Pricing Intelligente: Strategie Data-Driven per Massimizzare i Ricavi

Introduzione

Nel dinamico mondo dell’e-commerce, la capacità di adattare rapidamente i prezzi in risposta alle mutevoli condizioni del mercato è diventata una necessità cruciale per il successo. Questo articolo approfondisce una simulazione di pricing dinamico progettata per l’iPhone 15 su Amazon, un prodotto di punta in un mercato altamente competitivo. L’obiettivo primario è di massimizzare i ricavi attraverso l’implementazione di una strategia di pricing reattiva e intelligente, che tenga conto di una miriade di fattori, dalle dinamiche specifiche di Amazon al comportamento dei consumatori, dalla concorrenza alla gestione dello stock.

Forse potrebbe interessarti anche: Oltre il Prezzo Fisso: Introduzione al Dynamic Pricing

Scenario

La simulazione si concentra sulla vendita dell’iPhone 15 128GB su Amazon, un prodotto reale con un prezzo base di listino (MSRP) di 979€. Il range di prezzo considerato è di 929€ – 1099€, un intervallo realistico che riflette le fluttuazioni di prezzo tipiche del mercato. Lo stock iniziale è di 500 unità, un numero che permette di simulare l’impatto della gestione dello stock sulla strategia di pricing.

Obiettivi del Codice

Il codice di simulazione è progettato per raggiungere i seguenti obiettivi chiave:

Modellare le dinamiche di Amazon: Il codice deve replicare le caratteristiche uniche della piattaforma Amazon, tra cui la distinzione tra clienti Prime e non-Prime, l’implementazione di offerte lampo in orari specifici, i pattern di traffico tipici e l’elasticità di prezzo differenziata per segmento di clientela.
Considerare i fattori temporali: L’andamento delle vendite è influenzato da fattori temporali come il giorno della settimana (effetto weekend) e l’ora del giorno (picchi di traffico). La simulazione deve tenerne conto per ottimizzare il pricing nel tempo.
Integrare la competizione: Il prezzo di un prodotto non può essere determinato isolatamente. La simulazione deve monitorare i prezzi dei principali competitor (MediaWorld, Unieuro) e considerare il prezzo fisso dell’Apple Store come punto di riferimento.
Gestire lo stock in modo dinamico: La disponibilità di stock è un fattore cruciale. Il codice deve implementare politiche di pricing aggressive in caso di stock basso e dare priorità ai clienti Prime nelle vendite, riflettendo le reali dinamiche di Amazon.

Approccio Metodologico

La simulazione adotta un approccio data-driven, basato sull’analisi di dati storici e sull’utilizzo di modelli statistici per prevedere la domanda e l’elasticità dei prezzi. Il codice è strutturato in modo modulare, con funzioni specifiche per la generazione dei dati, la simulazione del pricing dinamico e la visualizzazione dei risultati.

Risultati Chiave Attesi

La simulazione dovrebbe fornire informazioni preziose sulle seguenti aree:

Elasticità di prezzo: Come varia la domanda in risposta ai cambiamenti di prezzo per i diversi segmenti di clientela (Prime vs. non-Prime)?
Impatto delle offerte lampo: Qual è l’effetto delle offerte lampo sulle vendite e sui ricavi in diversi momenti della giornata?
Ottimizzazione del prezzo nel tempo: Qual è la strategia di pricing ottimale per massimizzare i ricavi, tenendo conto dei fattori temporali e della concorrenza?
Gestione dello stock: Come influisce la disponibilità di stock sulla strategia di pricing e sulle vendite?

La generazione dei dati simulati

import pandas as pd
import numpy as np
from datetime import datetime, timedelta

def genera_dati_simulazione():
    """
    Genera un DataFrame con dati simulati di prezzi e vendite per un sistema di pricing dinamico.
    Il DataFrame viene poi salvato in un file CSV per analisi successive.
    """
    dati = []
    prezzo_base = 979  # Prezzo base dell'iPhone
    
    # Impostiamo una data di inizio fissa per coerenza
    data_inizio = datetime(2025, 1, 30)  # Data corrente
    
    print("Generazione dati in corso...")
    
