Image for Startup rješenje za optimizaciju cijena proizvoda i usluga
Naslovnica

Startup rješenje za optimizaciju cijena proizvoda i usluga

.99 – startup rješenje za dinamičku optimizaciju cijena proizvoda i usluga

Posljednjih mjeseci svjedočimo značajnim promjenama cijena proizvoda i usluga. Jasno je naime da su i te cijene u posljednje dvije godine doživjele tektonske poremećaje. Razgovarali smo s Jelenom i Brunom iz startupa .99 koji razvijaju rješenje za dinamičku optimizaciju cijena proizvoda i usluga. Čini se da bi se njihovo rješenje na tržištu moglo pojaviti u pravom trenutku.

1) Za početak – predstavite nam se, čime se bavite, gdje ste se upoznali i kako ste podijelili uloge u timu?

Mi smo Bruno Gašperov i Jelena Lončar. Bruno je doktorand i zavodski suradnik na FER-u, a završio je magisterij kvantitativnih financija na WU Wien u Austriji, gdje je tijekom studija radio i na industrijskom projektu s Erste Asset Management. Bavi se primjenama strojnog učenja (posebice dubokog podržanog učenja) u kvantitativnim financijama i u završnoj je fazi doktorskog studija. Jelena je magistra računarstva i matematike, radi kao R&D inženjer na rješenjima za automobilsku industriju, te je također iznimno zainteresirana za primjene strojnog učenja kao i za teoriju i praksu umjetne inteligencije.

2) Vaš tim razvija rješenje za dinamičku optimizaciju cijena proizvoda i usluga. Kako ste došli do ove ideje i kako rješenje funkcionira?

Za početak, moramo istaknuti da postoji dokument u koji Bruno još od 2015. g. zapisuje razne startup ideje. Dokument trenutno broji par desetaka stranica, ali upravo ova ideja predstavlja najbolju sintezu naših znanja i interesa, pa zbog toga vjerujemo da je nam je ona svojevrstan ikigai.

Ideja se pojavila tijekom Bruninog doktorskog istraživanja. Naime, uočio je brojne analogije između problema dinamičke optimizacije cijena proizvoda i usluga, te problema market makinga (održavanja tržišta). Rješenje se temelji na strojnom učenju, odnosno dubokom podržanom učenju. Na temelju povijesnih podataka o prodajnim volumenima, prethodnim cijenama, troškovima...uspostavlja se model (predstavljen dubokim neuronskima mrežama) koji potom preporučuje optimizirane cijene proizvoda i usluga s ciljem maksimizacije poslovnih ciljeva klijenta (npr. prihoda ili profita).

3) Koji problem rješava i što omogućuje vaše rješenje?

Ukratko, rješavamo problem dinamičke optimizacije cijena s ciljem maksimizacije poslovnih ciljeva klijenta (najčešće profita, ali i prihoda ili tržišnog udjela). Postavljanjem cijena bez pravilne optimizacije istih ne iskorištava se u potpunosti profitni potencijal, odnosno dolazi do nepovratnog gubitka istog. O važnosti ove tematike dovoljno govori činjenica da istraživanja pokazuju da unapređenja cijene od 1% u prosjeku rezultiraju povećanjem operativnog profita od preko 11%. Istovremeno, preko 90% potrošača upravo cijenu smatra glavnim razlogom za vjernost trgovcima.

Optimizacija cijena posebice je bitna u specifičnim uvjetima poput podivljale inflacije ili pandemije, a u Hrvatskoj dodatno i nadolazećeg prelaska na euro. Optimizacijom cijena sprječava se gubitak profita, pri čemu se cijene prilagođavaju trenutnim uvjetima na tržištu, frekvencijom koja je u skladu sa specifičnostima svake industrije. Rješenje također omogućava optimizaciju popusta, odnosno cijena tijekom promotivnih razdoblja, te daje odgovor na pitanja koje proizvode, kojom dinamikom i koliko diskontirati.

Primjer većeg trgovca koji uspješno koristi slične tehnike strojnog učenja za optimizaciju cijena tijekom rasprodaja je španjolski Mango. Naše rješenje je tehnički drukčije te omogućuje i dodatne mogućnosti poput razmatranja dugoročnih posljedica pojedinih akcija. Primjerice, kratkoročno najbolja akcija (npr. jako diskontiranje) ne mora ujedno biti i dugoročno najbolja (ako npr. izazove cjenovni rat), a naše rješenje procjenjuje i ovakve situacije.

4) Komu je sve namijenjeno rješenje koje razvijate, kako ga pojedini korisnici mogu koristiti i u čemu im pomaže? 

