Dopasowywanie produktów, zwane w niektórych sytuacjach „matchingiem”, polega na automatycznym identyfikowaniu produktów równoważnych w różnych sieciach handlowych lub asortymentach w celu porównania ich cen, parametrów i pozycji konkurencyjnej na jednolitej podstawie. Zadanie to stanowi odpowiedź na prosty, ale kluczowy problem: porównywanie cen ma sens tylko wtedy, gdy porównuje się produkty rzeczywiście równoważne. Bez wiarygodnego kojarzenia istnieje ryzyko, że w ramach monitoringu konkurencji porównywane będą produkty podobne, ale różne — o odmiennym formacie lub nieznacznie innym składzie — co może zafałszować wnioski dotyczące rzeczywistego pozycjonowania cenowego danej marki. BOOPER MPS organizuje to powiązanie za pomocą kilku uzupełniających się mechanizmów: automatycznego dopasowywania opartego na sztucznej inteligencji w przypadkach, gdy zgodności można wykryć na podstawie nazw i atrybutów, klonowania, gdy nie ma bezpośredniego dopasowania na podstawie kodu EAN, oraz łańcuchowania w celu uporządkowania relacji między produktami samej sieci handlowej. Dla detalisty takie powiązanie produktów jest często niewidocznym, ale niezbędnym warunkiem wstępnym każdej poważnej strategii konkurencyjnej w zakresie ustalania cen: decyduje ono o wiarygodności monitoringu cenowego, a co za tym idzie – o trafności decyzji cenowych podejmowanych w reakcji na zmiany na rynku lub w celu ich wyprzedzenia.

Sztuczna inteligencja jednocześnie analizuje nazwy produktów, atrybuty, formaty, marki i zachowania cenowe w celu wykrycia podobieństw niewidocznych dla ludzkiego oka. Nieustannie uczy się na podstawie informacji zwrotnych od użytkowników, aby zwiększyć swoją dokładność. Jeśli jest to możliwe, sztuczna inteligencja wykorzystuje również rozpoznawanie obrazów. Główną zaletą sztucznej inteligencji w tym zakresie jest zdolność do przetwarzania zróżnicowanych nazw produktów: dwie różne sieci handlowe rzadko nazywają ten sam produkt w ten sam sposób, co uniemożliwia wiarygodne dopasowanie na podstawie zwykłego porównania tekstu. Przetwarzanie języka naturalnego pozwala rozpoznać, że chodzi o ten sam produkt pomimo różnych nazw, opierając się na atrybutach, formacie i marce jako uzupełnieniu nazwy. Dokładność ta poprawia się z czasem dzięki mechanizmowi ciągłego uczenia się: każda weryfikacja lub korekta wprowadzona przez użytkownika wzbogaca model, który stopniowo udoskonala swoje rekomendacje dotyczące przyszłych dopasowań, zamiast pozostawać przy początkowych ustawieniach. Dla detalisty ta zdolność zmienia skalę, na jaką można przeprowadzać proces dopasowywania: ręczne dopasowywanie produktów szybko osiąga swoje granice w przypadku asortymentu obejmującego kilka tysięcy pozycji śledzonych w wielu konkurencyjnych sieciach handlowych, podczas gdy sztuczna inteligencja pozwala obsłużyć taki wolumen, zachowując jednocześnie możliwość weryfikacji przez człowieka w niejednoznacznych przypadkach.

W przypadku braku bezpośredniego powiązania za pomocą kodu EAN w grę wchodzi klonowanie, które łączy produkty sieci z produktami konkurencji; dotyczy to zarówno marek własnych, jak i marek krajowych. Innym rodzajem relacji uzupełniającej jest łańcuchowanie: produkty sieci są grupowane w celu ustalenia powiązań hierarchicznych, współczynników oraz modelu historycznego. Te dwa mechanizmy odpowiadają na różne potrzeby. Klonowanie służy do porównań konkurencyjnych: pozwala powiązać produkt sieci z jego odpowiednikiem u konkurenta, gdy automatyczne powiązanie za pomocą standardowego identyfikatora (EAN) nie jest możliwe, na przykład w przypadku marki własnej, która nie ma bezpośredniego odpowiednika w ofercie konkurenta. Z kolei łańcuchowanie działa wewnętrznie w asortymencie sieci: tworzy hierarchiczne powiązania między podobnymi pozycjami (różne formaty, opakowania) oraz współczynniki, które pozwalają odtworzyć spójną historię, nawet gdy pozycje ulegają zmianom lub są zastępowane w miarę upływu czasu. Dla detalisty te dwa podejścia są raczej komplementarne niż zbędne: klonowanie zapewnia rzetelność zewnętrznej analizy konkurencji, podczas gdy tworzenie łańcuchów zapewnia ciągłość i spójność analizy wewnętrznej, zwłaszcza gdy produkt zmienia numer katalogowy, nie zmieniając faktycznie swojego charakteru.

