I motori di confronto dei prezzi suonano molto facili sulla carta e altrettanto difficili da implementare nella pratica. Lo sviluppo di motori di price intelligence affidabili, efficaci e scalabili ci impone di affrontare due grandi sfide:
- Aggregazione di dati su larga scala
- Usa tecniche di normalizzazione basate su ML/AI per pulire i dati in modo da poter portare alla luce intuizioni significative da esso
Definiamo le sfide di aggregazione dei dati, in primo luogo, scala – nella maggior parte degli scenari di business abbiamo bisogno di acquisire certamente un paio di milioni di punti Di solito, per le informazioni di sourcing, la piattaforma di confronto dei prezzi deve integrarsi con diversi mercati e-com e monitorare continuamente le informazioni sui prezzi su categorie di prodotti complete per rilevare nuove informazioni. Secondo alcune stime, solo Amazon (. com) ha un elenco di prodotti di 12 milioni di prodotti, se si aggiungono venditori di Amazon Marketplace, si gonfia fino a 350 milioni di prodotti.
Dire se si desidera confrontare una categoria di prodotto di 5000 prodotti in 8 mercati ogni due ore, stiamo guardando ~ 500k striscia al giorno. Ci sono numerose altre sfide che un motore di sourcing deve affrontare e diventano ancora più gravi quando si inizia a operare su larga scala. Solo i requisiti hardware per la creazione di una server farm sarebbero enormi. Non abbiamo nemmeno andato in lingua, codici di avviamento postale, la scansione multi-pagina e la copertura di applicazioni mobili a tutti.
Di solito, le piattaforme di confronto dei prezzi sono costruite per operare in ambienti Web complessi che non solo acquisiscono dati da più mercati e-com, ma forniscono anche l’accesso all’archivio storico di tutti i dati acquisiti, consentendo ai clienti di ricavare insight unici di serie temporali.
La seconda sfida è ancora più grande, come dare un senso alle informazioni una volta acquisiti tutti i punti dati dal Web. Come si fa a elaborare esso?
Il fatto è che il World-wide-web non è un luogo uniforme, alcuni dei siti web sono compatibili con l’integrazione, ma la maggior parte dei siti web non lo fanno. Pubblicano informazioni per i visitatori da leggere, non per un motore di confronto dei prezzi intelligente per monitorare i prezzi competitivi. Quindi, i motori di confronto devono essere intelligenti e richiedono un tweaking costante per la scansione di diversi siti web.
È estremamente difficile da integrare con i siti web su larga scala in quanto non esistono standard universali per lo sviluppo di siti web. MS vs Google war per l’utilizzo del browser è leggendario e in realtà non abbiamo standard web definiti, almeno non praticamente.
A causa del rumore enorme e della mancanza di struttura nei dati Web, abbiamo bisogno di sviluppare tecniche di normalizzazione abbastanza avanzate per pulire i dati, a volte usando l’IA per l’analisi di immagini e testi(alcune startup si concentrano solo sull’analisi delle immagini dai siti di e-commerce). Dopo aver organizzato i dati, possiamo pensare di dissotterrare informazioni significative da esso.
Ogni strumento di pricing intelligence si basa su complessi modelli semantici basati sull’apprendimento automatico che aiutano a dare un senso ai dati. Tuttavia, gli strumenti di pricing intelligence impiegano molto tempo per maturare e svilupparsi, una volta sviluppati forniscono ai brand manager quasi un simulatore sui dati in tempo reale e li aiutano a intraprendere diverse abilità business-critical come il Pricing dinamico, la misurazione dell’elasticità dei prezzi, la derivazione della redditività a livello SKU e, soprattutto, la capacità di confrontare tutte queste metriche con