Sztuczna inteligencja przekształca ustalanie obniżek cen z decyzji opartej na doświadczeniu w decyzję opartą na prognozach: poprzez analizę danych historycznych dotyczących sprzedaży, stanów magazynowych, sezonowości, cen i zachowań zakupowych szacuje rzeczywisty wpływ każdego poziomu obniżki przed jej zastosowaniem oraz określa moment i wysokość obniżki, które maksymalizują sprzedaż bez poświęcania większej marży niż to konieczne. W praktyce BOOPER MPS łączy tę prognozę z silnikiem analizy operacyjnej: modele nie ograniczają się do obserwacji przeszłych trendów, lecz symulują różne scenariusze obniżek cen (w czasie i pod względem intensywności) oraz prognozują ich wpływ na popyt, pozostałe zapasy i marżę – dla każdego produktu i każdego sklepu z osobna. Takie podejście koryguje typowe błędy ręcznego obniżania cen — zbyt późne obniżki, które blokują środki w zapasach, lub zbyt wczesne, które niszczą marżę na produktach, które sprzedałyby się po pełnej cenie. Sztuczna inteligencja udoskonala również swoje rekomendacje na podstawie rzeczywistych wyników sprzedaży obserwowanych po każdej fali obniżek, co pozwala dostosowywać strategię w trakcie sezonu, zamiast trzymać się sztywnego planu. Dla detalisty takie predykcyjne zarządzanie obniżkami cen ma bezpośredni wpływ na rentowność pod koniec sezonu oraz na rotację zapasów: mniej nadwyżek magazynowych, mniej obniżek cen w ostatniej chwili podejmowanych w pośpiechu oraz lepsza kontrola wizerunku cenowego, ponieważ obniżki są uzasadnione danymi, a nie ogólnym harmonogramem.

BOOPER MPS opiera się głównie na pięciu grupach danych w celu optymalizacji wyprzedaży zapasów: historii sprzedaży, stanach magazynowych, stosowanych cenach, harmonogramach promocji oraz danych dotyczących sklepów (lokalizacja, format, profil klientów). Czynniki zewnętrzne, takie jak pogoda czy ceny konkurencji, mogą zostać uwzględnione w celu dalszego doprecyzowania zaleceń. Historia sprzedaży stanowi najbardziej fundamentalny element danych: pozwala modelowi rozpoznać tempo sprzedaży charakterystyczne dla każdego produktu i każdego punktu sprzedaży, a tym samym odróżnić artykuł, który po prostu potrzebuje czasu, od artykułu, który faktycznie zbliża się do końca cyklu życia handlowego. W połączeniu z poziomami zapasów określa ona względną pilność każdej decyzji o obniżce ceny. Z kolei kalendarze promocyjne zapobiegają sytuacji, w której obniżka ceny mogłaby podkopać akcję sprzedażową już zaplanowaną na ten sam okres. BOOPER nie wymaga idealnej bazy danych, aby rozpocząć działanie: narzędzie Data Loader dostosowuje się do istniejących strumieni danych (eksporty z systemów ERP, pliki tekstowe, bazy danych, API), co pozwala na podłączenie już dostępnych źródeł bez konieczności oczekiwania na przebudowę systemu informatycznego. Rekomendacje stają się coraz dokładniejsze w miarę wzbogacania się historii, ale platforma już teraz generuje wyniki, które można wykorzystać, opierając się na podstawowych danych dotyczących sprzedaży i stanów magazynowych. Dla działu ustalania cen lub zarządzania kategoriami asortymentowymi jakość danych wejściowych pozostaje głównym czynnikiem decydującym o wiarygodności rekomendacji: im więcej sezonów i cykli promocyjnych obejmuje historia sprzedaży, tym lepiej model uczy się przewidywać nietypowe zachowania (wyprzedaż kolekcji, brak towaru u konkurencji, nieprzewidywalne warunki pogodowe), zamiast po prostu przedłużać dotychczasowy trend.

