Jak AI monitoruje ceny i dostępność u konkurencji w e-commerce spożywczym?

System podłączony do sklepów konkurencji zbiera ceny, gramaturę i dostępność kilka razy dziennie, a AI dopasowuje każdy produkt do odpowiednika i wskazuje, gdzie twój koszyk wychodzi drożej niż u Frisco, Barbory czy Carrefoura Online. Dane są publiczne: żadnych umów ze sklepami, żadnych integracji API po ich stronie. Menedżer kategorii dostaje rano gotowy plik propozycja_zmian_cen.xlsx z uzasadnieniem i listą produktów do decyzji, a nie surową tabelkę do samodzielnego przeszukiwania.

Co system zbiera zanim AI cokolwiek policzy

Podstawa to lista sklepów do obserwacji. W e-commerce spożywczym to najczęściej kilka z tych: Frisco, Barbora, Lisek, Carrefour Online, Auchan Online, Żabka Jush. Przy drogeriach dochodzą Rossmann, Hebe i Drogerie.pl. Marketplace'y: Allegro i Amazon, gdy firma tam sprzedaje lub gdy tam sprzedaje konkurencja.

Z każdego sklepu system wyciąga dla każdego produktu:

• Cena brutto i cena przed promocją, gdy trwa promocja
• Gramatura i jednostka miary: gramy, mililitry, sztuki, rolki
• Cena jednostkowa wyliczona przez sklep, np. za 100 g albo za 1 litr. Jeśli sklep jej nie podaje, system wylicza sam z ceny i gramatury
• Dostępność: czy produkt jest w sprzedaży, czy widnieje jako niedostępny lub w ogóle zniknął z katalogu
• Kod EAN z opisu produktu lub ze struktury strony
• Nazwa i opis produktu, który posłuży do dopasowania, gdy EAN brakuje

Dane zbieramy kilka razy dziennie, bo ceny w sprzedaży online potrafią zmienić się w ciągu godzin. Każdy zapis trafia do tabeli ceny_konkurencji z polami: sklep, ean, nazwa, gramatura, jednostka, cena_brutto, cena_przed_promocja, cena_za_jednostke, dostepnosc, data_pobrania. Historię trzymamy. To pozwala sprawdzić, od kiedy cena u konkurenta poszła w dół, a nie tylko że jest niska teraz.

Pułapka dopasowania, którą omija co drugi taki system

Tu jest sedno, które rozbija wiele prób zbudowania monitoringu cen samodzielnie. Dopasowanie po nazwie produktu to za mało, jeśli nie weźmiesz pod uwagę gramatury.

Konkretny przykład: mleko UHT 3,2% jednego producenta. Ty sprzedajesz w pakiecie 6 x 1 litr. Frisco ma ten sam produkt w pakiecie 12 x 1 litr i osobno w pojemniku jednorazowym. Jeśli system bez głowienia się porówna cenę brutto twojego 6-paka z ceną 12-paka u konkurenta, wyjdzie, że konkurent jest dwa razy droższy. Menedżer zobaczy, że jesteście najtańsi. Wniosek będzie zupełnie fałszywy.

Dlatego w polu cena_za_jednostke zawsze wyliczamy cenę za 100 g albo za 1 litr, niezależnie od tego, czy sklep ją podaje. Dopiero ta liczba nadaje się do porównania. Dopasowanie produktów oznaczamy jako:

• para_pewna: ten sam EAN, ta sama gramatura
• para_gramatury: ten sam EAN, inna gramatura. Porównujemy wyłącznie na podstawie ceny jednostkowej
• para_semantyczna: brak wspólnego EAN, AI dopasował po nazwie i opisie. Wymaga przeglądu przed użyciem w raportach

Przy parach gramatury AI opisuje różnicę wprost: "opakowanie 400 g vs 450 g, cena za 100 g: twoja 1,85 zł, konkurent 1,72 zł". Menedżer nie musi rozgrzebywać przeliczników samodzielnie.

