Obniżki cen i wyprzedaże: zoptymalizujcie swoje promocje i przyspieszcie sprzedaż zapasów

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 analizę prognostyczną z silnikiem analizy operacyjnej: modele nie ograniczają się jedynie do obserwacji przeszłych trendów, lecz symulują różne scenariusze redukcji (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 eliminuje typowe wady ręcznego obniżania cen: zbyt późne obniżki, które blokują środki obrotowe w zapasach, lub zbyt wczesne, które zmniejszają marżę na produktach, które mogłyby zostać sprzedane 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 sprzedawcy detalicznego 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.

Oprogramowanie do optymalizacji obniżek cen, zwane również oprogramowaniem do markdownu, ustala każdą obniżkę na podstawie jej symulowanego wpływu na popyt, stan magazynowy i marżę, a nie na podstawie stałej wartości procentowej stosowanej do całej kategorii. Takie rozwiązanie oferuje moduł do obniżek cen i wyprzedaży zapasów w BOOPER MPS – platformie firmy BOOPER, francuskiego producenta oprogramowania do ustalania cen działającego od 2014 roku.

W praktyce rozwiązanie to identyfikuje zapasy obarczone ryzykiem, symuluje różne scenariusze redukcji (pod względem czasu i intensywności), proponuje stopniowe etapy redukcji dla poszczególnych artykułów i punktów sprzedaży, a następnie ocenia każdą kampanię w celu udoskonalenia kolejnej. Państwa zespoły zachowują kontrolę nad zasadami biznesowymi, takimi jak minimalne progi marży i ograniczenia handlowe.

Aby porównać różne rozwiązania, należy wziąć pod uwagę trzy kryteria: szczegółowość obliczeń (poziom artykułu i punktu sprzedaży, a nie tylko kategorii), możliwość przeprowadzenia symulacji przed podjęciem decyzji oraz powiązanie z prognozą sprzedaży i już zaplanowanymi promocjami. Dowiedz się, dlaczego warto połączyć ustalanie cen, promocje i obniżki cen w jednej platformie.

BOOPER MPS opiera się głównie na pięciu grupach danych w celu optymalizacji wyprzedaży zapasów: historii sprzedaży, stanach magazynowych, obowiązujących cenach, harmonogramach promocji oraz danych dotyczących sklepów (lokalizacja, format, profil klientów). Do tego mogą zostać dodane czynniki zewnętrzne, takie jak pogoda czy ceny konkurencji, aby jeszcze bardziej doprecyzować zalecenia.

Historia sprzedaży jest danymi o największym znaczeniu: pozwala modelowi nauczyć się tempa sprzedaży charakterystycznego 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 harmonogramy promocji zapobiegają sytuacji, w której obniżka ceny mogłaby podkopać już zaplanowaną akcję sprzedażową w tym samym okresie.

BOOPER nie wymaga idealnej bazy danych, aby rozpocząć pracę: 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 bardziej precyzyjne w miarę wzbogacania się historii, jednak platforma już teraz generuje wyniki, które można wykorzystać, opierając się na podstawowych danych dotyczących sprzedaży i stanów magazynowych.

W przypadku działu ds. ustalania cen lub zarządzania kategoriami 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 końcowa, brak towaru u konkurencji, kaprysy pogody), 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 obniżka cen sterowana przez sztuczną inteligencję opiera się na modelach predykcyjnych, które symulują rzeczywisty wpływ każdego poziomu obniżki, dla każdego produktu i każdego sklepu, zanim zostanie ona wprowadzona.

Różnica polega przede wszystkim na szczegółowości i zdolności przewidywania. Ogólna reguła traktuje w ten sam sposób zarówno produkt, który nadal dobrze się sprzedaje, jak i produkt pod koniec cyklu życia w tym samym sklepie, ponieważ nie ma możliwości indywidualnej analizy tysięcy pozycji asortymentowych. Natomiast podejście oparte na sztucznej inteligencji ocenia dla każdego produktu jego indywidualną dynamikę sprzedaży, poziom zapasów i sezonowość, aby zaproponować konkretną wysokość i moment obniżki ceny.

