Giảm giá và thanh lý hàng tồn kho: Tối ưu hóa các chương trình giảm giá và đẩy nhanh tốc độ tiêu thụ hàng tồn kho

Trí tuệ nhân tạo biến việc giảm giá từ một quyết định dựa trên kinh nghiệm thành một quyết định dựa trên dự báo: bằng cách phân tích chéo dữ liệu lịch sử doanh số, mức tồn kho, tính mùa vụ, giá cả và hành vi mua hàng, hệ thống này ước tính tác động thực tế của từng mức giảm giá trước khi áp dụng, đồng thời xác định thời điểm và tỷ lệ giảm giá giúp tối đa hóa lượng hàng bán ra mà không làm giảm biên lợi nhuận nhiều hơn mức cần thiết.

Cụ thể, BOOPER MPS kết hợp khả năng dự báo này với một công cụ tìm kiếm vận hành: các mô hình không chỉ dừng lại ở việc quan sát các xu hướng trong quá khứ, mà còn mô phỏng nhiều kịch bản cắt giảm (theo thời gian và mức độ) và dự báo tác động của chúng lên nhu cầu, lượng hàng tồn kho còn lại và biên lợi nhuận, theo từng sản phẩm và từng cửa hàng.

Cách tiếp cận này khắc phục những sai lệch thường gặp trong việc giảm giá thủ công: giảm giá quá muộn khiến vốn lưu động bị ứ đọng trong hàng tồn kho, hoặc giảm giá quá sớm làm giảm biên lợi nhuận trên những sản phẩm lẽ ra có thể bán được với giá niêm yết. Trí tuệ nhân tạo (AI) cũng tinh chỉnh các đề xuất của mình dựa trên doanh số thực tế được ghi nhận sau mỗi đợt giảm giá, từ đó cho phép điều chỉnh chiến lược trong suốt mùa bán hàng thay vì phải tuân theo một kế hoạch cứng nhắc.

Đối với một nhà bán lẻ, việc quản lý giảm giá dựa trên dự báo này có tác động trực tiếp đến lợi nhuận cuối mùa và tốc độ luân chuyển hàng tồn kho: giảm lượng hàng tồn kho dư thừa, giảm các đợt giảm giá phút chót được quyết định trong tình huống khẩn cấp, đồng thời kiểm soát tốt hơn hình ảnh giá cả, bởi các đợt giảm giá được quyết định dựa trên dữ liệu thay vì theo một lịch trình chung chung.

Một phần mềm tối ưu hóa giảm giá, còn được gọi là phần mềm markdown, xác định mức giảm giá cho từng sản phẩm dựa trên tác động dự kiến của nó đối với nhu cầu, hàng tồn kho và biên lợi nhuận, thay vì áp dụng một tỷ lệ phần trăm cố định cho toàn bộ danh mục. Đây chính là tính năng mà mô-đun markdown và thanh lý hàng tồn kho của BOOPER MPS mang lại – nền tảng của BOOPER, nhà phát triển phần mềm định giá của Pháp từ năm 2014.

Cụ thể, giải pháp này sẽ xác định các mặt hàng tồn kho có rủi ro, mô phỏng nhiều kịch bản giảm tồn kho (theo thời gian và mức độ), đề xuất các mức giảm dần theo từng mặt hàng và từng điểm bán hàng, sau đó đánh giá hiệu quả của từng chiến dịch để tối ưu hóa chiến dịch tiếp theo. Các đội ngũ của quý vị vẫn giữ quyền kiểm soát các quy tắc kinh doanh, chẳng hạn như ngưỡng lợi nhuận tối thiểu và các ràng buộc thương mại.

Để so sánh các giải pháp, có ba tiêu chí quan trọng: mức độ chi tiết của tính toán (theo từng mặt hàng và từng điểm bán hàng, không chỉ dừng lại ở cấp độ danh mục), khả năng mô phỏng trước khi ra quyết định, và sự liên kết với dự báo doanh số và các chương trình khuyến mãi đã được lên kế hoạch. Tìm hiểu lý do tại sao nên tích hợp định giá, khuyến mãi và giảm giá vào một nền tảng duy nhất.