Jak AI dopasowuje produkt, gdy kody się nie zgadzają

Praca AI zaczyna się tam, gdzie kody EAN zawodzą albo ich po prostu nie ma. W sprzedaży spożywczej to częsta sytuacja: sklepy własne marki, produkty sprzedawane luzem, wielopaki skrojone przez dany sklep pod własną ofertę.

Procedura dopasowania wygląda tak:

• Krok 1: sprawdzamy EAN. Jeśli ten sam EAN pojawia się w twoim katalogu i w danych z obserwowanego sklepu, mamy parę pewną. Koniec poszukiwań.
• Krok 2: jeśli EAN nie pasuje lub go brakuje, AI bierze nazwę, producenta i gramaturę z obu stron i porównuje je semantycznie. Twaróg ziarnisty 200 g to nie to samo co twaróg homogenizowany 200 g tej samej marki: AI to rozróżni.
• Krok 3: jeśli pewność dopasowania spada poniżej progu ustawionego na etapie wdrożenia, para trafia do kolumny do_weryfikacji. Menedżer albo asystent kategorii przegląda ją raz w tygodniu i zatwierdza albo odrzuca każdą parę.

Zatwierdzone pary zapamiętuje system. Następnym razem ten sam produkt przechodzi bez przeglądu. W praktyce po pierwszych dwóch tygodniach ręcznego sprawdzania zostaje już tylko garstka nowych produktów do potwierdzenia.

Zdarzyło się u jednego klienta, że ich prywatna marka jogurtu była błędnie dopasowywana do jogurtu innego producenta, bo nazwy były prawie identyczne. Po jednym cyklu tygodniowego przeglądu para była odrzucona i wykluczona z porównań na stałe. System nauczył się ich katalogu i nie wracał do tego błędu.

Skąd AI wie, na którym koszyku klient naprawdę porównuje ceny

Pojedyncze produkty to nie ten poziom, na którym klient decyduje, gdzie zrobi zakupy. Klient patrzy na sumę przy kasie. Dlatego obok raportu cenowego prowadzimy coś, co nazywamy koszyk_referencyjny.

To lista kilkudziesięciu lub kilkuset produktów, które faktycznie kupuje typowa osoba zamawiająca w sklepie. Składamy ją z danych o zamówieniach: które produkty pojawiają się razem najczęściej, które są w każdym zamówieniu niezależnie od kategorii. Zwykle trafiają tu produkty z grup: nabiał, pieczywo, wędliny, napoje, podstawowe artykuły sypkie.

AI raz dziennie liczy, ile kosztowałby ten koszyk kupiony w całości u ciebie i ile u każdego obserwowanego konkurenta. Do porównania używa tylko par pewnych i par gramatury, nie semantycznych. Wynik ląduje w pliku koszyk_dzienny.xlsx z podziałem na sklepy i kategorie.

Ten raport pokazuje to, czego zwykłe zestawienie cenowe nie pokaże. Możesz być tańszy na serku wiejskim i wyraźnie droższy na sokach. Jeśli soki są w koszyku pięć razy częściej niż serek, koszyk łączny wychodzi u ciebie drożej mimo atrakcyjnych cen na wielu pozycjach. AI wyróżnia w raporcie, które kategorie ciągną koszyk w górę. Menedżer widzi to od razu: nie szuka wzrokiem po tabelce.

