aalto1 untyped-item.component.html
Developing an intelligent pricing system in a business-to-business setting
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
Degree programme
Language
en
Pages
99
Series
Abstract
Pricing is important for a firm’s success: it affects profitability but is also related to the broader strategy of the firm. Advances in data science and the abundance of data have spurred interest towards intelligent pricing systems. Even business-to-business (B2B) firms have shown such interest, but B2B is still underrepresented in scientific marketing literature. Due to this, B2B pricing managers may find themselves struggling to find whether examples from the B2C context are transferable to B2B and where one may even start from when designing intelligent pricing systems.
This thesis aims to bridge the gap between B2B and B2C pricing literature in twofold ways. First, it covers state-of-the-art examples of intelligent B2B pricing systems from literature. Secondly, it designs such a system for a company and in doing so it also covers requirements and challenges typically faced by B2B firms.
Although the scientific literature on B2B pricing is relatively limited, three main types of systems are identified: demand modelling -based optimisation, agent-based optimisation and price replication. Furthermore, the variables typically used as inputs to the systems are also covered. In addition to the predictive power of these models, two important requirements are identified to increase the behavioral fit of B2B pricing tools. First, since salespeople are strongly involved in B2B, models should be interpretable. Secondly, to gain buy-in from management and salespeople, models need to be credible. This can be difficult, as it is almost impossible to know in hindsight what the impact of a price increase would have been.
Using both synthetic and real quotation data, three models are tested: (1) demand modelling -based optimisation, (2) price elasticity estimation and (3) price replication. The results suggest that while some examples from the literature can optimize their prices through modelling demand, doing so can be especially difficult. This difficulty can stem from technical limitations but also from fundamental challenges in the ability to identify causal relationships. Moreover, validating a model can be infeasible in many B2B settings. Thus, it is concluded that a model for simply replicating the decisions of salespeople can be the best fit for many B2B firms.
This thesis contributes to the literature in multiple ways. First, it provides an overview of intelligent B2B pricing methods. Secondly, it provides a new perspective on pricing from the growing field of causal machine learning. Finally, the thesis demonstrates the difficulty of causal inference and pricing in a B2B context, which adds to the underrepresented scientific discussion on B2B pricing systems.
Hinnoittelu on tärkeää yrityksen menestyksen kannalta: se vaikuttaa kannattavuuteen, mutta liittyy myös yrityksen laajempaan strategiaan. Tarjolla olevan datan määrä sekä datatieteen kehitys ovat lisänneet kiinnostusta älykkäitä hinnoittelujärjestelmiä kohtaan, eivätkä business-to-business (B2B) -yritykset ole tästä poikkeus. Silti B2B on edel-leen aliedustettu tieteellisessä kirjallisuudessa. Tämän vuoksi B2B-hinnoittelun ammattilaisilla voi olla haasteita löytää, mistä hinnoittelujärjestelmän suunnittelu tulisi aloittaa.
Tällä diplomityöllä pyritään kuromaan umpeen B2B- ja B2C-hinnoittelukirjallisuuden välistä kuilua kahdella tavalla. Ensinnäkin työ kokoaa tieteellisestä kirjallisuudesta esi-merkkejä älykkäistä B2B-hinnoittelujärjestelmistä. Toiseksi työ suunnittelee hinnoittelujärjestelmän yritykselle ja tulee samalla esitelleeksi B2B-hinnoittelujärjestelmien tyypillisiä vaatimuksia ja haasteita.
Vaikka B2B-hinnoittelujärjestelmiä koskeva kirjallisuus on suhteellisen vähäistä, tunnistetaan kolme päätyyppiä hinnoittelujärjestelmille: kysyntämallinnukseen perustuva optimointi, agenttipohjainen optimointi ja hintojen replikointi. Lisäksi työssä tarkastellaan, mitä muuttujia tyypillisesti käytetään järjestelmissä. Näiden mallien ennustusvoiman lisäksi tunnistetaan kaksi tärkeää vaatimusta B2B-hinnoittelutyökalujen soveltuvuuden lisäämiseksi. Ensinnäkin, koska myyjät ovat vahvasti mukana B2B-toiminnassa, mallien tulee olla ymmärrettäviä. Toiseksi, jotta malli voittaa organisaation luottamuksen, on sen oltava uskottava ja kyettävä toimimaan luotettavasti myös uudella datalla. On kuitenkin lähes mahdotonta sanoa pelkällä datalla, mikä vaikutus hinnankorotuksella olisi ollut.
Sekä simuloitua että todellista tarjousdataa käyttäen työssä testataan kolmea mallia: (1) kysyntämallinnukseen perustuva optimointi, (2) hintajouston arviointi ja (3) hinnan replikointi. Tulokset viittaavat siihen, että vaikka jotkin kirjallisuuden esimerkit voivat optimoida hintojaan kysyntää mallintamalla, sen tekeminen voi olla erityisen vaikeaa. Tämä vaikeus voi johtua teknisistä rajoituksista, mutta myös perustavanlaatuisista haasteista, jotka liittyvät kykyyn tunnistaa syy-seuraussuhteita. Lisäksi mallin validointi voi olla hyvin vaikeaa monissa B2B-ympäristöissä. Siten työn lopputulema on, että malli, jolla yksinkertaisesti toistetaan myyjien päätökset, voi sopia parhaiten monille B2B-yrityksille.
Tämä opinnäytetyö täydentää kirjallisuutta monin tavoin. Ensinnäkin se tarjoaa yleiskatsauksen älykkäistä B2B-hinnoittelumenetelmistä. Toiseksi se tarjoaa uuden näkökulman hinnoitteluun kasvavalta kausaalisen koneoppimisen alalta. Lopuksi opinnäytetyö osoittaa kausaalisen päättelyn ja hinnoittelun vaikeuden B2B-kontekstissa, tuoden uuden lisäyksen B2B-hinnoittelujärjestelmien aliedustettuun tieteelliseen keskusteluun.