大企业如何使用营销自动化定价驱动利润️
营销自动化定价如何帮助定价团队做出更好、更有利可图的定价决策?
既然营销自动化定价已经进入现代定价部门，定价团队的角色是什么?
在自动化的早期，目标首先是可伸缩性和效率。工作任务定义明确，输入和输出清晰。然而，最近自动化已经进入了需要判断、决策和感官检查的职业。法律、会计、医学、建筑、定价和收入流任务管理定价等职业都在人工智能自动化的聚光灯下。
为什么大企业和人工智能现在专注于自动化定价关税和定价工作组提示价格?简而言之，即使在今天，许多定价操作也过于缓慢、低效和无效。他们只是没有交付成果，也没有释放团队的能力。恰恰相反，他们正在消耗时间、耐心和资源。每年损失数百万美元的利润。
在本文中，我们将讨论将自动定价过程集成到简单和复杂的定价决策中。我们还将评估营销自动化软件定价过程对定价部门的有效性。
我们认为，未来的定价工作将主要基于混合智能;也就是说，来自定价团队的人工智能和人类智能的支持性组合。
我们相信人工智能定价程序可以帮助扩大定价团队。我们将日常任务和重复计算和分析的自动化视为释放容量的必要条件。
在本文结束时，您将了解如何最好地将AI集成到营销自动化定价中。
解构营销自动化定价的定价角色
营销自动化定价的一个基本方面是理解定价工作的性质。定价工作包括简单和复杂的工作:一方面，许多日常定价任务是行政的、手工的、缓慢的、在许多方面重复和平凡的。例如，在系统中手动输入价格，或者将产品类别和描述与价格代码匹配。另一方面，定价团队承担了大部分复杂的价格操作和任务来完成工作。
比如制定价格和收入模型、折扣结构、客户返利机制;设定新的价格下限和上限;设计价格算法以优化大型产品组合的价格。任务高度专业化，需要更深入的知识。更重要的是，没有多少人知道如何完成这些利基定价任务。因此，企业和供应商非常渴望找到拥有这些技能的人，并在他们的营销自动化定价系统中捕获他们的知识。
为了理解如何分析营销自动化定价的不同定价任务，专家们使用以下方法解构了特定于定价和收益管理的组件工作活动:
常规工作vs.可变工作
组织设计和定价专家区分定价工作的哪些方面是重复的或可变的。但作为一个经验法则:常规定价工作通常是可预测的，平凡的，常规的，由参数设定的。然而，另一方面，可变定价工作是变化的，或者是不可预测的，并且/或需要抽象的思维和决策规则。
很大一部分分析工作可以被描述为重复的，但不一定简单。例如，定价分析师花费大量时间从系统中收集和综合类似的数据集，以计算出价格-数量模式。他们还在交易层面上寻找成本、组合、数量价格趋势——即每周每月的销售额、交易数据、回扣、价格数量弹性。所有这些任务都是相当重复、例行和线性的。
依赖vs。独立的工作
营销自动化定价的下一个阶段是将依赖工作与独立工作分开。独立定价工作通常不需要与他人沟通。互动式或依赖性定价工作通常包括利益相关者参与和协作、会议、论坛、讨论等。此外，它通常依赖于沟通技巧和同理心。
例如，当一个定价团队正在制定价格结构时，他们主要是在做被归类为“独立工作”的工作。他们从各种系统和数据/信息来源收集数据，以做出决定和得出结论。他们通常会梳理大量的数据集，以发现和评估客户的购买行为和趋势。他们还将开发报告和特别模型。这些任务要求不与他人接触。
这类定价工作的很大一部分是与自动化兼容的。RPA可以进行信息收集和综合，而人工智能可以进行大量的分析并生成一定的基础报告。
认知vs。物理工作
营销自动化定价的下一步是将认知工作与体力工作分开。体力劳动本质上是体力劳动，需要体力的灵巧和力量。相比之下，认知工作需要定价团队成员的心理能力。
