeinen vaihe on ottaa malli käyttöön päivittäisessä liiketoiminnassa ja katsoa, minkälaisia ​​tuloksia se antaa. Mallia voidaan vielä tarvittaessa kalibroida ja iteroida paremmaksi.

Kolme ensimmäistä vaihetta, liiketoiminnan haasteen ymmärtäminen, datan ymmärtäminen ja mallinnusdatasetin valmistelu, vievät suurimman osan ajasta. Tekoälyä käytettäessä liiketoiminnan haasteen ymmärtäminen ja tavoitteen asetanta on kuitenkin välttämätöntä. On tiedettävä, mitä halutaan ratkaista.

Tämä tieto toimii prosessin punaisena lankana esimerkiksi siinä, mitä dataa tulee kerätä. Jos ratkaistavaa ongelmaa ei kyetä kuvaamaan tarkasti, ei koko prosessia kannata edes aloittaa.

Case: Hinnan optimointi verkkokauppakontekstissa

Hinnoittelulla on iso merkitys liikevaihtoon ja -voittoon. Jos halutaan nähdä, miten asiakkaat reagoivat erilaisiin hintastrategioihin ja hintamuutoksiin, rakennetaan tuotteelle hinnoittelun optimointimalli. Sen pohjalta voidaan asettaa tuotteille parhaat hinnat.

Hinnoittelun optimointimallin tavoitteena on:

• ennustaa tiettyjen tuotteiden kysyntää
• saada käsitys optimaalisesta hinnasta tietyllä kysyntätasolla
• nähdä liikevaihtoennuste tietyllä hinta-kysyntä-kombinaatiolla
• arvioida, miten tulokset kehittyvät ja
• tuottaa ymmärrystä merkittävimmistä kysyntään vaikuttavista tekijöistä.

Liiketoiminnan ymmärtäminen, datan ymmärtäminen ja jopa datan valmistelu vaativat kaikki liiketoiminnan asiantuntijoiden panostusta. Aivan liian usein hankkeet ovat teknisvetoisia ja liiketoiminnan asiantuntemusta kysytään tarvittaessa. Yksi tiimi, jossa kaikki työskentelevät yhdessä – toiset bisnesongelmien ja toisten teknisten ongelmien parissa – hyödyttää kuitenkin koko projektia.

Kun tiimi on saatu organisoitua, on aika kerätä tarkoituksenmukainen data. Ongelmana ei tässä vaiheessa välttämättä ole datan olemassaolo, vaan olennaisen datan rajaaminen. On hyvä huomioida, että sisäisten tietolähteiden lisäksi dataa on mahdollista hankkia myös yrityksen ulkopuolelta.

Hintaoptimoinnin tapauksessa olennaisinta on myyntidata muutaman vuoden historialla. Monet eri tekijät vaikuttavat kuitenkin kysyntään, joten tarvitaan myös muuta dataa. Tuotetiedot (kuten kategoriat, alakategoriat ja kuvaukset), lomat, sesongit, tapahtumat, kalenteripäivät, tuotearviot ja niin edelleen vaikuttavat kysyntään – samoin kuin kilpailijoiden hinnat ja jopa makroekonomiset tiedot, kuten työttömyysaste ja koronapandemian vaikutus.

Kaikki data ei ole yhtä relevanttia

On tärkeää validoida ja ottaa mukaan vain tarkoituksenmukaiset muuttujat. Monipuolinen lähtödata voi olla mielenkiintoista, mutta kaikella datalla ei mallin lopputuloksen eli tavoitteen kannalta ole vaikuttavuutta.

Mallinnusdatasetin valmistelussa korostuukin data-analyytikoiden ja liiketoiminnan asiantuntijoiden yhteistyön merkitys: liiketoiminnan asiantuntijat voivat sanoa, mikä data on olennaista ja mikä ei.

On hyvä huomata, ettei kaiken datan tarvitse olla tallennettuna yrityksessä itsellään juuri tällä hetkellä. Osan datasta voi hankkia myös yrityksen ulkopuolelta.

