C'è un'informazione che quasi tutti gli strumenti di pricing per il retail carburanti forniscono: i prezzi dei vostri concorrenti. Appare nei dashboard, nei report giornalieri, come notifica push sul telefono. Il presupposto alla base è ragionevole — se si sa cosa fa il mercato, ci si può posizionare di conseguenza.
Ma c'è una domanda che questi strumenti non rispondono. Ed è quella più importante.
Cosa succede ai vostri volumi quando modificate il prezzo?
Il divario che i dati sui concorrenti non colmano
Sapere cosa applica la stazione dall'altra parte della strada indica dove si trova il mercato. Non dice quanto siano sensibili i vostri clienti a una variazione di prezzo. Non dice se un aumento di due centesimi vi costa tre clienti abituali o nessuno. Non dice se la vostra posizione geografica, il mix di contratti fleet e clienti privati, la struttura competitiva locale, vi consentono di mantenere un premium che causerebbe perdita di volume a un altro impianto a cinque chilometri di distanza.
Non si tratta di casi limite. Sono le variabili effettive che determinano se una decisione di prezzo migliora il margine o lo penalizza. L'intelligence competitiva contribuisce al calcolo del prezzo, ma non è il calcolo in sé.
Sapere cosa applica il mercato indica dove ancorare il prezzo. Non dice se modificarlo farà guadagnare o perdere margine.
Perché la previsione dei volumi non è la risposta giusta
La risposta naturale è aggiungere la previsione dei volumi: anticipare l'andamento della domanda e ottimizzare di conseguenza. Questo è l'approccio adottato da una seconda generazione di strumenti di pricing. Il problema è più sottile di quanto sembri.
Anche un modello di previsione dei volumi eccellente — in grado di prevedere i litri del giorno successivo con grande precisione — non può indicare in modo affidabile quale prezzo produce il margine migliore. Il motivo è tecnico ma significativo: il segnale di prezzo è sepolto sotto le condizioni meteorologiche, gli effetti dei giorni feriali, la domanda stagionale e il comportamento competitivo. Un modello di previsione addestrato a prevedere il volume impara insieme tutte queste influenze. Quando poi si chiede cosa succederebbe alzando il prezzo di due centesimi, la previsione del modello cambia a malapena — perché non è mai stato specificamente addestrato a isolare il prezzo come variabile causale.
Non si tratta di un difetto di un prodotto specifico. È un limite dell'approccio predittivo applicato a una domanda causale. Prevedere ciò che accadrà e misurare ciò che il vostro prezzo causa sono problemi fondamentalmente diversi.
Cosa fa diversamente l'inferenza causale
Il metodo che colma questo divario è l'inferenza causale — in particolare, il Double Machine Learning, un framework peer-reviewed sviluppato nella ricerca accademica e ora utilizzato nel pricing commerciale esattamente per questo motivo.
Invece di prevedere la domanda insieme al prezzo come segnale combinato, l'inferenza causale li separa. Prima modella tutte le influenze non legate al prezzo sui vostri volumi — condizioni meteo, trend, calendario, comportamento dei concorrenti — e ne rimuove l'effetto. Ciò che rimane è la variazione di volume attribuibile direttamente alle variazioni di prezzo. Questa relazione isolata è la sensibilità al prezzo. Viene misurata per impianto, per tipo di carburante, dai vostri dati storici.
La distinzione non è accademica. Uno strumento di pricing competitivo può dirvi che la Stazione A ha abbassato di due centesimi stamattina. Un modello causale può dirvi che al vostro Sito 3, una riduzione di due centesimi recupera tipicamente il 4,6% del volume — ma al Sito 1, lo stesso intervento non ha quasi alcun effetto perché la base clienti è insensibile al prezzo. Stesso movimento di prezzo, stesso contesto competitivo, logica commerciale opposta.
Un modello causale può dirvi che in un impianto, una riduzione di due centesimi recupera volume significativo. In un altro, costa margine senza riportare un solo cliente.
L'implicazione pratica
L'intelligence competitiva rimane un input necessario per qualsiasi sistema di pricing serio. È necessario sapere dove si trova il mercato per prendere una decisione di posizionamento. Ma il posizionamento è diverso dall'ottimizzazione. La domanda su dove fissare il prezzo rispetto ai concorrenti è separata dalla domanda su cosa farà effettivamente quel prezzo al vostro margine.
Gli strumenti di pricing che rispondono solo alla prima domanda — anche quelli molto buoni — lasciano la seconda domanda al giudizio, all'esperienza e all'istinto. È un approccio ragionevole finché il mercato non si muove al di fuori delle condizioni su cui i vostri istinti sono stati calibrati: uno shock dell'offerta, un cambiamento normativo, un nuovo concorrente che entra nella vostra area.
Conoscere la propria sensibilità al prezzo, misurata causalmente e validata statisticamente, non sostituisce la consapevolezza competitiva. La arricchisce di contenuto operativo.
Nota metodologica: l'approccio di inferenza causale descritto applica il Double Machine Learning (Chernozhukov, Chetverikov, Demirer et al., 2018, The Econometrics Journal), lo stesso framework alla base della libreria open-source EconML di Microsoft Research. Pricing Intelligence di Backwell Tech applica questo metodo al pricing nel retail carburanti a livello di impianto e tipo di carburante.
About Backwell Tech
Backwell Tech is a Berlin-based high-tech company specializing in predictive AI solutions. The platform offers companies scalable AI models for profit maximization by utilizing historical and real-time data and ensuring data integrity. Since its founding in 2019, Backwell Tech has combined cutting-edge research with practical innovation in explainable algorithms. The company focuses on ethical AI development and delivers reliable, interpretable forecasts that enable informed business decisions. More information at www.backwelltechcorp.com.
Backwell Tech Corp contact:
Maximilian Gismondi
Fonti
- Metodologia: Chernozhukov, V., Chetverikov, D., Demirer, M., et al. (2018). The Econometrics Journal 21(1), C1-C68.
- EconML: Microsoft Research. github.com/py-why/EconML
- Dati pilota: Backwell Tech, pilot interno, rete di 4 impianti, backtest di 110 settimane. Risultati indicativi, non garanzia di performance futura.