Pricing dynamiczny: AI sugeruje ceny per produkt, segment, godzinę — marża +18%

Sytuacja przed wdrożeniem

E-commerce infrastruktury GPU sportowego, 62 osoby, 8 800 SKU. Pricing flat — ceny ustalał product manager raz na kwartał na podstawie kosztu + marża target. Nie patrzyliśmy na konkurencję, sezonowość, intent klienta. W szczycie sprzedaży traciliśmy marżę (sprzedawaliśmy za tanio), w martwym sezonie traciliśmy sprzedaż (za drogo).

Co zrobiliśmy

• AI bada codziennie:
• 1. Ceny u 24 konkurentów (scraping z portali e-commerce).
• 2. Sezonowość per kategoria (rowery wiosną, narty zimą).
• 3. Intent klienta (rosnący/spadający trend searches w Google).
• 4. Marżę cel per kategoria.
• 5. Stocking levels (jeśli mamy 200 sztuk → możemy obniżyć, jeśli 12 → zwiększyć cenę).
• 6. Promocje konkurencji (czy konkurent ma rabat).
• Sugeruje cenę 2x dziennie per SKU.
• Implementacja: jeśli zmiana <3%, AI samo aktualizuje. Powyżej 3% — manager akceptuje.
• Granularność: cena może być różna dla różnych klientów (mobile vs desktop), kategorii, czasu (weekend vs środek tygodnia).
• Hard floors i ceilings: AI nie może podnieść/obniżyć poza zakres ustawiony przez managera.

Rezultat

Marża: +18%. Sprzedaż: +12% (mimo wyższych cen miejscami — sprzedajemy więcej, gdy intent rośnie). Stoki "martwe" zliquidowane szybciej. Conversion rate: stabilny (+/- 1%). Manager pricing zajmuje się strategią, nie aktualizacją cen.