Trí tuệ nhân tạo biến việc giảm giá từ một quyết định dựa trên kinh nghiệm thành một quyết định 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 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 tiêu thụ mà không làm giảm biên lợi nhuận nhiều hơn mức cần thiết. Cụ thể, BOOPER MPS kết hợp khả năng dự đoán 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 giảm giá (theo thời gian và mức độ) và dự báo tác động của chúng lên nhu cầu, hàng tồn kho còn lại và lợi nhuận, theo từng sản phẩm và từng cửa hàng. Cách tiếp cận này khắc phục những sai lệch truyền thống trong việc giảm giá thủ công — giảm giá quá muộn khiến vốn lưu động bị ứ đọng trong hàng tồn kho, hoặc quá sớm làm mất 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 sau mỗi đợt giảm giá, giúp điều chỉnh lộ trình trong suốt mùa bán hàng thay vì phải tuân theo một kế hoạch cứng nhắc. Đối với một nhà bán lẻ, việc điều chỉnh giá giảm dự báo này có tác động trực tiếp đến lợi nhuận cuối mùa và tốc độ luân chuyển hàng tồn kho: ít hàng tồn kho dư thừa hơn, ít đợt giảm giá phút chót được quyết định trong tình huống khẩn cấp hơn, và kiểm soát tốt hơn hình ảnh giá cả vì các mức giảm giá vẫn được chứng minh bằng dữ liệu thay vì dựa trên lịch trình chung chung.

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 thực tế, 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 nền tảng quan trọng nhất: nó cho phép mô hình học được tốc độ tiêu thụ riêng của từng sản phẩm và từng điểm bán hàng, từ đó phân biệt được một mặt hàng chỉ đơn thuần cần thêm thời gian với một mặt hàng thực sự đã hết vòng đời thương mại. Khi được kết hợp với mức tồn kho, dữ liệu này sẽ xác định mức độ khẩn cấp 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 bán hàng đã được lên kế hoạch sẵn trong cùng khoảng thời gian. 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 (tệp xuất từ ERP, tệp văn bản thuần túy, cơ sở dữ liệu, API), cho phép kết nối các nguồn dữ liệu sẵn có mà không cần 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 kết quả có thể áp dụng ngay cả với 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 chính quyết định độ tin cậy của các đề xuất: lịch sử bán hàng bao quát càng 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 một 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 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 đoán. Một quy tắc chung sẽ xử lý giống nhau cả mặt hàng vẫn 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 sản phẩm. Trong khi đó, phương pháp do AI điều khiển sẽ đánh giá động lực bán hàng riêng, mức tồn kho và tính mùa vụ của từng sản phẩm để đề xuất mức giảm giá và thời điểm cụ thể. Sự khác biệt khác nằm ở vòng lặp điều chỉnh: mức giảm giá thủ công hiếm khi được đánh giá lại sau khi đã quyết định, trong khi hệ thống điều khiển bằng AI sẽ điều chỉnh lại các khuyến nghị dựa trên doanh số thực tế được quan sát sau mỗi đợt giảm giá, giúp điều chỉnh hướng đi trước khi nó trở nên tốn kém. Cả hai phương pháp đều có thể song song tồn tại: 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 giảm giá 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 dựa trên 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 tăng khối lượng công việc của các đội ngũ, đồng thời có 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 sai lầm phổ biến: 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 kết thúc mùa. Thời điểm này 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 gian tồn tại thương mại dự kiến, tính mùa vụ 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 “tắc nghẽn” thường gặp, khi nhiều dòng sản phẩm cùng lúc hết vòng đời thương mại và phải giảm giá đồng loạt, điều này làm 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 áp lực giảm giá theo thời gian. Đối với các đội ngũ định giá và mua hàng, khả năng dự đoán thời điểm thích hợp này biến việc thanh lý hàng tồn kho từ một quyết định phản ứng — thường được đưa ra trong tình huống khẩn cấp vào cuối mùa — thành một quá trình quản lý liên tục — với tác động trực tiếp đến việc duy trì biên lợi nhuận và tốc độ luân chuyển hàng tồn kho, hai chỉ số được ban lãnh đạo kinh doanh theo dõi chặt chẽ.