    # Generiamo 7 giorni di dati orari
    for giorno in range(7):
        for ora in range(24):
            # Calcoliamo il timestamp corrente
            timestamp = data_inizio + timedelta(days=giorno, hours=ora)
            
            # Fattori che influenzano il prezzo
            is_weekend = timestamp.weekday() >= 5
            is_ora_picco = ora in [10, 15, 20]
            
            # Calcoliamo il fattore stagionale combinato
            fattore_stagionale = (1.2 if is_weekend else 1.0) * (1.3 if is_ora_picco else 1.0)
            
            # Aggiungiamo una componente di trend settimanale
            fattore_trend = 1 + (giorno / 30)  # Leggero trend al rialzo durante la settimana
            
            # Calcoliamo prezzi con variazioni realistiche
            prezzo_standard = prezzo_base * fattore_stagionale * fattore_trend
            prezzo_premium = prezzo_standard * 0.95  # Sconto premium del 5%
            
            # Simuliamo la domanda con elasticità rispetto al prezzo
            elasticita = -0.7  # Elasticità della domanda rispetto al prezzo
            domanda_base = 100 * fattore_stagionale
            
            # Calcoliamo la domanda effettiva considerando l'elasticità
            rapporto_prezzo = prezzo_standard / prezzo_base
            domanda_standard = domanda_base * (rapporto_prezzo ** elasticita)
            domanda_premium = domanda_base * 0.65 * ((prezzo_premium/prezzo_base) ** elasticita)
            
            # Calcoliamo i ricavi
            ricavi = (prezzo_standard * domanda_standard + 
                     prezzo_premium * domanda_premium)
            
            # Aggiungiamo i dati al nostro dataset
            dati.append({
                'timestamp': timestamp,
                'giorno_settimana': timestamp.strftime('%A'),  # Nome del giorno
                'ora': ora,
                'prezzo_standard': round(prezzo_standard, 2),
                'prezzo_premium': round(prezzo_premium, 2),
                'domanda_standard': round(domanda_standard, 2),
                'domanda_premium': round(domanda_premium, 2),
                'ricavi': round(ricavi, 2),
                'fattore_stagionale': round(fattore_stagionale, 3),
                'is_weekend': is_weekend,
                'is_ora_picco': is_ora_picco
            })
    
    # Creiamo il DataFrame
    df = pd.DataFrame(dati)
    
    # Salviamo il DataFrame in un file CSV
    nome_file = 'dati_pricing_dinamico.csv'
    df.to_csv(nome_file, index=False)
    print(f"File CSV '{nome_file}' generato con successo!")
    print(f"Righe generate: {len(df)}")
    
    # Mostriamo alcune statistiche di base
    print("\nStatistiche principali:")
    print(f"Prezzo standard medio: €{df['prezzo_standard'].mean():.2f}")
    print(f"Prezzo premium medio: €{df['prezzo_premium'].mean():.2f}")
    print(f"Ricavi totali: €{df['ricavi'].sum():.2f}")
    
    return nome_file

# Generiamo il file CSV
nome_file = genera_dati_simulazione()

Scopo del Codice

Il codice Python definisce una funzione chiamata genera_dati_simulazione() che ha lo scopo di simulare dati di vendita di un prodotto (ipoteticamente un iPhone) in un contesto di pricing dinamico. Questi dati simulati includono informazioni su prezzi, domanda, ricavi e altri fattori che influenzano le vendite. L’obiettivo è creare un dataset che possa essere utilizzato per analisi successive, ad esempio per studiare l’elasticità della domanda rispetto al prezzo, l’impatto di fattori stagionali o per testare strategie di pricing dinamico.

Simulazione Prezzi e Domanda

1. Prezzi Standard e Premium

I prezzi vengono calcolati applicando dei fattori di aggiustamento al prezzo base (in questo caso, 979).

Nel contesto di questa simulazione, il codice modella due diverse strategie di prezzo:

Prezzo standard: Un prezzo “normale” che varia nel tempo in base a fattori stagionali e di trend.
Prezzo scontato (“premium” ): Un prezzo inferiore al prezzo standard, offerto a una specifica categoria di clienti ( Clienti Prime”).

L’obiettivo della simulazione è analizzare come queste due strategie di prezzo influenzano le vendite e i ricavi, tenendo conto di fattori come il tempo, la stagionalità e il tipo di cliente.