Ręczne obniżanie cen opiera się na ogólnych zasadach (na przykład „-30% po 6 tygodniach bez wystarczającej rotacji”) oraz na intuicji zespołów, stosowanych w stosunkowo jednolity sposób w całej kategorii. Natomiast obniżki cen sterowane przez sztuczną inteligencję opierają się na modelach predykcyjnych, które symulują rzeczywisty wpływ każdego poziomu obniżki, produkt po produkcie i sklep po sklepie, zanim zostanie ona wprowadzona. Różnica polega przede wszystkim na szczegółowości i przewidywaniu. Ogólna reguła traktuje w ten sam sposób zarówno artykuł, który nadal dobrze się sprzedaje, jak i artykuł pod koniec cyklu życia handlowego w tym samym sklepie, ponieważ nie jest w stanie indywidualnie przeanalizować tysięcy pozycji asortymentowych. Podejście oparte na sztucznej inteligencji ocenia natomiast dla każdego produktu jego własną dynamikę sprzedaży, poziom zapasów i sezonowość, aby zaproponować konkretną wysokość i moment obniżki ceny. Kolejna różnica dotyczy pętli korekcyjnej: ręcznie ustalona obniżka ceny rzadko jest ponownie oceniana po podjęciu decyzji, podczas gdy system oparty na sztucznej inteligencji dostosowuje swoje zalecenia na podstawie rzeczywistych wyników sprzedaży obserwowanych po każdej fali obniżek, co pozwala skorygować trajektorię, zanim stanie się ona kosztowna. Oba podejścia mogą współistnieć: zespoły zachowują kontrolę nad zasadami biznesowymi (minimalne progi marży, ograniczenia handlowe), pozwalając jednocześnie silnikowi predykcyjnemu dopracować optymalny poziom w ramach tych wytycznych. Dla detalisty posiadającego wiele sklepów przejście z ręcznego obniżania cen na obniżanie oparte na prognozach zmienia przede wszystkim skalę, w jakiej można podejmować precyzyjne decyzje: możliwe staje się spersonalizowanie tysięcy decyzji dotyczących obniżek cen bez zwiększania obciążenia pracą zespołów, co ma bezpośredni wpływ na utrzymanie ogólnej marży pod koniec sezonu.

Tak. BOOPER MPS określa dla każdego produktu okres, w którym obniżka ceny wywiera najlepszy wpływ na popyt, co pozwala uniknąć dwóch typowych pułapek: zbyt wczesnego wprowadzenia obniżki, które powoduje utratę marży na sprzedaży, która mogłaby nastąpić po pełnej cenie, oraz zbyt późnego wprowadzenia obniżki, która nie wystarcza już do wyprzedaży zapasów przed końcem sezonu. Wybór tego momentu opiera się na analizie krzyżowej kilku sygnałów: rzeczywistego tempa sprzedaży produktu od momentu wprowadzenia na rynek, poziomu pozostałych zapasów w odniesieniu do przewidywanego okresu przydatności handlowej, sezonowości danej kategorii oraz, o ile są dostępne, danych dotyczących konkurencji. Silnik prognostyczny symuluje prawdopodobną ewolucję popytu z tygodnia na tydzień i generuje rekomendację, gdy tylko osiągnięty zostanie optymalny próg uruchomienia promocji. Takie wyprzedzanie wydarzeń pozwala również uniknąć klasycznego efektu „zatoru”, w którym kilka rodzin produktów osiąga koniec cyklu życia w tym samym czasie i jest jednocześnie objętych obniżką cen, co rozprasza uwagę klientów i zwiększa presję na ogólną marżę w danym okresie. Rozkładając momenty uruchomienia zgodnie z rzeczywistym tempem sprzedaży każdego produktu, platforma wyrównuje obciążenie związane z obniżkami cen w czasie. Dla zespołów ds. ustalania cen i zakupów ta zdolność do przewidywania odpowiedniego momentu przekształca wyprzedaż zapasów z decyzji reaktywnej, często podejmowanej w pośpiechu pod koniec sezonu, w ciągłe zarządzanie — co ma bezpośredni wpływ na utrzymanie marży i rotację zapasów, dwa wskaźniki ściśle monitorowane przez każdy dział handlowy.

Aby uniknąć jednolitych obniżek cen, należy obliczać każdą zniżkę na najdrobniejszym poziomie — na poziomie SKU, sklepu, a nawet regionu — zamiast stosować identyczną stawkę wyprzedażową do całej kategorii. BOOPER MPS określa poziom rabatu dostosowany do rzeczywistego potencjału sprzedaży każdego produktu, tak aby obniżać ceny tylko tam, gdzie jest to konieczne. W praktyce platforma łączy sztuczną inteligencję z badaniami operacyjnymi, aby przed zastosowaniem obniżki symulować wpływ danego poziomu obniżki na wyprzedaż zapasów w poszczególnych sklepach. Produkt, który nadal dobrze się sprzedaje w danym punkcie sprzedaży, nie wymaga takiej samej obniżki ceny jak ten sam artykuł pod koniec cyklu życia w innym miejscu — jednolita obniżka, obliczona na podstawie średniej krajowej, pomija właśnie te różnice i zmniejsza marżę na pozycjach, które tego nie wymagały. Taka szczegółowość opiera się na historii sprzedaży, poziomie pozostałych zapasów, sezonowości oraz – o ile są dostępne – danych dotyczących konkurencji, aby dla każdego produktu z osobna zaproponować stawkę obniżki, która maksymalizuje sprzedaż bez niepotrzebnego obniżania marży. Zespoły zachowują kontrolę nad scenariuszami i mogą dostosowywać parametry zgodnie z aktualnymi priorytetami (marża, rotacja lub wizerunek cenowy). Dla sieci detalicznej posiadającej wiele sklepów stawka wykracza poza oszczędności na poszczególnych pozycjach: bardziej precyzyjne obniżanie cen pozwala uniknąć skumulowanego efektu tysięcy nieuzasadnionych rabatów w całej sieci, chroni ogólną marżę i ogranicza konieczność stosowania głębokich wyprzedaży, o których decyduje się w pośpiechu pod koniec sezonu z powodu braku odpowiedniego przewidywania.