Để tránh việc giảm giá đồng loạt, cần tính toán mức giảm giá cho từng đơn vị cụ thể — 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 tốc độ 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 giống 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 sự chênh lệch này và làm giảm biên lợi nhuận trên những mặt hàng vốn không cần thiết phải giảm giá. Mức độ chi tiết này dựa trên lịch sử bán hàng, mức tồn kho còn lại, tính mùa vụ và, khi có sẵn, dữ liệu cạnh tranh, để đề xuất mức giảm giá cho từng sản phẩm nhằm tối đa hóa tốc độ tiêu thụ 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 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 sản phẩm: việc giảm giá tinh tế hơn giúp tránh được tác động tích lũy từ hàng nghìn khoản giảm giá không hợp lý trên toàn bộ mạng lưới, bảo vệ biên lợi nhuận tổng thể và hạn chế việc phải áp dụng các đợt giảm giá sâu được quyết định gấp rút vào cuối mùa do thiếu sự dự báo 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 tình trạng giảm giá quá mức, cải thiện tốc độ luân chuyển hàng tồn kho và giảm thời gian mà các đội ngũ phải dành cho việc ra quyết định giảm giá thủ công, từng sản phẩm một. Yếu tố đầu tiên — giảm tình trạng giảm giá quá mức — trực tiếp góp phần duy trì biên lợi nhuận: mỗi mức giảm giá được tránh trên một sản phẩm lẽ ra đã được bán với giá niêm yết (hoặc với mức chiết khấu thấp hơn) đều góp phần duy trì biên lợi nhuận. Yếu tố 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 dành nhiều thời gian cho các quyết định điều chỉnh từng sản phẩm một với giá trị gia tăng thấp. Những lợi ích này thường xuất hiện ngay từ các chiến dịch giảm giá đầu tiên do nền tảng điều hành, vì cơ chế này không yêu cầu tái cấu trúc tổ chức: BOOPER 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, ROI thực tế phụ thuộc vào số lượng mã hàng 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 chuỗi cửa hàng — một mạng lưới có nhiều đợt giảm giá trong năm và lịch sử bán hàng phong phú sẽ tận dụng phương pháp dự báo này nhanh hơn so với một tổ chức có ít dữ liệu lịch sử để tham chiếu.

Đúng vậy. MPS được thiết kế dành cho các khách hàng lớn trong lĩnh vực bán lẻ, với khả năng quản lý đa quốc gia, đa cửa hàng và đa danh mục, kết hợp với cơ chế quản trị dự báo tập trung, đồng thời vẫn duy trì sự linh hoạt tại địa phương phù hợp với từng thị trường. Hình thức quản lý đa quốc gia này tính đến thực tế rằng nhu cầu không diễn biến giống nhau giữa các thị trường — tính mùa vụ khác nhau, lịch trình khuyến mãi và các ngày lễ riêng của từng quốc gia, cũng như mức độ nhạy cảm với giá cả thay đổi tùy theo sức mua địa phương. Hệ thống dự báo tích hợp các đặc thù này cho từng thị trường thay vì áp dụng một mô hình duy nhất cho toàn bộ mạng lưới. Hệ thống quản trị tập trung cho phép ban lãnh đạo tập đoàn duy trì cái nhìn tổng hợp về các dự báo trên toàn mạng lưới, hữu ích để điều phối các ưu tiên về nguồn cung giữa các thị trường hoặc thống nhất các phương pháp giữa các công ty con, mà không áp đặt lên các đội ngũ địa phương những giả định không phù hợp với thị trường riêng của họ. Đối với một tập đoàn hoạt động tại nhiều quốc gia, sự cân bằng giữa quản lý tập trung và tính chi tiết tại địa phương chính là yếu tố khiến dự báo trở nên thực sự có thể áp dụng được, theo từng thị trường, thay vì chỉ là một con số trung bình tổng hợp ít giá trị đối với quyết định vận hành.