Tamaris wykorzystuje sztuczną inteligencję do predykcji cen: rozmowa z 7Learnings na NRF Retail Big Show

Paryż – Podczas NRF Retail Big Show, FashionUnited rozmawiał z Eiko van Hettingą, współzałożycielem berlińskiej firmy technologicznej 7Learnings, która dostarcza oprogramowanie do predykcji cen oparte na sztucznej inteligencji dla sprzedawców detalicznych. Wyjaśnił, dlaczego ustalanie cen jest jedną z najważniejszych dźwigni rentowności, jak predykcja cen działa w praktyce i jakie rezultaty osiągają marki takie jak Tamaris.

Dlaczego predykcja cen? „Ustalanie cen to kluczowa dźwignia rentowności. Wiele firm, myśląc o zysku, skupia się na cięciu kosztów, ale prawda jest taka, że zmiany cen mają znacznie większy wpływ. Dlatego analitycy, tacy jak Gartner, nazywają optymalizację cen jednym z najatrakcyjniejszych zastosowań sztucznej inteligencji w handlu detalicznym: ma największy wpływ na biznes i jest jednym z najłatwiejszych do wdrożenia rozwiązań”.

„Dla sprzedawców zastanawiających się, gdzie rozpocząć swoją przygodę ze sztuczną inteligencją, optymalizacja cen powinna być na szczycie listy. Predykcja cen pozwala wykorzystać dane do prognozowania wpływu cen na kluczowe wskaźniki efektywności – takie jak przychody, marża i poziom sprzedaży – a następnie odpowiednio je zoptymalizować. Właśnie to pokazujemy wspólnie z Tamaris”.

Czy może Pan opowiedzieć nam więcej o Tamaris? „W Tamaris (część Wortmann Group) wyzwanie było jasne: firma rozszerzała swoją działalność online na 26 krajów, co wiązało się z ogromną złożonością w ustalaniu cen na różnych rynkach i kanałach, dużą ilością pracy ręcznej i potrzebą optymalizacji w całym cyklu życia produktu”.

„Wspólnie przeprowadziliśmy pięciomiesięczny program pilotażowy, a wyniki były imponujące: rentowność wzrosła, średni poziom rabatów spadł o 5 procent, a czas poświęcany na ręczną optymalizację cen skrócił się o połowę. Dziś Tamaris stosuje to rozwiązanie oparte na sztucznej inteligencji na wszystkich swoich rynkach, automatycznie sterując cenami i marżami”.

Czyli nie chodzi tylko o rabaty? Chodzi też o elastyczne ceny? „Dokładnie. Nie chodzi tylko o umieszczenie wielkiego czerwonego znaku wyprzedaży w witrynie. Można również strategicznie obniżać ceny, a jednocześnie utrzymywać marże. W branży mody wszystko robimy z myślą o modzie, więc myślimy szerzej niż tylko o samych rabatach”.

Co komplikuje ustalanie cen online? „W internecie mamy dodatkowe elementy, takie jak vouchery i kupony. Niebezpieczeństwo polega na tym, że jeśli zaczniemy kumulować zbyt wiele promocji, możemy łatwo stracić kontrolę nad rentownością. Dlatego wprowadzamy tego typu dane do systemu, aby przewidzieć, w jakim stopniu te promocje będą wykorzystywane i jaki będą miały wpływ na zysk”.

„W branży mody, wraz z cenami, prognozujemy również zwroty. W całym asortymencie nasze prognozy osiągają ponad 90-procentową dokładność w perspektywie dwutygodniowej. Uważamy, że właściwym podejściem jest połączenie bardzo dokładnych prognoz krótkoterminowych z planowaniem długoterminowym”.

Dlaczego? „Można by zapytać, dlaczego nie korzystać z 40-tygodniowej prognozy, aby podejmować każdą decyzję? Problem w tym, że tak długoterminowe prognozy są bardzo niedokładne – po prostu nie wiemy, co się wydarzy w tak odległej przyszłości. To duże wyzwanie w modzie”.

„Wykorzystujemy prognozy długoterminowe do ustalania granic, a nie do dyktowania każdej decyzji. Na przykład algorytm może obliczyć cenę, która optymalizuje długoterminowy zysk, a następnie pozwolić nam na ruch w zakresie 20 procent wokół tego punktu. W tym zakresie możemy podejmować decyzje krótkoterminowe, takie jak szybsze generowanie sprzedaży, ale system zapobiega również zejściu tak nisko, by zaszkodzić długoterminowej rentowności. Technicznie rzecz biorąc, uważamy, że to najlepszy sposób rozwiązania tego problemu – i praktycy w tej dziedzinie potwierdzają to podejście”.

Czy jesteście również zaangażowani w tworzenie kolekcji, decydując o stylach i ilościach? „Niezupełnie. Gdy kolekcja jest już dostępna, możemy pomóc w ustaleniu początkowej ceny, ale ta część zazwyczaj ma bardziej ludzki charakter. Jeśli jakaś sukienka po raz pierwszy wchodzi na rynek, możemy przyjrzeć się jej atrybutom i porównać ją z podobnymi produktami, aby zasugerować cenę. Ale jeśli uważasz, że to wyjątkowy element, wtedy wkracza ludzka ocena, ponieważ maszyna tego nie dostrzeże. Z biegiem czasu, w miarę jak produkt przechodzi przez swój cykl życia, system uczy się coraz więcej z transakcji i atrybutów, aby ulepszać swoje decyzje cenowe”.

A czy macie Państwo doświadczenie w branży mody? „Nasz dyrektor generalny, Felix Hoffmann, spędził całą swoją karierę w dziedzinie ustalania cen. Najpierw pracował dla firm konsultingowych, takich jak A.T. Kearney, a później był odpowiedzialny za algorytm ustalania cen w Zalando w Berlinie. W pewnym momencie zdał sobie sprawę, że nie można wiecznie pracować z Excelem – potrzeba czegoś bardziej technicznego. Tak narodził się pomysł na 7Learnings. Dziś jesteśmy niezależną firmą”.

7Learnings współpracowało również z takimi detalistami jak Tom Tailor i Mister Spex, pomagając im we wdrożeniu predykcji cen. Startup został założony w Berlinie w 2019 roku przez Felixa Hoffmanna, Eiko van Hettingę i Martina Nowaka.