Sen jälkeen, kun oleellinen data on tunnistettu, se täytyy tallentaa mielellään data-alustalle. Data-alusta yhdistää erilaiset datalähteet ja luo mallinnusdatasetin, jota datatieteilijöiden on helppo käyttää.

Ennen kuin prosessia voidaan jatkaa, täytyy mallinnuksessa käytettävää dataa todennäköisesti analysoida ja rajata. Päätöksiä tulee tehdä ainakin näistä asioista:

• Minkä tuotteiden hintaa on tarkoitus optimoida?
• Kuinka usein optimointi tulee tehdä? (Miten hinnat ovat muuttuneet menneisyydessä?)
• Miten kysyntä on kehittynyt?

Jos on esimerkiksi olemassa tuotteita, joilla on hyvin erilainen myynti – toisten myynti voi olla hyvin tasaista, kun taas toisten myynti on ajoittaista tai epäsäännöllistä – voi olla hyvä aloittaa niistä, joita on kaiken aikaa myyty tasaisesti.

Malli tarvitsee tosielämän happotestausta

Kun datasetti on valmis ja tarvittavat päätökset ja rajaukset on huomioitu, mallinnusta voidaan lähteä tekemään. Ideana on soveltaa tarvittavia algoritmejä ja opettaa mallia. Dataan voidaan soveltaa valmiita algoritmeja ja palveluja.

Ensimmäisten tulosten myötä voidaan iteratiivisesti validoida mallia ja käytettyjä parametreja. Tässä vaiheessa nähdään, ovatko parametrit ja muut tekijät niitä, jotka vaikuttavat kysyntään eniten – ja siten myös mallin lopputulokseen.

Tavoitteena on rakentaa kysyntäkäyrä, joka näyttää, miten hinta ja eri tekijät vaikuttavat kysyntään. Kiinnostavaa on myös se, miten paljon tietyn tuotteen erilaiset hinnat tietyssä aikaikkunassa muuttavat kysyntää ja odotettua liikevaihtoa.

Tätä kaikkea tehdään nimenomaan ennakoivasti – tulevaisuuteen katsoen.

Mallintamisen kautta kannattaa tuottaa analyysi niistä tekijöistä, jotka vaikuttavat kysyntään eniten. Tarinankerronta auttaa ymmärtämään saatuja tuloksia paremmin, ja sen avulla voidaan tuoda yksinkertaisemmin esiin datan ja analyysien takana olevat käytännön tosiasiat. Varsin usein nimittäin kovan datan, lukujen ja kaavioiden analysointi on hyvin kuluttavaa, joten kun tulokset ja syy-seuraussuhteet selitetään auki ja niiden merkitystä pohditaan yhdessä tiimin kanssa, tulosten analysointi muuttuu mielekkääksi ja datanlukutaito kasvaa samalla.

Kun kaikki tämä on selvää, mallia voidaan alkaa testata tosielämässä. Määrittämällä tuotteiden hinnat voidaan nähdä, miten liikevaihto kehittyy. Tämän voi tehdä säännöllisesti, joko dynaamisesti tai manuaalisesti.

Mallia testattaessa nousee epäilemättä joukko uusia kysymyksiä. Miten esimerkiksi tuotteiden myynti näillä uusilla hinnoilla vaikuttaa vastaavien tuotteiden kysyntään?

Nämä uudet kysymykset aloittavat iteraation alusta.

Älykäs hinnoittelu auttaa yrityksiä houkuttelemaan lisää asiakkaita, lisäämään myyntiä ja maksimoimaan tuoton. Optimoitu tuotehinnoittelu liittyy kysynnän, hinnan ja tuottojen parhaaseen kombinaatioon ja sen avulla luonnollisesti pyritään vastaamaan asiakkaiden odotuksiin ja motivoimaan heidät ostamaan tuotteita.

Tänä päivänä verkkokauppakontekstissa asiakkaiden on varsin helppo vertailla hintoja ja ostaa tarvitsemansa tuote sieltä mistä sen edullisimmin saa. Näin ollen hinnoittelua on välttämätöntä optimoida dynaamisemmin ja siinä data ja tekoäly tulevat avuksi.