Sviluppo di un modello dinamico per l'analisi di politiche commerciali wholesale

Obiettivo del seguente elaborato è lo sviluppo di un modello dinamico per la valutazione e l'ottimizzazione delle politiche commerciali di aziende che vendono all'ingrosso: in particolare si mira all’analisi e alla valutazione della politica commerciale attualmente presente in Me.Car. s.r.l., con la possibilità di individuarne alternative e quantificarne i miglioramenti.
Il lavoro inizia con la definizione di politica commerciale e l’individuazione degli step che determinano il processo decisionale di acquisto, composto solitamente da cinque fasi: (1) percezione del problema, (2) ricerca d’informazioni, (3) valutazione delle alternative, (4) decisione di acquisto e (5) comportamento post-acquisto.
Scopo della prima parte è l’analisi procedura che porta alla definizione del prezzo, anch’esso costituito a sua volta da cinque fasi che vanno dall’“individuazione degli obiettivi e dei vincoli di prezzo” alla “definizione del prezzo finale o di listino”.
In seguito alla fase d’inquadramento iniziale si passa alla parte centrale del lavoro costituita dalla ricerca in letteratura di politiche commerciali, basate sul dynamic pricing, distinte a seconda della loro applicazione in mercati di tipo tradizionale o e-commerce.
Nel caso di politiche commerciali per mercati di tipo tradizionale sono stati valutati i comportamenti del Derivate Following (DF) e della Goal Directed (GD), in mercati sia monopolistici sia concorrenziali, simulando con il software Learning Curve Simulator l’interazione delle due strategie con diversi andamenti della domanda (crescente, decrescente, con un picco positivo, con un picco negativo).
Al contrario, per mercati di tipo e-commerce, l’analisi si è concentrata su tre diverse strategie: il Game Theoretic (GT) (basato sulla teoria dei giochi) , il My-Optimal (MY) e la Derivate Following (DF). Esse sono state confrontate in una matrice 3x3 che riporta sulla diagonale principale mercati con aziende che utilizzano la stessa strategia, e al di fuori della diagonale principale mercati che valutano l’interazione di aziende che utilizzano algoritmi diversi.
Infine, si presenta un modello evoluto che, sulla base di un modello matematico, individua il prezzo ottimale che massimizza istante per istante il profitto aziendale. Il tutto si conclude con il confronto tra prezzo statico e prezzo dinamico e l’individuazione degli aspetti a vantaggio di quest’ultimo.
La seconda fase del lavoro prevede la proposta di un modello per la valutazione e ottimizzazione delle politiche commerciali wholesale: verrà seguita in dettaglio la procedura che parte dall’analisi della politica commerciale in gioco alla costruzione di modelli su carta sia per DF e GD, sia personalizzati, per passare attraverso calibrazione e validazione e concludere con simulazione a analisi dei risultati.
Segue la terza parte del lavoro che consiste nella presentazione del caso Me.Car s.r.l. (concessionaria Iveco) con presentazione dell’azienda e analisi delle criticità dell’attuale politica commerciale, facendo particolare riferimento ai blocchi logici presentati nel modello generico della seconda fase.
La procedura seguita vede innanzi tutto la descrizione della Gestione del Magazzino Ricambi per poi passare all’analisi della politica commerciale che attualmente la Me.Car condivide con le sue Officine Autorizzate (OO.AA.) affinché se ne individuino criticità e si stabilisca su quali punti intervenire per ottimizzarla.
La definizione del modello con AnyLogic 6 ha reso possibile la riproduzione della realtà delle operazioni di vendita di Me.Car verso le OO.AA. e poi l’ottimizzazione dello stesso.
La procedura affrontata ha visto innanzi tutto la riproduzione di due politiche commerciali, la Derivate Following e la Goal Directed, discusse nel Capitolo 1, e in seguito una rianalisi dell’attuale politica commerciale con lo scopo di individuare aspetti strategici migliorabili.
Le simulazioni delle politiche commerciali DF e GD non hanno dato entrambe risultati soddisfacenti:
L’algoritmo Derivate Following, che cerca di vendere l’intero inventario prima possibile variando il fattore “price_i_piu_1”, vende tutti i prodotti disponibili in meno di metà anno garantendo un utile pari a quello del 2010 (in soli 6 mesi), con un margine unitario di ingresso (price0) pari a 3,90€ (contro gli € 8,62 attuali);
L’algoritmo Goal Directed, che cerca di sfruttare l’intero anno per vendere tutto l’inventario massimizzando gli utili, nelle condizioni attuali lascia invenduto più del 65% dei prodotti disponibili, con un profitto unitario di € 3,58.
Al contrario, l’ottimizzazione dell’attuale politica commerciale è stata ottenuta considerando i fattori ε e μ.