Rychlé přijímání inovací v online segmentu kupodivu na velké kamenné prodejny nemá takový vliv, jak se před pár lety čekalo. Je sice více než jasné, že právě tento směr je dominantní, ale personalizace cen ve fyzických obchodech pomocí mobilních aplikací či využití elektronických kupónů a digitálních cenovek žádný velký boom nezažívá. Spolehlivým řešením není ani věrnostní program, který i v těch nejúspěšnějších řetězcích reálně zasáhne pouze menšinu zákazníků.

Problém může spočívat v přílišné komplikovanosti oproti běžnému nákupu, ale také v tom, že samotná technologie pro prezentaci těchto individuálních cen neřeší, kde se ony ceny vezmou. Doba, kdy stačilo pouze sledovat co dělá konkurence a podstřelit její cenu u klíčového zboží, jako je máslo nebo pivo je pryč. Zákazník je náročnější, nabídka produktů je velmi široká a faktorů, které ovlivňují nákup je mnoho.
Teoreticky tyto faktory každý obchodník dobře zná, ale zjistit je z dat už tak snadné není. Big data, na které všichni spoléhali před několika lety na tento problém spolehlivé řešení nenašla. Nejde totiž jen o běžnou analýzu a tvorbu statistik. Pokud je cílem vytvořit správnou cenu, která všechny tyto jevy dokáže reflektovat, je potřeba začít u pochopení chování zákazníků.

Nastupuje matematika, ale sama o sobě není odpovědí na vše

Právě kvůli komplexnosti je přesnost predikce na straně obchodů obecně o dost nižší, než u dodavatelů. Nejčastěji se v praxi pro predikci používají statistické metody jako časová řada, lineární a nelineární modely. Žádná z těchto cest se však neukazuje jako úplně ideální.
Oblíbená je i neuronová síť, ale pouhé natrénování na datech bez znalosti faktorů, které mají na prodej vliv, je často slepou cestou. V praxi lze potkat i přístup, který kombinuje všechny metody najednou. Použije na data model, který se nejvíce podobá realitě. Na první pohled to zní jako ideální přístup, ale opak je pravdou, jelikož dochází k přílišné personalizaci: Statistický model tedy odpovídá spíše konkrétním údajům nebo pozorováním, než obecným vzorcům.

Použitelná je z pohledu statistiky cesta analýzy efektů. Těch je v případě prodejů celá řada:

• Reakce na promo akce.
• Cena produktu (existuje hluboká korelace mezi cenou a prodejem).
• Sezonalita - u některých produktů je velmi snadno představitelná, jako např. zmrzlina či chlazené nápoje, jinde je však dost složitě predikovatelná. Krásným příkladem jsou melouny. Ty se prodávají ve chvíli, kdy uzrají, což se ale může stát úplně jindy než v předešlém roce.
• Popularita v lokalitě neboli jak je ten který produkt populární v obchodě. Zde lze pozorovat velké rozdíly mezi vesnicí a městem.
• Časový trend. Např. cider je v čase čím dál populárnější.
• Umístění v obchodě.
• Kanibalizace vzájemných prodejů mezi sebou. Komplementární věci, např. Pepsi a Coca Cola.
• Chování před a po promo akci. Zákazníci si často věci nakupují do zásoby.
• Počasí - data např. prokazují, že když prší tak se více prodávají chipsy.
• Konkurence.
• Externí vlivy - kulturní události či uzavírky silnic v regionu.

Základní modely chování jsou předdefinovány lidmi, ale až teprve umělá inteligence a deep learning algoritmy dokáží najít ty nejlepší parametry modelů tak, aby co nejlépe popisovaly chování zákazníků. Důležité je v tomto ohledu i častokrát skloňované strojové učení. S přibývajícími daty v čase je tento matematický model inkrementálně vylepšován na základě nových informací. Takovýto model dokáže nasimulovat pravděpodobné chování zákazníků i v situacích, jaké ještě nenastaly. A to je přesně místo, kde běžná analytika i selský rozum končí.

Před několika lety byly tyto technologie doménou inovátorů v oboru, jako je třeba Amazon, ale postupně se umělá inteligence v cenotvorbě dostává i mezi tradiční obchodní značky.

Nepořádek v datech dokáže zamotat “hlavu” i tomu nejlepšímu algoritmu

Velkým tématem je však obecně kvalita dat. Aby bylo možné predikce úspěšně dělat, je nutné mít dostatek pozorování. Velice důležité je dokázat odfiltrovat tzv. outliery tedy nereprezentativní transakce, které však významně ovlivňují prodejní data (hromadný prodej velkého počtu kusů jednomu zákazníkovi nebo přeskladnění mezi prodejnami).

Celkově se bavíme o nutnosti eliminovat rizika, která chybná data v plně automatizovaném procesu představují. Některé takové chyby je pak možné automaticky opravit nebo pomocí statistiky zahladit. Může jít např. o chybnou dodavatelskou cenu lišící se o stovky procent či enormní jednorázové prodeje. Na většinu datových problémů je však potřeba nahlížet s odstupem a správně vyhodnotit jejich dopad. Někdy může být chyba v datech tak drobná, že se příslušnému pracovníkovi v obchodě ani nevyplatí aby se na podobné problémy zaměřoval. Hon za dokonalými daty je jako boj s větrnými mlýny a proto je lepší implementovat opravné mechanismy a upozorňovat na ty nejhorší chyby, kde se nelze bez zásahu člověka rozhodnout.

Svět směřuje k cenám na míru, ale bude to ještě hodně dlouhá cesta

Velkým trendem je především v posledním roce personalizace právě v kamenných obchodech, často se vyskytuje pod pojmem real-time pricing a navazuje na ideu věrnostního programu. Identifikovaní zákazníci mohou dostávat ceny ušité na míru. Faktem ale zůstává, že úspěšných implementací v tomto oboru je na světě jako šafránu a většinou se tato funkcionalita nakonec redukuje na pouhé nabízení produktů, které kupuje podobný profil zákazníka. Spousta významných analytiků v oboru včetně takových kapacit jako je Gartner však předpokládá, že v dalších pěti letech toto odvětví zažije značné změny a dostane se do popředí zájmu. Nové technologie a především umělá inteligence zde pak konečně mohou přinést opravdu významné zvýšení loajality zákazníka.

Jiří Psota Autor článku je technickým ředitelem společnosti Yieldigo, která se zabývá cenotvorbou pro řetězce supermarketů, drogerií a lékáren. Při studiu na ČVUT získal zkušenosti ve firmách IBM, Seznam.cz nebo NetRetail Holding (dnešní Mall Group) kde vedl vývoj. Mezi jeho známější projekty patří třeba i jízdenková platforma Bileto či prodejní síť aktivit Kapacity (dnešní Bonferi). V roce 2016 založil společně s Radimem Dudkem a Davidem Klečkou  společnost Yieldigo.