Fattori che influenzano il prezzo:

Fattore stagionale: Combina l’effetto del weekend e delle ore di picco.
- Se è un weekend (is_weekend = True), il fattore stagionale è moltiplicato per 1.2.
- Se è un’ora di picco (is_ora_picco = True, ovvero ore 10, 15, 20), il fattore stagionale è moltiplicato per 1.3.
- Se non è né weekend né ora di picco, il fattore stagionale rimane 1.0.
Fattore di trend: Simula un leggero aumento dei prezzi durante la settimana.
- Il fattore di trend è calcolato come 1 + (giorno / 30), dove giorno è il numero di giorni trascorsi dalla data di inizio (da 0 a 6). Questo crea un aumento graduale dei prezzi nel corso della settimana.

Calcolo del prezzo standard:

prezzo_standard = prezzo_base × fattore_stagionale × fattore_trend

Calcolo del prezzo premium:

prezzo_premium = prezzo_standard × 0.95

2. Domanda Standard e Premium

La domanda è simulata considerando l’elasticità della domanda rispetto al prezzo. L’elasticità è un concetto economico che misura quanto la domanda di un prodotto cambia in risposta a una variazione del prezzo. Nel codice, l’elasticità è fissata a -0.7, il che significa che un aumento del prezzo riduce la domanda, ma in modo meno che proporzionale.

Fattori che influenzano la domanda:

Domanda base: È una quantità fissa (100) moltiplicata per il fattore stagionale.
domanda_base = 100 × fattore_stagionale
Rapporto prezzo: Misura quanto il prezzo corrente si discosta dal prezzo base.
rapporto_prezzo = prezzo_standard / prezzo_base

Calcolo della domanda standard:

domanda_standard = domanda_base × (rapporto_prezzo)^elasticità

Dove:

elasticità = -0.7 (elasticità della domanda rispetto al prezzo).

Calcolo della domanda premium:

domanda_premium = 0.65 × domanda_base × (prezzo_premium / prezzo_base)^elasticità

3. Ricavi

I ricavi sono calcolati come la somma dei ricavi derivanti dalla vendita dei prodotti a prezzo standard e premium:

ricavi = (prezzo_standard × domanda_standard) + (prezzo_premium × domanda_premium)

Esempio di calcolo

Supponiamo:

Prezzo base: 979
Giorno: 2 (quindi fattore_trend = 1 + (2 / 30) = 1.0667)
Ora: 10 (ora di picco, quindi fattore_stagionale = 1.3)
Non è weekend (is_weekend = False).

Passaggi:

Fattore stagionale: 1.3 (perché è un’ora di picco).

Fattore di trend: 1.0667.

Prezzo standard:

prezzo_standard = 979 × 1.3 × 1.0667 = 1358.33

Prezzo premium:

prezzo_premium = 1358.33 × 0.95 = 1290.41

Domanda base:

domanda_base = 100 × 1.3 = 130

Rapporto prezzo:

rapporto_prezzo = 1358.33 / 979 = 1.387

Domanda standard:

domanda_standard = 130 × (1.387)^-0.7 ≈ 130 × 0.794 ≈ 103.22

Domanda premium:

domanda_premium = 0.65 × 130 × (1290.41 / 979)^-0.7 ≈ 84.5 × 0.807 ≈ 68.19

Ricavi:

ricavi = (1358.33 × 103.22) + (1290.41 × 68.19) ≈ 140,000 + 88,000 = 228,000

Riassunto

Prezzi: Sono determinati da fattori stagionali (weekend e ore di picco) e da un trend settimanale.
Domanda: È influenzata dall’elasticità rispetto al prezzo, con una domanda base che viene scalata in base al rapporto tra prezzo corrente e prezzo base.
Ricavi: Sono la somma dei ricavi derivanti dalle vendite ai prezzi standard e premium.

Questo approccio simula in modo realistico un sistema di pricing dinamico, tenendo conto di variabili come la stagionalità, la domanda elastica e le tendenze temporali.

Il modello di analisi

L’obiettivo principale di questo codice Python è di analizzare e visualizzare dati di pricing dinamico precedentemente generati e salvati in un file CSV. In altre parole, il codice non si occupa di creare nuovi dati simulati, ma di leggere e interpretare dati esistenti per trarre informazioni utili.

