هوش مصنوعی در خرده‌فروشی: موتور تحول در ۲۰۲۶

در بیشتر فروشگاه‌ها دو شکایت هم‌زمان شنیده می‌شود و کمتر کسی آن دو را به هم وصل می‌کند: انبار پر است و قفسه خالی. سرمایه در کالایی خوابیده که به‌کندی می‌فروشد و در همان روز، مشتری برای کالایی که موجود نیست دست خالی برمی‌گردد. هر دو نتیجهٔ یک ضعف‌اند؛ تصمیم سفارش بر پایهٔ میانگین گرفته می‌شود، نه بر پایهٔ الگوی تقاضای هر کالا در هر شعبه.

خرده‌فروشی از معدود صنایعی است که سال‌هاست دادهٔ لازم را تولید می‌کند و کمتر از آن بهره می‌برد. هر رسید صندوق یک مشاهدهٔ کامل است: چه کالایی، در چه ساعتی، در کنار چه کالای دیگری و با چه قیمتی فروخته شد. کاری که مدل‌های امروزی می‌کنند چیزی جز خواندن منظم همین سابقه نیست؛ تفاوتشان در این است که آن را برای هزاران کد کالا و ده‌ها شعبه به‌طور هم‌زمان انجام می‌دهند.

سه کاربردی که زودتر از بقیه جواب می‌دهند

• پیش‌بینی تقاضا در سطح کالا و شعبه: برآورد جداگانه برای هر ترکیب کالا و فروشگاه، به‌جای یک ضریب رشد یکسان برای همه.
• پیشنهاد شخصی‌شده: نمایش کالایی که به سبد فعلی یا خریدهای پیشین مشتری ربط دارد، هم در فروشگاه اینترنتی و هم در پیام‌های پس از خرید.
• قیمت‌گذاری و زمان‌بندی تخفیف: تعیین اینکه کدام کالا در چه زمانی و با چه میزان کاهش قیمت عرضه شود، به‌جای تخفیف یکسان پایان فصل روی همه چیز.

چرا میانگین، بدترین راهنمای سفارش است

تقاضا در خرده‌فروشی به‌ندرت هموار است. نزدیک نوروز، ماه رمضان و شب یلدا ترکیب سبد خرید عوض می‌شود؛ شعبه‌ای در محلهٔ اداری با شعبه‌ای در محلهٔ مسکونی الگوی متفاوتی دارد؛ و یک قلم می‌تواند در دو فروشگاه از یک برند، دو رفتار کاملاً متضاد نشان دهد. میانگین‌گیری روی همهٔ این‌ها دو خطا را هم‌زمان پنهان می‌کند: سفارش بیش از نیاز برای کالای کندفروش و سفارش کمتر از نیاز برای کالایی که تقاضایش دست‌کم گرفته شده است. مدل پیش‌بینی کار تازه‌ای نمی‌کند؛ فقط این تفکیک را برای همهٔ کدهای کالا انجام می‌دهد، کاری که با صفحه‌گسترده شدنی نیست.

قیمت‌گذاری پویا و مرزی که نباید از آن گذشت

تغییر قیمت در طول زمان — تخفیف کالای نزدیک به انقضا یا کاهش قیمت اقلام راکد — رفتاری پذیرفته‌شده است. اما نمایش دو قیمت متفاوت به دو مشتری در یک لحظه، حتی اگر از نظر فنی شدنی باشد، اعتماد را از میان می‌برد و بازگرداندن آن اعتماد بسیار گران‌تر از سود کوتاه‌مدت تمام می‌شود. سه قاعده کار را ایمن نگه می‌دارد: سقف و کف روشن برای هر دسته، ثبت سابقهٔ هر تغییر قیمت، و بازبینی انسانی برای تخفیف‌های بزرگ.

چرا برای کسب‌وکارهای کوچک و متوسط ایران مهم است

وقتی هزینهٔ تأمین مالی بالاست، کالایی که ماه‌ها در انبار می‌ماند صرفاً فضا اشغال نمی‌کند؛ پولی را قفل می‌کند که می‌توانست جای دیگری کار کند. به همین دلیل اثر بهبود پیش‌بینی در ایران زودتر از بسیاری بازارها در صورت‌های مالی دیده می‌شود. نکتهٔ دوم اینکه بیشتر فروشگاه‌ها سابقهٔ فروش خود را در سامانهٔ صندوق دارند؛ آنچه کم است نه داده، که نظم داده است.