正如我们在上一节中所描述的，定价中的许多“脑力劳动”通常可以通过认知自动化来增强，但不能完全复制。这是因为复杂的定价任务依赖于收敛性和发散性思维的混合。解决问题不是一个线性的、二元的过程，因此很难复制。
有了这三种分类(如上所述)，企业现在可以更好地理解他们计划自动化的工作，以及特定的定价任务如何分解成单个的工作。
如何在营销自动化定价中使用混合来自动化定价知识
未来的定价工作正在迅速演变为数字软件和硬件的性能都在迅速提高。因此，我们相信定价团队的大部分工作将来自混合智能。混合智能同时使用人工智能和人类智能来实现更复杂的业务结果。
人工智能和定价团队之间的关系通常是一种支持关系，而不是非此即彼的方法。目前，大多数定价团队在Excel等工具的支持下，依靠人工智能做出决策。在未来，混合智能将成为新的规范——支持定价团队和人工智能共同实现卓越的结果，并相互学习。在许多方面，混合智能将成为数字时代下一个主要的定价团队模式。
以下是每种定价混合在营销自动化定价中的作用:
有两种类型的混合智能驱动营销自动化定价。第一种混合动力车更基本。从根本上说，它存储定价知识，并将其应用于简单和常规的任务，如价格变化。第二种混合动力车更加复杂。它做着第一个混合模式所做的事情，但也继续从定价团队实时学习(错误和成功)，以解决更复杂的定价问题。
定价混合1:
- 混合定价是一组使用脚本和编码预先编程到AI中的任务。定价团队使用混合人工智能来自动化简单的定价任务，这样他们就可以做其他工作。
- 为了创建一个混合模式，程序员为每个定价成员开发一个模板。他们的工作被分解成离散的任务(使用上面描述的职业分析过程)。然后将该模板转换为代码脚本。
- 在此基础上，混合程序可以根据团队成员定价历史的模板，存储团队成员关于特定主题的定价知识(比如定价过程)。
- 然后AI将价格设置模板应用于所有新客户帐户或报价。
- 然后，这个提取和存储知识的过程被复制给定价团队的每个成员。
- 随着时间的推移，AI会存储和执行一整套定价知识(程序性和声明性)。
- 然后，定价团队使用过去定价决策(带有预定义变量)的模型实时做出决策。
- 这种混合定价方案估计会带来额外的利润增长。总体而言，人工智能软件供应商估计，它产生的预期利润比销售人员的预期利润高出6.8%，也明显高于纯自动化的预期利润(比模型的利润高出1.5%)。
定价混合2:
- 第二种混合定价是基于机器学习模型。
- 机器学习模型预测定价团队根据预定义的条件、规则和变量制定的定价策略的预期盈利能力的差异。
- 例如，它可能决定基于销售和定价人员绩效变量以及客户帐户和交易特征(例如，订单的重量或客户购买的频率)来评估定价策略。此计算基于供应商设计的算法。
- 通过使用随机森林(RF)算法，该模型预测销售人员或定价团队成员与模型之间的预期利润差异。
- 然后，它将每个报价分配给人工或自动定价。
- 根据供应商研究，机器学习射频混合产生的预期利润比销售团队高出7.4%。然而，迄今为止的研究都是基于非常小的样本量和条件集。
讨论:下一代定价结合了自动化和人工决策来提高盈利能力
正如你可以从上面的混合模型中看到的，自动化的目标是创建一个人工智能版本的B2B和B2C定价决策，复制过去的定价行为，并系统地应用于新的定价决策。
从本质上讲，自动化试图通过使用不同的变量(例如材料成本、订单规模或客户身份)回归他们过去的定价决策，来创建每个定价团队成员日常活动的线性表示(以及替代机器学习表示)。
这种方法使用决策变量(价格边际)而不是结果(客户是否接受价格或基于价格或其他原因拒绝建议)。这被称为“判断自举”——在行为判断文献中，这是一种主要的分类和自动定价任务的方法。