Nel dettaglio, il codice svolge le seguenti azioni

Caricamento dei dati:
- Importa le librerie necessarie (pandas per la gestione dei dati, matplotlib e seaborn per la visualizzazione).
- Specifica il nome del file CSV contenente i dati di pricing dinamico (dati_pricing_dinamico.csv).
- Utilizza pd.read_csv() per caricare i dati dal file CSV in un DataFrame di pandas.
- Importante: Include l’argomento parse_dates=['timestamp'] per assicurarsi che la colonna ‘timestamp’ venga interpretata correttamente come date.
- Gestisce eventuali errori nel caso in cui il file CSV non venga trovato, stampando un messaggio di errore e interrompendo l’esecuzione.
Visualizzazione dei dati:
- Utilizza seaborn per creare diversi tipi di grafici che aiutano a comprendere meglio i dati di pricing dinamico.
- Grafico dell’andamento dei prezzi nel tempo: Visualizza l’andamento dei prezzi standard e “premium” nel corso del tempo, mostrando come variano in base all’ora del giorno e al giorno della settimana.
- Istogramma della distribuzione dei prezzi: Mostra la distribuzione dei prezzi standard e “premium”, permettendo di capire con quale frequenza vengono applicati i diversi livelli di prezzo.
- Boxplot dei prezzi per giorno della settimana: Visualizza la distribuzione dei prezzi standard per ciascun giorno della settimana, evidenziando eventuali differenze significative.
- Heatmap della matrice di correlazione: Mostra le correlazioni tra le diverse variabili presenti nel dataset, come prezzo, domanda, ricavi, fattori stagionali, ecc.
- Scatter plot della relazione tra domanda e prezzo: Visualizza la relazione tra la domanda e il prezzo standard, permettendo di osservare come la domanda varia al variare del prezzo.

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# Carica i dati dal CSV (assicurati che il file esista nella stessa directory dello script o specifica il percorso completo)
nome_file = 'dati_pricing_dinamico.csv'  # Sostituisci con il nome corretto se necessario

try:
    df = pd.read_csv(nome_file, parse_dates=['timestamp'])
    print(f"File CSV '{nome_file}' caricato con successo!")
except FileNotFoundError:
    print(f"Errore: File CSV '{nome_file}' non trovato. Assicurati che il file esista e sia nel percorso corretto.")
    exit()  # Interrompi l'esecuzione se il file non esiste

# Visualizzazione con Seaborn
sns.set_style('whitegrid')
plt.figure(figsize=(14, 7))

sns.lineplot(x='timestamp', y='prezzo_standard', data=df, label='Prezzo Standard')
sns.lineplot(x='timestamp', y='prezzo_premium', data=df, label='Prezzo Premium')

plt.title('Andamento dei Prezzi nel Tempo')
plt.xlabel('Data e Ora')
plt.ylabel('Prezzo (€)')
plt.xticks(rotation=45)
plt.legend()
plt.tight_layout()
plt.show()


# Altre visualizzazioni utili

# Distribuzione dei prezzi (standard e premium)
plt.figure(figsize=(12, 6))
sns.histplot(df['prezzo_standard'], kde=True, label='Prezzo Standard', color='skyblue')
sns.histplot(df['prezzo_premium'], kde=True, label='Prezzo Premium', color='lightcoral')
plt.title('Distribuzione dei Prezzi')
plt.xlabel('Prezzo (€)')
plt.ylabel('Frequenza')
plt.legend()
plt.show()

# Boxplot dei prezzi per giorno della settimana
plt.figure(figsize=(10, 6))
sns.boxplot(x='giorno_settimana', y='prezzo_standard', data=df)
plt.title('Boxplot dei Prezzi Standard per Giorno della Settimana')
plt.xlabel('Giorno della Settimana')
plt.ylabel('Prezzo (€)')
plt.show()


# Correlazione (heatmap) - utile per vedere relazioni tra variabili
plt.figure(figsize=(10, 8))
sns.heatmap(df.corr(numeric_only=True), annot=True, cmap='coolwarm')  # Correzione: numeric_only=True
plt.title('Matrice di Correlazione')
plt.show()

# Scatter plot per esplorare la relazione tra domanda e prezzo
plt.figure(figsize=(10, 6))
sns.scatterplot(x='domanda_standard', y='prezzo_standard', data=df)
plt.title('Relazione tra Domanda e Prezzo Standard')
plt.xlabel('Domanda Standard')
plt.ylabel('Prezzo Standard')
plt.show()

In sintesi, l’obiettivo di questo codice è

Fornire un modo semplice e intuitivo per analizzare dati di pricing dinamico precedentemente generati.
Utilizzare visualizzazioni grafiche per facilitare la comprensione dei dati e l’identificazione di pattern e relazioni.
Permettere di valutare l’efficacia di diverse strategie di prezzo e di individuare eventuali aree di miglioramento.