La prévision du prix optimal d’un produit est un élément essentiel de toute stratégie de vente de produits. Mais cela peut souvent être une tâche complexe, en particulier lorsqu’il y a des centaines de produits à évaluer ainsi que des données critiques telles que les historiques d’achat des clients, les historiques des produits, les tendances du secteur et les taux d’inflation. Pour compliquer les choses, ces données sont souvent incomplètes ou évoluent rapidement.
Les vendeurs d’IBM et les partenaires commerciaux ont souvent rencontré des difficultés à estimer le prix optimal des produits qu’ils devaient vendre. En raison d’un accès limité aux données historiques essentielles sur les ventes des produits, aux tendances du secteur et à l’historique des négociations, ils devaient s’appuyer en grande partie sur leur expérience personnelle et sur de longues évaluations manuelles, qui ne sont pas extensibles lorsqu’il s’agit de prendre des décisions de prix pour des milliers de clients et des centaines de produits. Ces évaluations manuelles entraînaient également des processus d’approbation très longs, ce qui affectait la capacité à conclure efficacement les transactions dans les délais, avec un degré suffisant de confiance.
De plus, il était difficile pour les vendeurs d’intégrer les données sur les ventes et les produits aux données provenant de systèmes tiers et hérités. Les variations dans les données géographiques, commerciales et de tendances du marché avaient également un impact sur la précision des prévisions. Il était donc difficile pour IBM de rivaliser avec des entreprises qui proposaient des offres similaires, mais en plus petit nombre et avec des délais d’approbation plus rapides sur le marché.