Kolejna różnica dotyczy pętli korekcyjnej: ręczne obniżanie cen rzadko podlega ponownej ocenie po podjęciu decyzji, podczas gdy sterowanie oparte na sztucznej inteligencji dostosowuje swoje zalecenia na bieżąco w oparciu o rzeczywistą sprzedaż obserwowaną 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 na dopracowanie optymalnego poziomu w ramach tych wytycznych.

W przypadku sieci detalicznej posiadającej wiele sklepów przejście z ręcznego ustalania obniżek cen na obniżki predykcyjne zmienia przede wszystkim skalę, w jakiej można podejmować precyzyjne decyzje: możliwe staje się dostosowanie 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 największy 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.

Harmonogram ten opiera się na analizie kilku czynników: rzeczywistej dynamice sprzedaży produktu od momentu wprowadzenia na rynek, poziomu pozostałych zapasów w kontekście przewidywanego okresu przydatności do sprzedaży, sezonowości danej kategorii oraz – o ile są dostępne – danych dotyczących konkurencji. Silnik prognostyczny symuluje prawdopodobny przebieg popytu z tygodnia na tydzień i generuje zalecenie, gdy tylko zostanie osiągnięty optymalny próg uruchomienia.

Takie wyprzedzające działanie pozwala również uniknąć klasycznego efektu „zatoru”, w którym kilka rodzin produktów osiąga koniec cyklu życia handlowego w tym samym czasie i zostaje jednocześnie objętych obniżką cen, co rozprasza uwagę klientów i zwiększa presję na ogólną marżę w danym okresie. Rozkładając terminy uruchamiania obniżek zgodnie z rzeczywistym tempem sprzedaży każdego produktu, platforma wyrównuje obciążenie związane z obniżkami cen w czasie.

Dla zespołów ds. ustalania cen i zakupów ta umiejętność przewidywania odpowiedniego momentu sprawia, że wyprzedaż zapasów przestaje być decyzją reaktywną, często podejmowaną w pośpiechu pod koniec sezonu, a staje się procesem ciągłym, co ma bezpośredni wpływ na utrzymanie marży i rotację zapasów – dwa wskaźniki, które są uważnie monitorowane przez każdy dział handlowy.

Wyróżniając produkt wcześniej, a nie oferując większego rabatu: produkt o niskiej rotacji, który zostanie wcześnie zidentyfikowany, sprzedaje się z umiarkowanym rabatem, podczas gdy rabat ustalony pod koniec sezonu musi być znacznie większy, aby wyprzedać ten sam zapas.

Harmonogram jest tworzony dla każdego produktu z osobna, na podstawie rzeczywistego tempa sprzedaży od momentu wprowadzenia na rynek, pozostałych zapasów w kontekście przewidywanego okresu przydatności do sprzedaży oraz sezonowości danej kategorii. Pierwszy etap uruchamia się, gdy tylko różnica w stosunku do wartości docelowej zaczyna się powiększać, a następnie redukcja jest dostosowywana na bieżąco w oparciu o obserwowaną sprzedaż w poszczególnych lokalizacjach. W przypadku produktu, który ma duże opóźnienie w sprzedaży, przeniesienie go do punktów sprzedaży, w których sprzedaje się lepiej, może okazać się tańsze niż udzielenie dodatkowej zniżki.

W przypadku zapasów faktycznie nieaktywnych należy podjąć odrębną decyzję: sprzedaż w wybranych segmentach klientów lub rozwiązanie polegające na współpracy z dostawcą. Zapoznaj się z naszym harmonogramem i tabelą wysokości obniżek cen.

Aby uniknąć jednolitych obniżek cen, należy obliczać każdą zniżkę na najniższym poziomie (SKU, sklep, a nawet region), 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 wdrożeniem symulować wpływ określonego poziomu obniżki cen 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 ceny, obliczona na podstawie średniej krajowej, pomija właśnie te różnice i powoduje utratę marży na pozycjach, które tego nie wymagały.