BOOPER MPS chủ yếu dựa vào năm nhóm dữ liệu để tối ưu hóa việc thanh lý hàng tồn kho: lịch sử bán hàng, mức tồn kho, giá bán, lịch trình khuyến mãi và dữ liệu cửa hàng (vị trí, quy mô, đặc điểm khách hàng). Các yếu tố bên ngoài như thời tiết hoặc giá cả của đối thủ cạnh tranh cũng có thể được đưa vào để tinh chỉnh các đề xuất một cách chi tiết hơn.

Lịch sử bán hàng là dữ liệu quan trọng nhất: nó giúp mô hình học được tốc độ tiêu thụ riêng của từng sản phẩm và từng điểm bán hàng, từ đó phân biệt được mặt hàng chỉ cần thêm thời gian với mặt hàng thực sự đã hết vòng đời thương mại. Khi kết hợp với mức tồn kho, dữ liệu này xác định mức độ cấp bách tương đối của từng quyết định giảm giá. Về phần mình, lịch trình khuyến mãi giúp tránh tình trạng việc giảm giá làm ảnh hưởng tiêu cực đến một chiến dịch kinh doanh đã được lên kế hoạch sẵn trong cùng khoảng thời gian đó.

BOOPER không yêu cầu một nền tảng dữ liệu hoàn hảo để bắt đầu: công cụ Data Loader có thể thích ứng với các luồng dữ liệu hiện có (dữ liệu xuất từ ERP, tệp văn bản thuần túy, cơ sở dữ liệu, API), giúp kết nối các nguồn dữ liệu sẵn có mà không cần phải chờ đợi việc tái cấu trúc hệ thống thông tin. Các đề xuất sẽ ngày càng chính xác hơn khi lịch sử dữ liệu được bổ sung, nhưng nền tảng này đã có thể tạo ra các kết quả có thể ứng dụng ngay từ dữ liệu bán hàng và tồn kho cơ bản.

Đối với bộ phận định giá hoặc quản lý danh mục sản phẩm, chất lượng dữ liệu đầu vào vẫn là yếu tố then chốt quyết định độ tin cậy của các khuyến nghị: lịch sử doanh số càng bao quát nhiều mùa và chu kỳ khuyến mãi, mô hình càng học được cách dự đoán các hành vi bất thường (hết hàng, sự gián đoạn từ đối thủ cạnh tranh, biến động thời tiết) thay vì chỉ đơn thuần kéo dài xu hướng trong quá khứ.

Việc giảm giá thủ công dựa trên các quy tắc chung (ví dụ: “giảm 30% sau 6 tuần nếu hàng không được luân chuyển đủ”) và vào trực giác của các đội ngũ, được áp dụng một cách tương đối đồng nhất cho toàn bộ một danh mục. Ngược lại, việc giảm giá do AI điều khiển dựa trên các mô hình dự đoán, mô phỏng tác động thực tế của từng mức giảm giá, theo từng sản phẩm và từng cửa hàng, trước khi triển khai.

Sự khác biệt chủ yếu nằm ở mức độ chi tiết và khả năng dự báo. Một quy tắc chung sẽ xử lý giống nhau cả mặt hàng vẫn đang bán chạy và mặt hàng sắp hết vòng đời thương mại trong cùng một cửa hàng, do không thể phân tích riêng lẻ hàng nghìn mã hàng. Ngược lại, phương pháp dựa trên trí tuệ nhân tạo (AI) sẽ đánh giá riêng cho từng sản phẩm về xu hướng bán hàng, mức tồn kho và tính mùa vụ để đề xuất mức giảm giá và thời điểm giảm giá cụ thể.