نقشهٔ ۹۰ روزهٔ شروع

• روز ۱ تا ۳۰: یک دستهٔ کالا را انتخاب کنید که هم گردش خوبی دارد و هم مشکل موجودی‌اش ملموس است. دست‌کم یک سال سابقهٔ فروش روزانه را استخراج کنید و رویدادهای غیرعادی — تعطیلی، قطع تأمین، تخفیف ویژه — را در همان جدول علامت بزنید.
• روز ۳۱ تا ۶۰: پیش‌بینی را بسازید و نخست روی گذشته بسنجید: اگر این مدل سه ماه پیش وجود داشت، چه سفارشی می‌داد و نتیجه چه می‌شد؟ خروجی را کنار تصمیم واقعی تیم خرید بگذارید.
• روز ۶۱ تا ۹۰: پیشنهاد مدل را به‌عنوان مشورت در اختیار تیم خرید بگذارید، نه به‌عنوان دستور. اگر نرخ کمبود قفسه پایین آمد بدون آنکه موجودی کل بالا برود، دامنه را به دستهٔ بعد گسترش دهید.

خطاهای پرتکرار

• شروع از کل فروشگاه به‌جای یک دستهٔ کالا؛ نتیجه پروژه‌ای می‌شود که هیچ‌گاه به ارزیابی نمی‌رسد.
• ندیدن رویدادهای بیرونی در داده؛ مدلی که نمی‌داند هفتهٔ گذشته تعطیلی رسمی بوده، افت فروش را الگویی دائمی می‌پندارد.
• سنجش پیشنهاد شخصی‌شده با نرخ کلیک به‌جای فروش واقعی؛ کلیک بیشتر همیشه به سبد بزرگ‌تر نمی‌انجامد.
• اعتماد کامل به پیش‌بینی برای کالایی که تازه معرفی شده و هیچ سابقه‌ای ندارد.

سه اقدام برای همین فصل

• فهرست ده کالایی را دربیاورید که بیشترین دفعات کمبود قفسه را داشته‌اند و همان‌ها را نقطهٔ شروع بگذارید.
• سابقهٔ فروش روزانه را از سامانهٔ صندوق در یک جدول یکپارچه جمع کنید، جدا از گزارش‌های ماهانه.
• دو عدد را ثبت کنید: نرخ کمبود قفسه و گردش موجودی همان دسته، تا سه ماه بعد قابل مقایسه باشد.

پرسش‌های پرتکرار

• برای کالای تازه که سابقهٔ فروش ندارد چه باید کرد؟
  پیش‌بینی را بر پایهٔ کالاهای مشابه در همان دسته آغاز کنید و در هفته‌های نخست، سفارش را محتاطانه و کوتاه‌بازه نگه دارید تا داده جمع شود.
• آیا برای پیشنهاد شخصی‌شده باید مشتری را شناسایی کنیم؟
  از ابتدا لازم نیست. تحلیل هم‌خریدی — اینکه کدام کالاها معمولاً با هم خریده می‌شوند — بدون هیچ اطلاعات هویتی کار می‌کند و اغلب نخستین بهبود ملموس را به‌دست می‌دهد.
• فروشگاه فیزیکی هم می‌تواند از این ابزارها استفاده کند؟
  بله. پیش‌بینی موجودی و اصلاح چیدمان قفسه تنها به دادهٔ صندوق نیاز دارند و به فروش اینترنتی وابسته نیستند.

جمع‌بندی

در خرده‌فروشی، فاصلهٔ میان یک تصمیم خوب و یک تصمیم پرهزینه معمولاً به کیفیت داده برمی‌گردد نه به پیچیدگی مدل. یک دستهٔ کالا، یک سال سابقهٔ مرتب و دو شاخص روشن — نرخ کمبود قفسه و گردش موجودی — برای شروع کافی است؛ گسترش را به پس از دیدن نتیجه موکول کنید.

واژه‌نامه

• کد کالا: شناسهٔ یکتای هر قلم قابل فروش، پایهٔ هر تحلیل موجودی.
• نرخ کمبود قفسه: نسبت دفعاتی که مشتری کالای موردنظر را موجود نمی‌یابد.
• گردش موجودی: سرعت فروش و جایگزینی کالا در یک دورهٔ زمانی.
• تحلیل هم‌خریدی: شناسایی کالاهایی که معمولاً در یک سبد کنار هم خریده می‌شوند.
• کشش قیمتی: میزان تغییر تقاضا در پاسخ به تغییر قیمت.
• عدد پایه: اندازهٔ ثبت‌شدهٔ یک شاخص پیش از تغییر، معیار سنجش بهبود.