Ten poziom szczegółowości opiera się na historii sprzedaży, aktualnym stanie zapasów, sezonowości oraz – o ile są dostępne – danych dotyczących konkurencji, aby dla każdego produktu zaproponować poziom rabatu, który maksymalizuje sprzedaż bez niepotrzebnego obniżania marży. Zespoły zachowują kontrolę nad scenariuszami i mogą dostosowywać parametry zgodnie z aktualnymi priorytetami (marża, rotacja lub wizerunek cenowy).

W przypadku 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 organizowania głębokich wyprzedaży, o których decyduje się w pośpiechu pod koniec sezonu z powodu braku odpowiedniego przewidywania.

Rozwiązanie oparte na sztucznej inteligencji, służące do optymalizacji obniżek cen, zapewnia szybki zwrot z inwestycji dzięki oddziaływaniu 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 utrzymanie 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 organizowania 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 wyprzedażowych prowadzonych przez platformę, ponieważ mechanizm ten nie wymaga gruntownej reorganizacji: BOOPER wpisuje się w istniejący harmonogram wyprzedaży i stopniowo udoskonala swoje rekomendacje w miarę jak rzeczywista sprzedaż potwierdza lub koryguje prognozy.

Rzeczywisty zwrot z inwestycji zależy jednak od liczby produktów objętych analizą, stopnia dojrzałości dostępnych danych historycznych oraz częstotliwości kampanii wyprzedażowych charakterystycznych dla każdej sieci: sieć organizująca kilka fal wyprzedaży w ciągu roku i dysponująca bogatą historią sprzedaży szybciej czerpie korzyści z tego podejścia predykcyjnego niż organizacja, która ma do dyspozycji dane z krótszego okresu.

Tak. BOOPER MPS jest przeznaczony dla sieci obejmujących wiele krajów, wiele sklepów i wiele kategorii, z centralnym zarządzaniem obniżkami cen w centrali, przy jednoczesnym zachowaniu elastyczności niezbędnej do uwzględnienia lokalnych specyfik każdego rynku lub punktu sprzedaży.

W praktyce oznacza to, że zasady dotyczące obniżek cen (progi minimalnej marży, harmonogramy wyprzedaży, ograniczenia regulacyjne w poszczególnych krajach) są ustalane i zarządzane centralnie, natomiast obliczanie wysokości obniżki odbywa się w sposób szczegółowy, dla każdego sklepu i każdej kategorii z osobna, aby uwzględnić różnice w tempie sprzedaży między poszczególnymi obszarami.

Architektura ta jest szczególnie dostosowana do grup prowadzących wiele marek: sieć obejmująca kilka krajów lub dziesiątki marek może stosować tę samą metodologię zarządzania, uwzględniając jednocześnie ograniczenia prawne obowiązujące na każdym rynku (na przykład określone terminy wyprzedaży) oraz specyfikę handlową poszczególnych terytoriów.

W przypadku scentralizowanego zarządzania cenami wyzwaniem jest utrzymanie spójnego obrazu wyprzedaży w całej sieci (objętości towarów objętych obniżkami, wpływ na marżę, rotacja zapasów) bez narzucania jednej, nieodpowiedniej zasady rynkom o zróżnicowanych zachowaniach zakupowych, co pozostaje głównym źródłem utraty marży w przypadku obniżek cen zarządzanych w zbyt jednolity sposób.

Podejmując decyzje w odniesieniu do poszczególnych artykułów i sklepów, na podstawie trzech zmiennych: prognozowanego stanu zapasów końcowych, wskaźnika sprzedaży w stosunku do wartości docelowej oraz wysokości rabatu.

Wczesna i przemyślana obniżka ceny zapewnia więcej tygodni sprzedaży niż późna obniżka, która musi być większa, aby wyprzedać ten sam zapas. Artykuły, których sprzedaż wyprzedza plan, nie są przeceniane, natomiast te, które mają duże opóźnienie, są przeceniane wcześniej lub przenoszone do sklepów, w których sprzedają się lepiej.