Skuteczny handel dzięki precyzyjnym, szczegółowym cenom sprzedaży opartym na AI

James Nawrocki, Konsultant ds. Rozwiązań Programowych dla Handlu Detalicznego, Zebra Technologies

Wyprzedaże w sklepach detalicznych to sezonowy temat, który przyciąga uwagę. Klienci szukają wówczas najlepszych okazji, sprzedawcy zaś chcą wiedzieć, co robią ich konkurenci oraz jak kształtuje się sprzedaż w całej branży – począwszy od żywności, przez modę, elektronikę, a kończąc na kosmetykach.

Obniżki cen, rabaty i promocje to znane sposoby na sprzedaż towarów, które nie cieszyły się dużym zainteresowaniem, których ceny były zbyt wysokie, albo zamówiono ich zbyt wiele hurtowo. To nie jest idealna sytuacja – sprzedawcy ryzykują utratą przychodów, a nikt nie chce, aby ubrania marnowały się i trafiały na wysypiska.

Tradycyjne podejście opiera się na wysokopoziomowych prognozach popytu, zazwyczaj tworzonych dla całych kategorii produktów lub regionów. Wiadomo jednak, że tego rodzaju modele cechują się niską precyzją i nie uwzględniają zróżnicowania popytu w poszczególnych sklepach czy na lokalnych rynkach.

Aby zmaksymalizować rentowność i efektywność, system wyceny oparty na AI musi wykraczać poza statyczne harmonogramy obniżek oraz podstawowe prognozy popytu. Należy szukać rozwiązań oferujących szczegółowe prognozowanie popytu dziennego na poziomie SKU i sklepu, zaawansowane modelowanie elastyczności cenowej oraz dynamiczną optymalizację obniżek.

Takie rozwiązanie powinno również bezproblemowo zintegrować się z systemami ERP oraz planowania, ponieważ AI jest tak inteligentna i przydatna, jak informacje, do których ma dostęp. AI potrzebuje swobodnego dostępu do czystych, dokładnych danych. Dlaczego to takie ważne?

Rozwiązania cenowe wspierane przez AI prognozują dzienny popyt na poziomie SKU i sklepu, co pozwala sprzedawcom dostosować ceny do rzeczywistych trendów sprzedaży, lokalnych wzorców popytu oraz poziomów zapasów w każdym sklepie – a decyzje są podejmowane automatycznie i inteligentnie dzięki lepszej widoczności danych.

Na przykład sprzedawca detaliczny z branży modowej wykorzystał AI do wykrycia trendów popytu na buty damskie na poziomie poszczególnych sklepów. Sklepy miejskie szybko wyprzedawały towar, podczas gdy sklepy na przedmieściach miały nadmiar zapasów. Dlatego też zamiast wprowadzać jednolite obniżki, firma dostosowała strategię cenową, zachowując regularne stawki w lokalizacjach o wysokim popycie i stosując celowane rabaty w miejscach o niższej sprzedaży. Efekt: 18% wzrost wskaźnika sprzedaży i 9% wzrost marży.

W przypadku modeli cenowych sprzedawcy często opierają się na prostych wzorach elastyczności cenowej, które nie odzwierciedlają w pełni wpływu zmian cen na różne segmenty klientów, kategorie produktów i warunki rynkowe. Natomiast AI dynamicznie mierzy prawdziwą elastyczność cenową, uwzględniając dane historyczne sprzedaży i promocji, dane zewnętrzne (ceny konkurencji, trendy gospodarcze, sezonowość), brak towarów oraz anomalie.

Jedna z luksusowych marek torebek zredukowała niepotrzebne obniżki cen dzięki modelowaniu elastyczności cenowej opartemu na sztucznej inteligencji. Zamiast standardowej obniżki o 30% na koniec sezonu, AI wykazała, że obniżka o 15% dla bestsellerów i 40% dla wolno rotujących produktów przyniesie maksymalne przychody. Efekt: 12% redukcji strat marży i szybsze wyczyszczenie zapasów.

W przypadku domu towarowego z branży modowej o przychodach 3 miliardów dolarów, gdzie niemal 30% sprzedaży pochodziło z wyprzedaży, zmiany w cyklach popytu i mało elastyczny łańcuch dostaw doprowadziły do nadmiaru zapasów w jednych lokalizacjach i niedoboru w innych.
Ogólne obniżki cen wprawdzie obniżyły poziom zapasów, ale nie rozwiązały problemu nieodpowiedniego asortymentu – a więc oprócz strat marż wynikających z nieoptymalnych obniżek, spadła też sprzedaż, ponieważ klienci nie znajdowali poszukiwanych produktów.

Po wdrożeniu harmonogramu obniżek wspieranego przez prognozy AI, zalecenia dotyczące obniżek lepiej odzwierciedlały rzeczywisty popyt na produkty sezonowe – z podziałem na produkt i lokalizację. W ciągu sześciu miesięcy marże wzrosły o 4 punkty, a wskaźnik sprzedaży o ponad 10 punktów.

Sprzedawcy detaliczni często też korzystają ze sztywnych harmonogramów, według których ceny są redukowane w określonych odstępach czasu – np. o 20% po czterech tygodniach i o 40% po ośmiu – niezależnie od rzeczywistego popytu czy stanu zapasów.

Tymczasem AI dynamicznie dostosowuje obniżki cen w oparciu o poziomy zapasów, tempo sprzedaży i zewnętrzne sygnały popytu w czasie rzeczywistym. Przykład: sprzedawca detaliczny z branży modowej wprowadził kolekcję świąteczną, spodziewając się dużego zainteresowania. Jednak analiza oparta na sztucznej inteligencji ujawniła, że sprzedaż niektórych modeli była niższa od oczekiwanej. Zamiast zastosowania wszędzie głębokich obniżek, AI zaleciła 10% zniżki online i 25% zniżki w sklepach, gdzie towar się słabiej sprzedawał. Dzięki temu rozwiązaniu detalista poprawił marżę o 15% i zwiększył wskaźnik sprzedaży o 30%.

Jeśli sprzedawcy detaliczni nie korzystają z AI w strategii cenowej, zostawiają na stole pieniądze i marżę – co pokazują powyższe przykłady, a także wiele innych przypadków firm, które wykorzystały szybkie możliwości modelowania sztucznej inteligencji do zwiększenia przychodów oraz poprawy rentowności.

Warto też pamiętać, że nie wszystkie narzędzia do wyceny oparte na AI wymagają całkowitej wymiany już zastosowanych rozwiązań. Istnieją moduły, które można zintegrować z aktualnymi systemami ERP i planowania. Wszystkie powyższe przykłady to detaliści, którzy wzbogacili już istniejące rozwiązania o sztuczną inteligencję, zamiast je całkowicie wymieniać.