引导简单的定价任务(如价格审查或手动数据输入或编码工作)的好处是，它释放了团队的能力——他们可以做重要的“思考”工作，而人工智能则继续根据团队插入系统的知识来自动化任务。随着机器的学习，它能够提出更多的价格建议，并自动化更复杂的定价任务。
尽管就简单任务的准确性而言，纯自动化比大多数销售团队表现得更好。先前对B2B定价决策的研究表明，当销售代表或定价团队成员做出定价决策时，他们通常会记住有价值的信息。人们不会对自己的想法给出准确的描述。他们常常不知道如何思考问题。解决问题是一种潜在的横向认知系统。用线性过程来解释思维的层次是非常困难的。
营销自动化的优势定价
自动化的优势——尤其是RPA和AI应用的结合——在于它能够收集、处理数据和分析。基本上，对于一些定价决策，机器学习比人类更可靠、更快。它有它还达到了一个阶段，可以将涉及数据分析、操作、创造性智能和定价决策的某些工作自动化。然而，它在理解或量化抽象的定价概念和准确思考方面是无效的。
营销自动化的缺点定价
自动化的主要假设是，它做出的决定比人类更准确;因此，从统计上看，提供自动推荐比不提供自动推荐更有可能产生更高的利润。然而，人工智能的研究仍处于起步阶段。样本量很小，几乎不是随机的。更重要的是，仍有许多广告炒作掩盖了其真实能力的事实。
例如，人工智能需要很长时间才能学会人们几秒钟就能做出的基本定价决策。这是因为人工智能的学习速度和方式与人类不同。人工智能死记硬背学习、复制和存储完成任务所需的东西。然后，它将这种学习转化为一行又一行的代码。例如，一个简单的任务可能会占用大量的编码、存储和能量。
影响
人们普遍认为自动化可能会减少工作岗位。然而，大多数任务不能像简单任务那样精确地自动化。这是因为解决复杂的定价问题需要抽象、逻辑和横向思维的结合，很难转化为线性二进制编码、脚本或流程。
为所有任务制定混合定价将容易出错，而且比人工定价团队更不可靠。
随着组织在自动化过程中更进一步，涉众支持的感知水平往往会显著增长。人工智能实际上变得越来越贵，而不是更便宜，因为学习的速度变慢了，越来越多的人参与管理它。
自动化已经进入了需要更高层次知识和判断的职业，而不仅仅是低层次的任务。
自动化并非没有错误——亚马逊有很多人工智能定价的例子，因为它误读了市场，所以计算出了荒谬的价格。人类很快就会发现这些错误。
营销自动化定价需要真正的人类思维和人工智能。人工智能还不能取代定价团队。人工智能还无法复制定价所需的大多数复杂思维任务，因为思考所涉及的认知复杂性在很大程度上是未知的。
结论
在本文中，我们讨论了定价团队决策的混合方法。我们发现，人工智能通过学习、存储和测试定价团队的决策行为来保存个人和组织的定价知识，从而自动完成定价任务。
虽然早期的预测预测人工智能和自动化将取代大多数人的工作，但一些知识型工作似乎难以复制——尤其是那些需要高阶思维和非常规任务的工作。
定价工作的许多方面仍然很难完全自动化，因为它们依赖于更高阶的思维和概念。定价工作不像大多数财务工作那么常规。与标准的会计和财务工作相比，受自动化的影响更小。
人与机器协作的结合将标志着下一代定价和收益管理。当涉及到战略定价和收益管理时，这不是一个“非此即彼”的情况。
要全面了解如何在您的公司整合一个高绩效的定价团队，
您的企业是否需要帮助来调整您的定价策略、人员和运营，以便立即对利润产生影响?
如果是的话，请拨打(+61)2 9000 1115。
如果您有任何问题，也可以发邮件至team@www.yakutkundura.com。
让你的价格世界级!