Sự khác biệt còn lại nằm ở vòng lặp điều chỉnh: việc giảm giá thủ công hiếm khi được đánh giá lại sau khi đã được quyết định, trong khi hệ thống điều khiển bằng AI sẽ điều chỉnh lại các khuyến nghị dựa trên doanh số thực tế được ghi nhận sau mỗi đợt giảm giá, từ đó giúp điều chỉnh hướng đi trước khi nó trở nên tốn kém. Cả hai phương pháp này đều có thể song hành: các đội ngũ vẫn giữ quyền kiểm soát các quy tắc kinh doanh (mức lợi nhuận tối thiểu, các ràng buộc thương mại) đồng thời để hệ thống dự đoán tinh chỉnh mức tối ưu trong khuôn khổ đó.

Đối với một nhà bán lẻ có nhiều cửa hàng, việc chuyển từ giảm giá thủ công sang giảm giá dự đoán chủ yếu thay đổi quy mô mà tại đó các quyết định chi tiết có thể được đưa ra: giờ đây có thể cá nhân hóa hàng nghìn quyết định giảm giá mà không làm gia tăng khối lượng công việc của các đội ngũ, từ đó tác động trực tiếp đến việc duy trì biên lợi nhuận tổng thể vào cuối mùa.

Đúng vậy. BOOPER MPS xác định, đối với từng sản phẩm, khoảng thời gian mà việc giảm giá mang lại hiệu quả tốt nhất đối với nhu cầu, nhằm tránh hai rủi ro thường gặp: giảm giá quá sớm, dẫn đến việc hy sinh biên lợi nhuận từ những đơn hàng lẽ ra đã được bán với giá niêm yết; và giảm giá quá muộn, khiến hàng tồn kho không thể tiêu thụ hết trước khi mùa hàng kết thúc.

Thời điểm này được xác định dựa trên việc phân tích tổng hợp nhiều tín hiệu: tốc độ tiêu thụ thực tế của sản phẩm kể từ khi ra mắt, mức tồn kho còn lại so với thời hạn sử dụng thương mại dự kiến, tính theo mùa của danh mục sản phẩm và, khi có sẵn, dữ liệu về đối thủ cạnh tranh. Hệ thống dự báo mô phỏng diễn biến dự kiến của nhu cầu theo từng tuần và đưa ra khuyến nghị ngay khi đạt đến ngưỡng kích hoạt tối ưu.

Việc dự báo này cũng giúp tránh được hiện tượng ùn tắc kinh doanh thường gặp, khi nhiều dòng sản phẩm cùng lúc hết vòng đời thương mại và phải giảm giá đồng loạt, dẫn đến sự phân tán sự chú ý của khách hàng và gia tăng áp lực lên biên lợi nhuận tổng thể của kỳ. Bằng cách phân bổ các đợt giảm giá theo nhịp độ thực tế của từng sản phẩm, nền tảng này giúp phân bổ đều khối lượng giảm giá theo thời gian.

Đối với các bộ phận định giá và mua hàng, khả năng dự đoán thời điểm thích hợp này giúp biến việc thanh lý hàng tồn kho từ một quyết định mang tính phản ứng – thường được đưa ra trong tình huống khẩn cấp vào cuối mùa – thành một quá trình quản lý liên tục, có tác động trực tiếp đến việc duy trì biên lợi nhuận và tốc độ luân chuyển hàng tồn kho – hai chỉ số luôn được ban lãnh đạo kinh doanh theo dõi sát sao.

Bằng cách giảm giá sớm hơn thay vì giảm giá mạnh hơn: một sản phẩm có tốc độ luân chuyển chậm nếu được phát hiện sớm sẽ được tiêu thụ với mức giảm giá vừa phải, trong khi đó, một đợt giảm giá được thực hiện vào cuối mùa phải sâu hơn nhiều để tiêu thụ cùng một lượng hàng tồn kho.

Lịch trình được xây dựng theo từng sản phẩm, dựa trên tốc độ tiêu thụ thực tế kể từ khi ra mắt, lượng hàng tồn kho còn lại so với thời hạn sử dụng thương mại dự kiến và tính mùa vụ của danh mục sản phẩm. Giai đoạn đầu tiên được kích hoạt ngay khi chênh lệch so với mục tiêu gia tăng, sau đó mức giảm giá sẽ được điều chỉnh theo diễn biến doanh số thực tế, tại từng cửa hàng. Đối với một mặt hàng bị tồn kho quá lâu, việc chuyển hàng sang các điểm bán hàng có doanh số tốt hơn có thể tiết kiệm chi phí hơn so với việc áp dụng thêm chiết khấu.