Co AI przygotowuje dla menedżera kategorii rano

Finałem nie jest sam raport z liczbami. Finałem jest gotowy dokument propozycja_zmian_cen.xlsx w skrzynce albo w narzędziu portalu. W każdym wierszu:

• Nasz SKU i nazwa produktu
• Obecna cena brutto i cena jednostkowa
• Najniższa cena u obserwowanego konkurenta z informacją, który sklep ją ma
• Różnica w cenie jednostkowej wyrażona w złotych
• Czy produkt jest w koszyku referencyjnym i jak często
• Rekomendacja AI: np. "cena za 100 g powyżej minimum rynkowego, produkt w górnych pozycjach koszyka, rekomendacja: obniżka do rozważenia przez kategorię"
• Dostępność: czy konkurent ma produkt aktualnie na stanie, bo brak u konkurenta zmienia kontekst całej decyzji

AI nie zmienia cen samodzielnie. To jest ważne. Propozycja trafia do menedżera, który decyduje. Powodów do nieobniżania ceny mimo sygnału AI jest dużo: wyższa jakość, kontrakt z dostawcą, planowana akcja promocyjna za tydzień, celowa polityka marżowa w danej kategorii. AI tego nie wie. Menedżer wie.

Oprócz propozycji zmian cen AI przygotowuje co tydzień plik raport_brakow.xlsx: produkty, które są aktywnie sprzedawane u co najmniej dwóch obserwowanych sklepów, a nie ma ich w waszym katalogu. Sygnał dla kategorii o lukach asortymentowych, które warto sprawdzić zanim zrobi to klient kupując u konkurenta.

Dostępność u konkurenta to też informacja, nie tylko cena

Jeden z niedocenianych wyników monitoringu to właśnie dane o dostępności. Gdy Barbora od trzech dni nie ma mleka konkretnej marki, a Frisco ma, to sygnał dla twojego kupca. Może warto zadzwonić do dostawcy i sprawdzić, czy mają zapas i jak długo.

System śledzi pole dostepnosc z historią dla każdego produktu. AI raz dziennie sprawdza, które produkty z koszyka referencyjnego mają braki u dwóch lub więcej obserwowanych sklepów jednocześnie. Taki produkt ląduje w pliku alert_dostepnosc.txt z datą pierwszego braku. Menedżer zakupów dostaje go automatycznie rano, bez konieczności zaglądania do żadnych raportów osobno.

Alerty dostępności działają też w drugą stronę. Gdy wasz produkt jest chwilowo niedostępny, a u kilku konkurentów jest normalnie dostępny, to sygnał, żeby nie odkładać decyzji o uzupełnieniu zamówienia.

Od czego zaczynamy, zanim system ruszy

Kilka rzeczy musi być gotowych po twojej stronie przed uruchomieniem monitoringu:

• Eksport katalogu produktów z polami: EAN (koniecznie), nazwa, producent, gramatura, jednostka miary, aktualna cena brutto. Format CSV albo XLSX wystarczy. Jeśli katalog jest w Shoperze, WooCommerce albo BaseLinkerze, ten eksport da się przygotować w kilka minut.
• Lista sklepów do obserwacji. Trzy, pięć sklepów to dobry start. Dobieramy je do tego, gdzie realnie traci się klienta, nie do tego, kto jest najbardziej rozpoznawalny w branży.
• Koszyk referencyjny albo dane o zamówieniach, z których go złożymy. Eksport zamówień z ostatnich kilku miesięcy wystarczy: z niego AI sam wyciągnie, które produkty tworzą "koszyk klientów".
• Właściciel raportu. Najczęściej to menedżer kategorii albo buyer. Raport musi trafić do konkretnej osoby, bo inaczej nikt go nie otwiera rano.

Budowę zaczynamy od jednej kategorii produktowej. Po tygodniu pracy na danych z kategorii, powiedzmy "nabiał", widać już, czy dopasowania są trafne, czy koszyk referencyjny ma sens i czy raporty dają informacje, które menedżer chce widzieć. Potem rozszerzamy na kolejne kategorie, a nie przebudowujemy całości od nowa.

Jeśli chcesz sprawdzić, jak to zadziała na twoim katalogu i danych z konkretnych sklepów, umów 15 minut rozmowy. Możesz też zajrzeć do realnych wdrożeń, żeby zobaczyć, jak ten model sprawdził się u innych firm z e-commerce.