BOOPER identyfikuje produkty zastępowalne na podstawie ich cech funkcjonalnych i pozycjonowania cenowego w celu ustrukturyzowania łańcuchów marek sieciowych (MN), marek własnych (MDD) i marek typu PPx oraz analizy skutków kanibalizacji i przesunięcia w górę segmentu cenowego. Taka strukturyzacja stanowi odpowiedź na kluczowe wyzwanie związane z zarządzaniem kategorią: marki krajowe, marki własnościowe i produkty z segmentu najniższej ceny nie są odizolowanymi światami, lecz pozycjami, które wzajemnie na siebie oddziałują w procesie podejmowania decyzji zakupowych przez klientów. Powiązanie tych produktów ze sobą pozwala przeanalizować, w jaki sposób zmiana ceny jednego z nich wpływa na sprzedaż pozostałych, zamiast analizować każdą pozycję osobno. W praktyce analiza ta ujawnia efekty kanibalizacji – klient przechodzi z marki krajowej na markę własną, gdy różnica cenowa zbytnio się zmniejsza – lub efekty przesunięcia w górę segmentu, gdy postrzegana różnica w jakości uzasadnia większą różnicę cenową bez utraty wolumenu sprzedaży. Dla detalisty takie krzyżowe spojrzenie na marki krajowe, marki własne i marki prywatne (PPx) ma decydujące znaczenie dla stworzenia spójnej struktury cenowej w danej kategorii: ustalenie ceny marki własnej bez uwzględnienia jej pozycjonowania względem równoważnej marki krajowej oznacza ignorowanie znacznej części rzeczywistej dynamiki popytu na danym dziale.

Nie, proces kojarzenia nie jest w pełni zautomatyzowany. Chociaż rekomendacje stają się coraz bardziej inteligentne i automatyczne, kojarzenie wymaga weryfikacji przez człowieka, aby algorytmy mogły się uczyć. Wybór ten nie wynika z ograniczeń technicznych, lecz z zasad metodologicznych: błędne kojarzenie fałszuje następnie wszystkie oparte na nim analizy konkurencyjne, co wywołuje efekt kaskadowy na decyzje cenowe. Zachowanie kontroli ludzkiej nad przypadkami budzącymi wątpliwości pozwala zapobiec cichemu rozprzestrzenianiu się błędów w dopasowaniach w ramach zarządzania cenami. Takie działanie wpisuje się w logikę ciągłego uczenia się: im częściej użytkownicy zatwierdzają lub korygują propozycje sztucznej inteligencji, tym bardziej model zwiększa swoją precyzję i z czasem zmniejsza odsetek przypadków wymagających ręcznej interwencji. Automatyzacja postępuje zatem, ale zawsze towarzyszy jej kontrola merytoryczna w przypadku mniej oczywistych dopasowań. Dla detalisty ta równowaga między automatyzacją a weryfikacją przez człowieka stanowi gwarancję niezawodności: pozwala uniknąć poświęcania jakości bazy danych produktów na rzecz szybkości przetwarzania, podczas gdy baza ta bezpośrednio warunkuje trafność decyzji cenowych opartych na porównaniach z konkurencją.

MPS wykorzystuje katalogi produktów, nazwy produktów, atrybuty techniczne, historię cen oraz dane dotyczące konkurencji. Im bogatszy zbiór danych, tym dokładniejsze są propozycje powiązań. Baza danych produktów i nazwy produktów stanowią podstawę dopasowania: im bardziej kompletne i uporządkowane są dostępne atrybuty (format, marka, opakowanie, kategoria), tym więcej wiarygodnych elementów ma do dyspozycji sztuczna inteligencja, aby odróżnić produkty rzeczywiście równoważne od produktów jedynie podobnych. Dane historyczne dotyczące cen oraz dane dotyczące konkurencji służą następnie do udoskonalania i weryfikacji tych dopasowań w dłuższej perspektywie czasowej. Gdy bazy danych produktów są niekompletne lub słabo ustrukturyzowane — ogólne nazwy produktów, brakujące atrybuty — bezpośrednio wpływa to negatywnie na dokładność propozycji powiązań, co wyjaśnia, dlaczego w przypadkach, gdy dane źródłowe są niskiej jakości, nadal konieczna jest weryfikacja przez człowieka. Dla detalisty oznacza to, że jakość dopasowywania produktów zależy częściowo od często pomijanej pracy przygotowawczej: uporządkowania i zapewnienia wiarygodności wewnętrznego katalogu produktów, od którego zależy wydajność wszystkich modułów opierających się na nim w dalszym ciągu – od dopasowywania produktów po analizę konkurencji.

Korzyści wynikają ze skrócenia czasu poświęcanego na prace ręczne, rzetelności porównań cenowych, poprawy decyzji biznesowych oraz ogólnej konkurencyjności. Pierwsze korzyści zazwyczaj widać już po kilku miesiącach. Oszczędność czasu poświęcanego na ręczne działania jest często pierwszym widocznym efektem: porównywanie produktów między konkurencyjnymi sieciami handlowymi jest tradycyjnie czasochłonne, gdy odbywa się ręcznie, pozycja po pozycji, a ponadto szczególnie trudne do aktualizowania w przypadku szerokiego asortymentu o wysokim wskaźniku rotacji produktów. Z kolei wzrost wiarygodności jest trudniejszy do bezpośredniego zmierzenia, ale ma większe znaczenie w perspektywie długoterminowej: porównania konkurencyjne oparte na wiarygodnym rejestrze produktów pozwalają uniknąć decyzji cenowych wypaczonych przez błędne zestawienia, co poprawia jakość decyzji cenowych w dłuższej perspektywie, a nie tylko w ramach pojedynczej kampanii. Dla detalisty moduł ten stanowi często mało widoczny, ale kluczowy element fundamentu: sam w sobie nie generuje bezpośrednio marży, ale warunkuje wiarygodność wszystkich analiz konkurencyjnych i decyzji cenowych, które następnie opierają się na tych porównaniach produktów.