Hàng tồn kho thực sự không bán được đòi hỏi một quyết định riêng biệt: bán cho các phân khúc khách hàng mục tiêu hoặc tìm giải pháp từ nhà cung cấp. Xem bảng lịch trình và mức độ giảm giá của chúng tôi.

Để tránh việc giảm giá đồng loạt, cần tính toán mức giảm giá cho từng mặt hàng ở cấp độ chi tiết nhất (SKU, cửa hàng, thậm chí là khu vực) thay vì áp dụng một tỷ lệ giảm giá giống nhau cho toàn bộ danh mục. BOOPER MPS xác định mức giảm giá phù hợp với tiềm năng bán hàng thực tế của từng mã hàng, nhằm chỉ giảm giá những mặt hàng thực sự cần thiết.

Cụ thể, nền tảng này kết hợp trí tuệ nhân tạo và nghiên cứu vận hành để mô phỏng, trước khi áp dụng, tác động của một mức giảm giá nhất định lên việc tiêu thụ hàng tồn kho, theo từng cửa hàng. Một sản phẩm vẫn bán chạy tại một điểm bán hàng không cần mức giảm giá tương tự như cùng mặt hàng đó đang ở giai đoạn cuối vòng đời tại nơi khác: mức giảm giá đồng nhất, được tính dựa trên mức trung bình toàn quốc, chính xác là bỏ qua những chênh lệch này và làm giảm biên lợi nhuận đối với những mặt hàng vốn không cần thiết phải giảm giá.

Mức độ chi tiết này dựa trên lịch sử bán hàng, mức tồn kho hiện tại, tính theo mùa và, khi có sẵn, dữ liệu về đối thủ cạnh tranh, để đề xuất mức chiết khấu cho từng sản phẩm nhằm tối đa hóa lượng hàng bán ra mà không làm giảm biên lợi nhuận một cách không cần thiết. Các đội ngũ vẫn giữ quyền kiểm soát các kịch bản và có thể điều chỉnh các thông số tùy theo ưu tiên hiện tại của họ (biên lợi nhuận, tốc độ luân chuyển hàng tồn kho hoặc hình ảnh giá cả).

Đối với một nhà bán lẻ có nhiều cửa hàng, thách thức không chỉ dừng lại ở việc tối ưu hóa từng dòng doanh thu: việc điều chỉnh giá chính xác hơn sẽ giúp tránh được tác động tích lũy từ hàng nghìn khoản giảm giá không hợp lý trên toàn bộ mạng lưới cửa hàng, bảo vệ biên lợi nhuận tổng thể và hạn chế việc phải áp dụng các đợt giảm giá sâu được quyết định vội vàng vào cuối mùa do thiếu sự dự báo trước đầy đủ.

Một giải pháp tối ưu hóa việc giảm giá bằng trí tuệ nhân tạo (AI) mang lại lợi tức đầu tư nhanh chóng thông qua ba yếu tố có thể đo lường trực tiếp: giảm thiểu việc giảm giá quá mức, cải thiện tốc độ luân chuyển hàng tồn kho và rút ngắn thời gian mà các đội ngũ phải dành cho việc ra quyết định giảm giá thủ công, từng sản phẩm một.

Đòn bẩy đầu tiên (giảm thiểu các đợt giảm giá quá mức) trực tiếp góp phần duy trì biên lợi nhuận: mỗi điểm giảm giá được tránh trên một sản phẩm lẽ ra đã được bán với giá niêm yết (hoặc với mức giảm giá thấp hơn) đều được tính vào biên lợi nhuận được giữ lại. Đòn bẩy thứ hai, tốc độ luân chuyển hàng tồn kho, giúp giảm vốn bị ứ đọng vào cuối mùa và hạn chế việc phải thực hiện các đợt giảm giá sâu vào phút chót. Yếu tố thứ ba giúp giải phóng thời gian cho các đội ngũ định giá và quản lý danh mục sản phẩm, vốn trước đây phải tập trung vào việc đưa ra các quyết định từng sản phẩm một với giá trị gia tăng thấp.

