Precios dinámicos en el comercio minorista

Durante años has comprado un producto en una tienda porque te ha parecido que es muy bueno, y que la ecuación precio-beneficio está equilibrada. Por poner un ejemplo, supongamos que se trata de una barra de pan a 1,50€.

Te gusta tanto que la recomiendas a amigos y familiares, que han ido a comprarla meses atrás y han pagado con gusto 1,50€ por esa barra de pan. Pero ayer, uno de tus amigos que ha ido a buscar una ha pagado 1,60€. Y a ti hoy te han cobrado 1,45€, mientras que te has enterado que hace 2 días otro cliente ha pagado 1,55€.

Todas son dudas sobre la salud mental del panadero, porque estás acostumbrado que cada producto tiene un precio fijo que cambia muy poco o con variaciones macroeconómicas, como la inflación.

Todas son dudas hasta que intuyes que el panadero está utilizando Machine Learning.

Esta técnica ya esta siendo utilizada por grandes empresas y poco a poco va llegando al comercio minorista, estableciendo un precio dinámico para cada producto.

Estos algoritmos pueden predecir el mejor precio, precio de descuento y precio promocional, teniendo en cuenta muchos factores como la ubicación, la competencia local y online, estacionalidad, variables macroeconómicas, y un largo etcétera.

Para construir un modelo que genere estos precios en forma dinámica en tiempo real, deberás contar con información de relevante que puedas utilizar realizar un entrenamiento adecuado. Entre otros datos, es importante que poseas los siguientes:

• Transacciones: Esto incluye el historial de ventas de cada cliente y los productos que han comprado en el pasado. De cierta manera es la relación entre el cliente y el comercio.
• Producto: Toda la información posible sobre el producto y su precio. Por ejemplo, las marcas, categoría de producto, estilo, fotos y precio de venta de los productos vendidos anteriormente. Las promociones y campañas anteriores también se analizan para encontrar el efecto de los cambios de precios en cada categoría.
• Cliente: Información específica del cliente, como el rango de edad, situación laboral, nivel de estudios y otros detalles demográficos. También deberías incluir los comentarios y/o valoraciones que el cliente pueda haber hecho sobre diferentes productos.
• Competencia: De ser posible, es muy importante incorporar la información de la competencia sobre los mismos productos y/o productos similares. Los datos o costos de la cadena de suministro y del inventario también serán importantes si puedes añadirlos, ya que permitirá que el sistema ajuste mejor los márgenes de ganancias.

Cuando tengas estos datos, el siguiente paso es fijar los objetivos a alcanzar. Los objetivos más comunes en el comercio minorista son el maximizar las ganancias y retener la lealtad del cliente. Cada objetivo tiene, a su vez, una serie de limitaciones. Por ejemplo, una limitación podría ser que el precio calculado para cumplir los objetivos anteriores estuviesen por sobre el precio de la competencia. En este caso el precio de la competencia es una limitación.

En este punto puedes crear tu propio algoritmo o modelo para realizar la determinación de los precios, o también puedes utilizar una aplicación de software existente.

La mejor manera de que puedas implementar el cambio de precios es hacerlo primero en un grupo reducido de productos y así observar la reacción de los clientes. De este modo el comercio puede usar su mejor criterio para seleccionar un precio particular para ese producto o categoría. La idea es hacer este ajuste de precios en forma dinámica y en tiempo real, para evitar que haya pérdidas por una reacción negativa a un cambio de precio.

De esta manera puedes utilizar Machine Learning para ayudar a los comercios a diseñar estrategias más complejas que pueden ayudarles a alcanzar sus objetivos. La optimización de precios es uno de los mayores problemas en la industria minorista y Machine Learning puede abordar con éxito este problema.