Dynamic Pricing für effizienteren Workflow
Die Notwendigkeit, Angebote individuell zu erstellen, verlangsamte die Arbeitsprozesse unseres Kunden. Durch ein automatisiertes Pricing-System auf Basis von Data Science und Machine Learning konnten wir den administrativen Aufwand nachhaltig reduzieren.
Aufgabe: Weniger Arbeitsaufwand bei der individuellen Angebotserstellung
Die Erstellung von Angeboten war für unseren Kunden enorm zeitaufwändig. Jede Anfrage wurde individuell gestellt, das heißt auch die Angebote mussten jedes Mal individuell berechnet, geschrieben und verschickt werden. Bei hunderten Anfragen und potenziellen Leads ein nicht zu unterschätzender Aufwand, der die MitarbeiterInnen vom eigentlichen Unternehmensziel abhielt: neue Märkte zu erschließen und mehr Umsatz zu generieren.
Unser Ziel war es, durch auf Data Science und Machine Learning basierende dynamische Preisgestaltung den Arbeitsaufwand bei der Angebotserstellung zu verringern und somit auch den EndkundInnen eine bessere Experience bieten zu können.
Lösung: Automatisierte Preisgestaltung mit Data Science und Machine Learning
In Zusammenarbeit zwischen Data Scientists, Machine-Learning-Engineers und unserem MLOps-Team entwickelten wir ein automatisiertes Pricing-System, in dem die bisherigen Angebote des Kunden erfasst und zur Berechnung weiterer Preise herangezogen wurden.
Die Resultate sind genau und schnell verfügbar, dass InteressentInnen von einem höheren Servicelevel profitieren und eine unmittelbare Entscheidungsbasis für ihren Auftrag erhalten. Für unseren Kunden wiederum bedeutet die Automatisierung eine enorme Zeitersparnis in der Leadgenerierung und damit einen effizienteren Workflow.
Ergebnis: Verbesserte Arbeitsprozesse und Eröffnung neuer Marktsegmente
Für das Unternehmen war dies der erste Data-Science-Business-Service, der über die Cloud bereitgestellt wurde. Dabei konnten wir v. a. durch die schnelle Umsetzung punkten: Vom Projektstart bis zum Onboarding des Kunden dauere es gerade einmal zwei Monate.
Unser Modell belegt sowohl die Machbarkeit als auch Sinnhaftigkeit von Data Science und Machine Learning für den Kunden. Über umfassendere Integration wird bereits verhandelt – zur Eröffnung neuer Marktsegmente, aber auch für eine bessere interne Zusammenarbeit.
Ziele erreicht
Konzeption, Implementierung, Sicherung und Bereitstellung eines Cloud-Dienstes (API und Webanwendung), der von Drittanbietern genutzt werden kann
Verantwortung für regelmäßige Wartung, Kundensupport und Onboarding
Einrichtung von Entwicklungsprozessen und Automatisierung für Data Scientists
Entwurf von Model-Wrapping und MLOps-Prozessen zur Bereitstellung und Wiederverwendung des Preismodells in On-the-Premises-Diensten
Einrichtung von Echtzeit-Überwachung-Dashboards und datenwissenschaftlichen Feedbackschleifen zur Verfolgung und Verbesserung der Modell-KPIs