Những lợi ích này thường xuất hiện ngay từ những chiến dịch giảm giá đầu tiên do nền tảng này điều hành, bởi cơ chế này không đòi hỏi phải tái cấu trúc tổ chức: BOOPER được tích hợp vào lịch trình thanh lý hàng tồn kho hiện có và dần dần tinh chỉnh các đề xuất của mình khi doanh số thực tế xác nhận hoặc điều chỉnh các dự báo.

Tuy nhiên, tỷ suất hoàn vốn (ROI) thực tế phụ thuộc vào khối lượng sản phẩm liên quan, mức độ hoàn thiện của dữ liệu lịch sử có sẵn và tần suất các chiến dịch thanh lý hàng tồn kho đặc thù của từng thương hiệu: một mạng lưới có nhiều đợt giảm giá trong năm và dữ liệu bán hàng phong phú sẽ thu được lợi ích từ phương pháp dự báo này nhanh hơn so với một tổ chức có ít dữ liệu lịch sử để tham chiếu.

Đúng vậy. BOOPER MPS được thiết kế dành cho các mạng lưới hoạt động trên nhiều quốc gia, nhiều cửa hàng và nhiều ngành hàng, với cơ chế quản lý chiết khấu tập trung tại trụ sở chính, đồng thời vẫn đảm bảo sự linh hoạt cần thiết để phù hợp với đặc thù địa phương của từng thị trường hoặc điểm bán hàng.

Trên thực tế, điều này có nghĩa là các quy tắc về giảm giá (mức lợi nhuận tối thiểu, lịch trình giảm giá, các quy định pháp lý theo từng quốc gia) được xác định và điều hành một cách tập trung, trong khi việc tính toán mức giảm giá vẫn được thực hiện chi tiết, theo từng cửa hàng và từng danh mục sản phẩm, nhằm phản ánh sự chênh lệch về tốc độ tiêu thụ giữa các khu vực.

Kiến trúc này đặc biệt phù hợp với các tập đoàn sở hữu nhiều thương hiệu: một mạng lưới được tổ chức trên phạm vi nhiều quốc gia hoặc bao gồm hàng chục thương hiệu có thể áp dụng cùng một phương pháp quản lý, đồng thời vẫn tuân thủ các quy định pháp lý của từng thị trường (chẳng hạn như các khoảng thời gian giảm giá được quy định cụ thể) và các đặc thù thương mại riêng của từng khu vực.

Đối với mô hình quản lý giá tập trung, thách thức nằm ở việc duy trì cái nhìn tổng thể về việc thanh lý hàng tồn kho trên toàn bộ mạng lưới (khối lượng hàng giảm giá, tác động đến biên lợi nhuận, tốc độ luân chuyển hàng tồn kho) mà không áp đặt một quy tắc duy nhất không phù hợp với các thị trường có hành vi mua sắm khác nhau – đây vẫn là nguyên nhân chính dẫn đến việc sụt giảm biên lợi nhuận trong các chương trình giảm giá được điều hành một cách quá cứng nhắc.

Quyết định từng mặt hàng và từng cửa hàng, dựa trên ba yếu tố: lượng hàng tồn kho dự kiến còn lại, tỷ lệ tiêu thụ so với mục tiêu và mức chiết khấu.

Việc giảm giá sớm và có tính toán sẽ giúp kéo dài thời gian bán hàng thêm nhiều tuần so với việc giảm giá muộn, vốn phải áp dụng mức giảm sâu hơn để thanh lý cùng một lượng hàng tồn kho. Những mặt hàng bán chạy hơn dự kiến sẽ không được giảm giá, trong khi những mặt hàng bán chậm hơn nhiều sẽ được giảm giá sớm hơn, hoặc chuyển sang các cửa hàng có doanh số bán hàng tốt hơn.