Contribution margin variability in process industry sales : a data-driven segmentation approach

Abstract

Contribution margin analysis serves as foundational input for the development and optimization of pricing strategies. Firms already collect large amounts of data, but its utilization remains partially insufficient. Previous research has demonstrated that profitability should be analyzed in an increasingly granular manner. The objective of this study is to examine variation in contribution margins across different product and customer segments using the target company’s historical sales data.

In this study, contribution margin variation was analyzed using decision tree algorithms. Decision trees were constructed using three algorithms (C4.5/CART, random forest, CatBoost), and their performance and results were compared. Order-level contribution margins in the sales data were divided into profitability classes, which were predicted using classification trees. The constructed decision trees were used to identify factors influencing variation in contribution margins.

The study identified several variables that contribute to variation in contribution margins. Factors related to market area were found to have the strongest impact on margin variation. The variable identifying the salesperson was observed to have the most significant influence on contribution margins. The results indicate that when assessing profitability, it is important to consider not only product, market area, and customer characteristics, but also the individual practices of salespersons.

Katetuottoanalyysi toimii pohjatietona hinnoittelustrategioiden kehittämiselle ja optimoinnille. Yritykset keräävät jo paljon tietoa, mutta sen hyödyntäminen on vielä osittain puutteellista. Aiempi tutkimus on osoittanut, että kannattavuutta tulisi analysoida yhä yksilöllisemmin. Tämän tutkimuksen tavoitteena on tutkia katetuottojen vaihtelua eri tuoteja asiakassegmenteissä kohdeyrityksen historiallisessa myyntidatassa.

Tutkimuksessa katetuottojen vaihtelua tutkittiin päätöspuualgoritmien avulla. Päätöspuita rakennettiin kolmella algoritmilla (C4.5/CART, random forest, CatBoost), ja niiden suoriutumista sekä tuloksia vertailtiin. Myyntidatan tilausten katetuotot jaettiin kannattavuusluokkiin, joita ennustettiin luokittelupuiden avulla. Rakennetuista päätöspuista pyrittiin tunnistamaan katetuottojen vaihteluun vaikuttavia tekijöitä.

Tutkimuksessa tunnistettiin useita katetuottojen vaihteluihin vaikuttavia muuttujia. Markkina-alueeseen liittyvien tekijöiden havaittiin vaikuttavan eniten katetuottojen vaihteluun. Merkittävimmin katetuottoihin havaittiin vaikuttavan myyjän yksilöivä muuttuja. Tutkimus osoittaa, että kannattavuutta arvioidessa on syytä huomioida tuotteen, markkina-alueen sekä asiakkaan tietojen lisäksi myyjien yksilölliset toimintatavat.