AI untuk Optimasi Markdown: Kapan Harus Diskon dan Berapa Besar

Sebuah retailer pakaian yang menjual sekitar $45 juta per tahun melalui toko online mereka memiliki strategi markdown sederhana: jika sebuah produk tidak terjual 60% dari inventarisnya pada titik tengah periode penjualan yang direncanakan, produk tersebut mendapat diskon 25%. Jika masih ada inventaris pada 75% dari periode penjualan, diskonnya menjadi 40%. Cuci gudang adalah diskon 60%.

Ketika mereka menganalisis hasilnya dari 1.800 gaya musiman, mereka menemukan bahwa 34% produk yang di-markdown sebenarnya akan terjual habis dengan harga penuh atau dengan diskon lebih kecil jika diberi lebih banyak waktu. 22% lainnya membutuhkan diskon lebih besar lebih awal karena awal penjualan yang lambat mengindikasikan masalah permintaan fundamental, bukan masalah waktu. Pendekatan satu-untuk-semua ini merugikan mereka sekitar $2,1 juta per tahun dalam erosi margin yang tidak perlu.

Mengapa Aturan Markdown Standar Menghancurkan Margin

Pendekatan standar terhadap markdown memperlakukan semua produk dengan cara yang sama berdasarkan kecepatan sell-through saja. Produk A telah menjual 40% stoknya dengan 50% jendela penjualan tersisa, jadi produk tersebut mendapat diskon. Tetapi ini mengabaikan konteks penting. Apakah produk tersebut baru diluncurkan dan masih membangun awareness? Apakah produk tersebut berada di kategori di mana penjualan meningkat menjelang akhir musim (seperti dekorasi liburan)? Apakah produk tersebut mendapat ulasan positif tetapi belum cukup dipromosikan?

Produk yang berbeda memiliki kurva permintaan yang secara fundamental berbeda, dan menerapkan pemicu markdown yang sama untuk semuanya menjamin hasil yang suboptimal. Produk dengan permintaan front-loaded (item trending, produk yang terkait dengan acara tertentu) membutuhkan markdown agresif lebih awal jika mereka melewatkan jendela awalnya, karena permintaan hanya akan menurun. Produk dengan permintaan back-loaded (kebutuhan pokok musiman, item hadiah menjelang liburan) dapat mempertahankan harga penuh lebih lama karena permintaan akan meningkat secara alami.

Biaya dari diskon terlalu dini tidak terlihat tetapi nyata. Markdown 25% pada produk yang sebenarnya akan terjual dengan harga penuh dua minggu kemudian menghancurkan margin pada setiap unit yang terjual selama periode tersebut. Jika 200 unit terjual selama jendela markdown yang sebenarnya tidak perlu didiskon, dan harga jual rata-rata turun dari $50 menjadi $37,50, itu adalah $2.500 kerugian margin yang tidak perlu pada satu produk saja.

Bagaimana Model AI Mendekati Markdown

Model optimasi markdown AI mengevaluasi setiap produk secara individual berdasarkan trajektori permintaan spesifiknya, inventaris tersisa, waktu penjualan tersisa, dan respons yang diharapkan terhadap berbagai tingkat diskon. Model ini menjawab tiga pertanyaan: haruskah produk ini didiskon saat ini, jika ya berapa kedalaman diskon yang optimal, dan kapan markdown berikutnya harus diterapkan jika markdown saat ini tidak mencapai target sell-through.

Analisis trajektori permintaan mencocokkan kurva dengan riwayat penjualan produk dan membandingkannya dengan produk serupa dari musim-musim sebelumnya. Jika sebuah jaket musim dingin telah terjual 300 dari 800 unit dalam enam minggu pertama, model memeriksa bagaimana jaket serupa berkinerja pada titik yang sama di tahun-tahun sebelumnya. Jika produk serupa biasanya menjual 35-40% inventaris pada minggu keenam dan kemudian meningkat, kecepatan saat ini normal dan tidak diperlukan markdown. Jika produk serupa yang hanya menjual 37% pada minggu keenam secara historis akhirnya membutuhkan markdown 50%+ untuk menghabiskan stok, tindakan dini diperlukan.

Estimasi elastisitas harga memberi tahu model berapa banyak volume tambahan yang akan dihasilkan oleh diskon tertentu. Diskon 20% pada produk dengan elastisitas harga tinggi mungkin meningkatkan penjualan mingguan sebesar 80%, sementara diskon yang sama pada produk inelastis mungkin hanya meningkatkan penjualan sebesar 20%. Model mempelajari elastisitas tingkat produk dari data markdown historis, melihat apa yang terjadi pada volume penjualan ketika produk serupa didiskon di masa lalu.

