Se ha denunciado esta presentación.
Utilizamos tu perfil de LinkedIn y tus datos de actividad para personalizar los anuncios y mostrarte publicidad más relevante. Puedes cambiar tus preferencias de publicidad en cualquier momento.

Jaký pricing model zvolit? Petr Bláha

494 visualizaciones

Publicado el

Czech Online Expo 2019
E-commerce Data Summit

Publicado en: PYMES y liderazgo
  • Inicia sesión para ver los comentarios

  • Sé el primero en recomendar esto

Jaký pricing model zvolit? Petr Bláha

  1. 1. Jaký pricing model zvolit? Jak dělat správná rozhodnutí ohledně pricingu?
  2. 2. Disivo je další nástroj z dílny Datawepsu
  3. 3. Jak ušetřit 8 průměrných svatebních darů?
  4. 4. Kupovali jste někdy mobilní telefon?
  5. 5. A co takhle psí žřádlo?
  6. 6. Jaký model vybrat? Jak vše správně měřit a kontrolovat? Co k tomu může říct náš výzkum?
  7. 7. Jaký model vybrat?
  8. 8. 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
  9. 9. Doporučené ceny Klady _ Nemusíte nic řešit Zápory _ Rezignace na optimalizaci pricingu
  10. 10. 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
  11. 11. 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
  12. 12. Příklad rule-based modelu
  13. 13. Příklad rule-based modelu
  14. 14. 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
  15. 15. Jak vše správně měřit a kontrolovat?
  16. 16. 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
  17. 17. 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?
  18. 18. Pojďme si zahrát hru
  19. 19. „V kategorii A mají produkty podobnou marži nezávisle na tom, jestli mají konkurenci.”
  20. 20. „V kategorii B se nám prodávají produkty i přesto, že jsme hodně drazí.”
  21. 21. „Pokud jsme dražší než náš konkurent, tak máme vyšší celkový zisk, než když se snažíme jít pod jeho cenu.”
  22. 22. „Konkurentovi C vypadává často dostupnost v segmentu D.”
  23. 23. „Konkurent E prodává zboží pod mou nákupkou”
  24. 24. „U produktů, kde je hlavním prodejním kanálem organic máme podobnou marži, jako u produktů, kde dominuje Heureka”
  25. 25. „Produkty, které mají příslušenství, prodáváme těsně nad limitem dopravy zdarma”
  26. 26. „Našli jsme produkty, kde jsme o 20 % levnější než nejlevnější konkurence”
  27. 27. Jak vyhodnotit dopad? Jak očistit data? Kolik prodejů potřebujeme pro správné změření?
  28. 28. Pozor na srovnání s předchozím obdobím Jak ještě očistit data?
  29. 29. Porovnání s homogenní skupinou A/B test Google Causal Impact
  30. 30. Porovnání s celým eshopem Jak se mění podíl testovaného segmentu na klíčových metrikách
  31. 31. Na co ještě dávat pozor? _ Počasí _ Vlastní marketingové kampaně _ Marketingové kampaně konkurence _ Externality _ Den v měsíci _ Den v týdnu
  32. 32. Co k tomu může říct náš výzkum?
  33. 33. 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?
  34. 34. 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 %.
  35. 35. 150 nákupů na každé variantě testu Bezpečná hladina je od 25% změny
  36. 36. 500 nákupů na každé variantě testu Bezpečná hladina je od 15% změny
  37. 37. 750 nákupů na každé variantě testu Bezpečná hladina je od 10% změny
  38. 38. 1 000 nákupů na každé variantě testu Bezpečná hladina je od 8% změny
  39. 39. 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
  40. 40. 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
  41. 41. 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
  42. 42. delejtespravnarozhodnuti.cz Náš nástroj si můžete vyzkoušet sami a zdarma. Vypočítejte si data dle metrik vašeho eshopu. Nebojte se začít už v pondělí.

×