Glavni nam je cilj u što većoj mjeri automatizirati proces pricinga, i to na data-driven način. To  znatno doprinosi ostvarivanju poslovnih ciljeva i pojednostavljuje posao osobama zaduženim za pricing. Primjerice, u retail industriji za pricing su najčešće odgovorni category manageri, svatko za svoju kategoriju. Ovakvo rješenje omogućuje im sustavniji i egzaktniji pristup pricingu, te mogućnost da više vremena posvete drugim aktivnostima, primjerice nabavi.

Konkretno rješenje na kojem trenutno radimo fokusirana se na retail, u svim obliciam, od čistog brick-and-mortar, e-commercea ili hibridnih rješenja. Međutim, domena nije nužno ograničena na retailere - vidimo iznimni potencijal i u područjima poput gaming industrije (optimizacije cijena mikrotransakcija) te kod B2B klijenata (sales force timovi).

5) Koje biste benefite sudjelovanja u Algebra LAB startup inkubatoru posebno izdvojili?

Benefiti su brojni, ali mislimo da je ipak najvažnija prilika za networkingom i upoznavanjem velikog broja članova lokalne startup zajednice, koji su iznimno prijateljski, spremni pomoći i podijeliti iskustva, bez iznimke. Posebno smo zadovoljni izvrsnim odnosom s našim mentorom Leom Mršićem, kao i kvalitetom i razinom organizacije brojnih startup radionica. S obzirom da se u inkubatoru radi po principu lean startup metodologije, to vam omogućava da brzo testirate i mijenjate svoje ideje kako bi postigli market fit.

Sviđa nam se i to što se dosta dobro prate trendovi u svjetskoj startup zajednici. S obzirom na pandemijske okolnosti, aktivnosti se u pravilu odvijaju online, no zahvaljujući kvalitetnoj organizaciji i općenito energiji prisutnoj u inkubatoru, iskustvo time nimalo nije umanjeno. Također, dodatni benefit je prilika za upoznavanjem drugih kolega i njihovih startupova te izazova i prilika s kojima se suočavaju, što vam daje mogućnost transfera znanja i iskustva. Ako bismo morali sažeto opisati Algebra LAB startup inkubator u tri riječi, to bi bile: friendly, profesionalno i konkretno.

6) Možete li podijeliti neka iskustva sudjelovanja u Algebra LAB startup inkubatoru s drugim poduzetnicima koji počinju s razvojem vlastitih ideja?

Naravno! Započeli bismo sa samim iskustvom prijave koja je vrlo elegantna i minimalistička, a proces odabira timova je ugodan te se cijelo vrijeme osjeća entuzijazam Algebra LAB tima. Nakon toga kreću radionice, sastanci s mentorom te dodatne aktivnosti, a doslovno sva su nam iskustva pozitivna. Radionice su u velikoj mjeri interaktivne, pa se diskutira o raznim temama i definitivno nikad nije monotono. Primjerice, istaknuli bismo interesantnu diskusiju o tome bismo li i pod kojim uvjetima, sada zatvorili svoje startup projekte. I naravno, tu su i brojne anegdote prethodnih  generacija inkubatora.

Zahvaljujući Algebra LAB inkubatoru, dobili smo izvrsnu priliku za networking pa smo tako bili na zanimljivim i korisnim sastancima s trenutnim i bivšim predstavnicima vodećih kompanija i tako  dobili veliku količinu iskustva iz prve ruke. Iako je danas sve dostupno online, informacije koje smo dobili u inkubatoru su ciljane i predstavljaju najvažnije iz različitih područja, od marketinga do prodaje, planiranja, upravljanja vremenom...pa smo tamo uštedjeli puno vremena.

7) Koji su vam sljedeći poslovni potezi i planovi?

 Prvo nam je dovršavanje prototipa proizvoda, te potraga za klijentima. Također, trenutno radimo i na povećanju naše online prisutnosti i sudjelujemo na sastancima s pricing stručnjacima iz brojnih industrija i sa specifičnim iskustvima.

Naš dugoročni plan postati je go-to partner u AI rješenjima za pricing, sa state-of-the-art tehnikama strojnog učenja u samom središtu našeg poslovanja. Svoju poziciju vidimo kao sponu između istraživanja i primjene strojnog učenja u području optimalnog pricinga. Osim glavnog proizvoda, u planu imamo i niz dodatnih rješenja, primjerice kalkulator cjenovne elastičnosti zasnovan na dubokom učenju, te model interakcije s konkurencijom zasnovan na principima teorije igara i višeagentskog podržanog učenja.