Optimasi kemudian menghitung margin yang diharapkan pada setiap tingkat diskon yang mungkin. Tanpa diskon berarti margin per unit lebih tinggi tetapi ada risiko inventaris tidak terjual di akhir musim. Diskon 20% mengurangi margin per unit tetapi mempercepat sell-through. Diskon 40% mempercepat lebih jauh tetapi dengan biaya margin yang curam. Model memilih diskon yang memaksimalkan total margin yang diharapkan sepanjang sisa periode penjualan, termasuk probabilitas membutuhkan markdown yang lebih dalam di kemudian hari.

Pertimbangan Spesifik Kategori

Produk fashion dan pakaian memiliki eksposur markdown tertinggi karena gaya berubah-ubah, ukuran memfragmentasi inventaris yang tersisa (banyak XS dan XXL, habis untuk M dan L), dan jendela penjualan relatif pendek. Model AI perlu memperhitungkan deplesi kurva ukuran: meskipun total sell-through terlihat memadai, produk yang telah habis untuk ukuran populer mungkin perlu di-markdown karena ukuran yang tersisa akan terjual lambat.

Elektronik konsumen mengikuti pola yang berbeda. Peluncuran produk baru oleh kompetitor dapat membuat inventaris Anda yang ada menjadi kurang diminati dalam semalam. Model perlu memasukkan tahap siklus hidup produk dan peluncuran kompetitif sebagai fitur. Laptop yang diluncurkan 10 bulan lalu dan akan segera digantikan oleh model baru membutuhkan waktu markdown agresif yang berbeda dari laptop yang baru tiga bulan di pasaran.

Produk rumah dan taman sering memiliki musiman yang kuat dengan pola permintaan yang relatif dapat diprediksi. Model markdown untuk kategori ini dapat lebih mengandalkan kurva musiman historis karena bentuk permintaan tahun-ke-tahun lebih konsisten dibandingkan fashion. Set furnitur teras mengikuti kurva permintaan yang kurang lebih sama setiap tahun, bergeser sesuai pola cuaca.

Pendekatan Implementasi

Sebagian besar retailer mengimplementasikan optimasi markdown AI secara bertahap. Fase satu menggantikan aturan statis dengan rekomendasi yang dihasilkan model yang ditinjau dan disetujui oleh tim merchandising. Model menghasilkan laporan mingguan yang menunjukkan setiap produk yang direkomendasikan untuk markdown (atau penghapusan dari markdown), tingkat diskon yang disarankan, dan alasannya. Merchandiser menerima atau menolak setiap rekomendasi.

Fase dua memperkenalkan otomatisasi untuk keputusan berisiko rendah. Produk di bawah nilai inventaris tertentu atau dalam kategori di mana model telah terbukti akurat dapat menerapkan markdown secara otomatis dalam batasan (diskon maksimum 30%, batas margin minimum, tidak lebih dari satu perubahan per minggu). Merchandiser meninjau keputusan otomatis setelahnya dan dapat menolak untuk siklus berikutnya.

Fase tiga memperluas model untuk mengoptimalkan waktu markdown di seluruh portofolio musiman. Alih-alih mengevaluasi setiap produk secara independen, model mempertimbangkan bagaimana acara promosi berinteraksi (menjalankan markdown pada terlalu banyak produk secara bersamaan mengurangi dampaknya) dan mengalokasikan anggaran markdown di seluruh assortment untuk memaksimalkan total pemulihan margin.

Persyaratan data dapat dikelola. Anda membutuhkan data penjualan harian per SKU selama setidaknya dua tahun untuk menangkap pola musiman, riwayat event markdown dengan tingkat diskon dan tanggal untuk masing-masing, posisi inventaris saat ini, periode penjualan yang direncanakan untuk produk musiman, dan atribut produk (kategori, merek, tingkat harga) untuk analisis kesamaan.

Bagi retailer ecommerce yang mengelola inventaris musiman, perbedaan antara strategi markdown yang baik dan yang buruk sering kali adalah 5-15% dari margin kotor pada produk yang terpengaruh. Diterapkan pada assortment musiman senilai jutaan dalam nilai ritel, pemulihan margin tersebut bertambah menjadi angka yang substansial, sering kali cukup untuk mendanai sistem optimasi beberapa kali lipat sambil memberikan dampak yang berarti pada laba bersih.