Rozwiązanie do optymalizacji obniżek cen z wykorzystaniem sztucznej inteligencji zapewnia szybki zwrot z inwestycji poprzez oddziaływanie na trzy bezpośrednio mierzalne czynniki: ograniczenie nadmiernych obniżek cen, poprawę rotacji zapasów oraz skrócenie czasu poświęcanego przez zespoły na ręczne podejmowanie decyzji o obniżkach cen dla poszczególnych produktów. Pierwszy czynnik — mniej nadmiernych obniżek cen — przekłada się bezpośrednio na zachowanie marży: każdy punkt obniżki, którego udało się uniknąć w przypadku produktu, który zostałby sprzedany po pełnej cenie (lub z mniejszym rabatem), stanowi zachowaną marżę. Drugi czynnik, czyli rotacja zapasów, zmniejsza kapitał zamrożony pod koniec sezonu i ogranicza konieczność stosowania głębokich wyprzedaży w ostatniej chwili. Trzeci czynnik pozwala zaoszczędzić czas zespołom ds. ustalania cen i zarządzania kategoriami, które wcześniej były zajęte podejmowaniem decyzji dotyczących poszczególnych produktów, co wiązało się z niewielką wartością dodaną. Korzyści te są zazwyczaj widoczne już od pierwszych kampanii obniżek cen prowadzonych przez platformę, ponieważ mechanizm ten nie wymaga gruntownej reorganizacji: BOOPER wpisuje się w istniejący harmonogram wyprzedaży zapasów i stopniowo udoskonala swoje rekomendacje w miarę, jak rzeczywista sprzedaż potwierdza lub koryguje prognozy. Rzeczywisty zwrot z inwestycji (ROI) zależy jednak od liczby objętych nim pozycji, dojrzałości dostępnych danych historycznych oraz częstotliwości kampanii wyprzedażowych charakterystycznych dla każdej sieci — sieć organizująca kilka fal wyprzedaży rocznie i dysponująca bogatą historią sprzedaży szybciej czerpie korzyści z tego podejścia predykcyjnego niż organizacja, która ma niewielką perspektywę czasową w odniesieniu do swoich danych.

Tak. System MPS został zaprojektowany z myślą o dużych klientach z branży detalicznej i umożliwia zarządzanie obejmujące wiele krajów, wiele sklepów i wiele kategorii w połączeniu ze scentralizowanym zarządzaniem prognozami, przy jednoczesnym zachowaniu lokalnej elastyczności dostosowanej do potrzeb każdego rynku. To zarządzanie obejmujące wiele krajów uwzględnia fakt, że popyt nie zachowuje się tak samo na różnych rynkach — różna sezonowość, harmonogramy promocji i święta charakterystyczne dla każdego kraju, a także zmienna wrażliwość cenowa w zależności od lokalnej siły nabywczej. Silnik prognostyczny uwzględnia te specyficzne cechy dla każdego rynku z osobna, zamiast stosować jeden model do całej sieci. Scentralizowane zarządzanie pozwala kierownictwu grupy zachować skonsolidowany obraz prognoz dla całej sieci, co jest przydatne przy ustalaniu priorytetów zaopatrzenia między rynkami lub ujednolicaniu metod między spółkami zależnymi, bez narzucania lokalnym zespołom założeń nieodpowiednich dla ich własnego rynku. W przypadku grupy działającej w wielu krajach to właśnie równowaga między sterowaniem centralnym a szczegółowością lokalną sprawia, że prognozy są rzeczywiście przydatne do działania na poszczególnych rynkach, a nie tylko jako skonsolidowana średnia, która ma niewielką wartość dla podejmowania decyzji operacyjnych.