IA para Otimização de Markdowns: Quando Dar Desconto e de Quanto

Um retalhista de vestuário que vendia cerca de $45 milhões anualmente através da sua loja online tinha uma estratégia de markdown simples: se um produto não vendesse 60% do seu inventário até ao ponto médio do período de venda planeado, recebia um desconto de 25%. Se ainda tivesse inventário a 75% do período de venda, passava para 40% de desconto. A liquidação era de 60% de desconto.

Quando analisaram os resultados em 1.800 estilos sazonais, descobriram que 34% dos produtos com desconto teriam sido vendidos a preço cheio ou com um desconto menor se tivessem tido mais tempo. Outros 22% precisavam de descontos mais agressivos mais cedo, porque o arranque lento indicava um problema fundamental de procura, não uma questão de timing. A abordagem única para todos estava a custar-lhes cerca de $2,1 milhões por ano em erosão desnecessária de margem.

Porque é que as Regras Padrão de Markdown Destroem a Margem

A abordagem padrão aos markdowns trata todos os produtos da mesma forma, baseando-se apenas na velocidade de sell-through. O Produto A vendeu 40% do seu stock com 50% da janela de venda restante, então recebe um desconto. Mas isto ignora contexto crucial. O produto foi lançado recentemente e ainda está a ganhar notoriedade? Está numa categoria onde as vendas aceleram no final da temporada (como decoração de Natal)? O produto recebeu avaliações positivas mas simplesmente não foi promovido o suficiente?

Diferentes produtos têm curvas de procura fundamentalmente diferentes, e aplicar o mesmo gatilho de markdown a todos eles garante resultados subótimos. Produtos com procura concentrada no início (artigos em tendência, produtos ligados a um evento específico) precisam de markdowns agressivos e antecipados se falharem a sua janela inicial, porque a procura só vai diminuir. Produtos com procura concentrada no final (básicos sazonais, artigos para presente à medida que o feriado se aproxima) podem manter o preço cheio por mais tempo porque a procura vai acelerar naturalmente.

O custo de dar desconto demasiado cedo é invisível mas real. Um markdown de 25% num produto que teria sido vendido a preço cheio duas semanas depois destrói margem em cada unidade vendida durante esse período. Se 200 unidades são vendidas durante a janela de markdown que não precisava de desconto, e o preço médio de venda cai de $50 para $37,50, isso representa $2.500 em perda desnecessária de margem num único produto.

Como o Modelo de IA Aborda os Markdowns

Um modelo de IA para otimização de markdowns avalia cada produto individualmente com base na sua trajetória de procura específica, inventário restante, tempo de venda restante e a resposta esperada a diferentes níveis de desconto. O modelo responde a três perguntas: este produto deve ter desconto agora, se sim qual é a profundidade de desconto ideal, e quando deve ser aplicado o próximo markdown se o atual não atingir o sell-through pretendido.

A análise da trajetória de procura ajusta uma curva ao histórico de vendas do produto e compara-a com produtos semelhantes de temporadas anteriores. Se um casaco de inverno vendeu 300 de 800 unidades nas primeiras seis semanas, o modelo verifica como casacos semelhantes se comportaram no mesmo ponto em anos anteriores. Se produtos semelhantes tipicamente vendiam 35-40% do inventário até à semana seis e depois aceleravam, o ritmo atual é normal e nenhum markdown é necessário. Se produtos semelhantes que venderam apenas 37% até à semana seis historicamente acabaram por precisar de markdowns de 50%+ para escoar, uma ação antecipada é justificada.

A estimativa de elasticidade-preço indica ao modelo quanto volume adicional um determinado desconto vai gerar. Um desconto de 20% num produto com alta elasticidade-preço pode aumentar as vendas semanais em 80%, enquanto o mesmo desconto num produto inelástico pode aumentar as vendas em apenas 20%. O modelo aprende elasticidades ao nível do produto a partir de dados históricos de markdown, analisando o que aconteceu ao volume de vendas quando produtos semelhantes foram descontados no passado.

