データ分析

データドリブンな価格最適化

2021年9月30日

https://storage.googleapis.com/gweb-cloudblog-publish/images/Pricing_Optimization_Hero.max-2600x2600.jpg

Google Cloud Japan Team

※この投稿は米国時間 2021 年 9 月 24 日に、Google Cloud blog に投稿されたものの抄訳です。

市場状況を動的に考慮して価格を最適化できれば、企業にとって価格は差別化のための重要な手段になりえます。

価格を最適化するためには、市場の変化に迅速に対応する必要があります。これは、複数のビジネス目標（純収益の増加やクロスセルなど）の機能を果たすために、一連の決定事項（正規価格やプロモーションなど）とコンテキスト（ローカライズや特別な機会など）に対して最適化することを意味します。

「e コマースのジュエリービジネスをモニタリングする包括的なアプローチのおかげで、価格設定やマーケティング戦略に動的に対応し、結果的に売上を 2 倍にできました。これは、Google Cloud スマートアナリティクススイート、特に記録的な速さでデータを単一のビューに結合し、標準化する能力を持つ Dataprep by Trifacta なしでは実現できなかったと思います。」PDPAOLA Jewelry データ分析責任者 Joel Chaparro - www.pdpaola.com。

共通データモデル: 信頼性の高い料金モデルへの第一歩

データは、現代の料金設定導入における最大の課題です。確固とした料金モデルを構築するには、大量のデータを取り込み、維持し、適切な関係者間で管理する必要があります。しかし、データ品質の欠如、複数の地域や事業部門にまたがるデータガバナンスの不備、非常に長く、非効率的な導入などにより、組織は繰り返し「信頼」の問題に直面しています。

これらの問題を解決するための最初のステップの一つが、一般的なデータモデル（CDM）の開発です。すべての必要なデータの一元化されたモデルを用意することは、ビジネス関係者が信頼できる単一のデータソースを利用できるようにするために不可欠です。CDM は、トランザクション、商品、料金、顧客など、価格の最適化に影響を与える主要なコンポーネントの標準を定義します。そこから、標準はブレンドされたデータパイプラインを通して適用され、下流のシステムに提供され、1 つの均質なデータモデルで価格データ（ビジネスアプリケーション、ダッシュボード、マイクロサービスなど）を活用します。また、CDM は、チームメンバーが共通の言語を使ってより良いコラボレーションを行うための一貫した方法を提供します。

CDM テーブルをホストするには、価格戦略の指針となるパターンやトレンドを発見するために必要な分析を実行するためのスケーラブルなインフラストラクチャを備えた BigQuery が適しています。

価格分析のためのクラウドデータエンジニアリング

一般的なデータモデル、および BigQuery などの最新のデータ処理環境を整えることは、基本的な不可欠な要素です。しかし、価格最適化の効率性の真のテストは、ユーザーがこのデータに基づいてどれだけ迅速に行動できるかで測定されます。つまり、データ分析における最初の、そして最も重要なステップであるデータの準備を、ユーザーがいかに簡単にできるかということです。従来から、データの準備は「それほど簡単ではない」ものでした。データの準備には、null 値の処理、不一致データの標準化、列の分割や結合など、あらゆる作業が含まれますが、細かい点に注意を払い、多くの技術的スキルを必要とする時間のかかる作業です。分析プロセス全体の 80% を占めることもあります。しかし、多くの場合、余分な時間を費やす価値はあります。データの適切な準備が、最終分析が誤ったものになるか正確なものになるかを左右するのです。

データの準備とスケーラブルなデータパイプラインの構築に対する Google Cloud の答えは、データエンジニアリングクラウドプラットフォームである Google Cloud Dataprep by Trifacta を通じて提供されます。このフルマネージドサービスは、Trifacta のテクノロジを活用し、価格分析に必要なデータソースへのアクセス、標準化、統一を可能にします。

https://storage.googleapis.com/gweb-cloudblog-publish/images/Pricing_Optimization_2.max-2000x2000.jpg

Google Cloud 価格最適化のリファレンスパターン

価格最適化のためのリファレンスパターン

データを活用した価格最適化戦略を成功に導くために、Google は価格最適化リファレンスパターンを作成し、ソリューションを開始するために必要なガイダンスを提供します。このリファレンスパターンには、必要なコンポーネント（Dataprep、BigQuery、BigQueryML、Looker）、ガイドライン、そしてサンプルデータを用いたソリューションのテスト、ダッシュボードの構築、価格戦略を導く予測モデルの作成に必要なサンプルアセットが含まれています。リファレンスパターンでは、以下のことを説明しています。

データソースの評価
料金の最適化には、過去のトランザクション、商品の正規価格、商品や顧客に関するメタデータなど、複数の異なるデータソースを分析する必要があります。各ソースシステムには、データを記述し、保存する方法があり、それぞれが異なる精度や粒度を持っている可能性があります。この最初のステップでは、DataPrep で異なる種類のデータソースを接続して探索し、データの不一致を理解し、ソースの組み合わせ方法を決定します。
データの標準化
ソースシステムを特定し、そのデータ品質を評価した後、次のステップは実際にそれらの問題を解決し、データの精度、整合性、一貫性、完全性を確保することです。
1 つの構造に統合
データのクリーンアップと標準化が完了すると、異なるソースは、各データクラスの属性を最も細かい粒度で構成した単一のテーブルに結合されます。このステップでは、すべての価格最適化作業のために、信頼できるデータの単一の非正規ソースを作成します。
アナリティクスと ML / AI の提供
データがクリーンアップされ、分析用にフォーマットされたら、アナリストは過去のデータを調べて、過去の価格変更の影響を把握できます。また、BigQuery ML を利用して、将来の売上を推定する予測モデルを作成できます。これらのモデルの出力は Looker のダッシュボードに組み込まれ、ビジネスユーザーが特定の価格変更によって売上がどのようになるかを分析できる「what-if シナリオ」を作成できます。