A otimização calcula então a margem esperada em cada nível de desconto possível. Sem desconto significa maior margem por unidade mas o risco de inventário não vendido no final da temporada. Um desconto de 20% reduz a margem por unidade mas acelera o sell-through. Um desconto de 40% acelera ainda mais mas com um custo de margem acentuado. O modelo seleciona o desconto que maximiza a margem total esperada ao longo do período de venda restante, incluindo a probabilidade de precisar de um markdown mais profundo posteriormente.

Considerações Específicas por Categoria

Produtos de moda e vestuário têm a maior exposição a markdowns porque os estilos entram e saem de moda, os tamanhos fragmentam o inventário restante (muito XS e XXL, esgotado em M e L), e a janela de venda é relativamente curta. O modelo de IA precisa de ter em conta a depleção da curva de tamanhos: mesmo que o sell-through total pareça adequado, um produto que esgotou nos tamanhos populares pode precisar de markdown porque os tamanhos restantes vão vender lentamente.

A eletrónica de consumo segue um padrão diferente. Lançamentos de novos produtos por concorrentes podem tornar o seu inventário existente menos desejável de um dia para o outro. O modelo precisa de incorporar a fase do ciclo de vida do produto e lançamentos competitivos como variáveis. Um portátil lançado há 10 meses e prestes a ser substituído por um novo modelo precisa de um timing de markdown agressivo que difere de um portátil no seu terceiro mês no mercado.

Produtos de casa e jardim frequentemente têm forte sazonalidade com padrões de procura relativamente previsíveis. O modelo de markdown para estas categorias pode apoiar-se mais fortemente em curvas sazonais históricas porque a forma da procura ano após ano é mais consistente do que na moda. Um conjunto de mobiliário de pátio segue aproximadamente a mesma curva de procura todos os anos, ajustada pelos padrões meteorológicos.

A Abordagem de Implementação

A maioria dos retalhistas implementa a otimização de markdowns com IA em fases. A fase um substitui as regras estáticas por recomendações geradas pelo modelo que a equipa de merchandising revê e aprova. O modelo produz um relatório semanal mostrando cada produto que recomenda para markdown (ou remoção de markdown), o nível de desconto sugerido e a justificação. O merchandiser aceita ou anula cada recomendação.

A fase dois introduz automação para decisões de menor risco. Produtos abaixo de um determinado valor de inventário ou em categorias onde o modelo provou a sua precisão podem ter markdowns aplicados automaticamente dentro de limites (desconto máximo de 30%, margem mínima, não mais do que uma alteração por semana). O merchandiser revê as decisões automatizadas após o facto e pode anular para o ciclo seguinte.

A fase três estende o modelo para otimizar o timing de markdowns em todo o portfólio sazonal. Em vez de avaliar cada produto independentemente, o modelo considera como os eventos promocionais interagem (aplicar markdowns em demasiados produtos simultaneamente dilui o seu impacto) e aloca o orçamento de markdown pelo sortido para maximizar a recuperação total de margem.

Os requisitos de dados são geríveis. É necessário ter dados de vendas diárias por SKU de pelo menos dois anos para capturar padrões sazonais, eventos históricos de markdown com o nível de desconto e data de cada um, posições de inventário atuais, períodos de venda planeados para produtos sazonais e atributos do produto (categoria, marca, faixa de preço) para a análise de similaridade.

Para retalhistas de ecommerce que gerem inventário sazonal, a diferença entre uma boa estratégia de markdown e uma má é frequentemente 5-15% da margem bruta nos produtos afetados. Aplicada a um sortido sazonal com valor de milhões em retalho, essa recuperação de margem acumula-se num número substancial, frequentemente suficiente para financiar o sistema de otimização várias vezes e ainda deixar um impacto significativo no resultado final.