Οι υπηρεσίες σύγκρισης τιμών παίζουν καταλυτικό ρόλο στη διαδικασία αγορών. Ισχύει αυτό και για τις αγορές τροφίμων; Έχει νόημα να διαμορφώνονται οι τιμές δυναμικά ακόμα και μέσα στην ίδια μέρα; Είναι έτοιμη η τεχνητή νοημοσύνη να αναλάβει αυτό το ρόλο, χωρίς έγκριση από άνθρωπο;

Οι υπηρεσίες σύγκρισης τιμών παίζουν καταλυτικό ρόλο στη διαδικασία αγορών. Ισχύει αυτό και για τις αγορές τροφίμων; Έχει νόημα να διαμορφώνονται οι τιμές δυναμικά ακόμα και μέσα στην ίδια μέρα; Είναι έτοιμη η τεχνητή νοημοσύνη να αναλάβει αυτό το ρόλο, χωρίς έγκριση από άνθρωπο;

Περισσότερες από μια φορές μου έχει συμβεί να μπω σε κάποιο κατάστημα για την πραγματοποίηση μιας αυθόρμητης αγοράς και λίγο πριν το ταμείο να προβληματιστώ για το αν θα μπορούσα να βρω το προϊόν που έχω επιλέξει σε χαμηλότερη τιμή σε ένα άλλο κατάστημα ή για το αν υπάρχει πιθανότητα να βγει στο άμεσο μέλλον σε προσφορά από κάποια άλλη αλυσίδα καταστημάτων. Μετά την οικονομική κρίση του 2010, αγοραστικές συμπεριφορές όπως η παραπάνω έγιναν κανονικότητα για τη συντριπτική πλειονότητα των αγοραστών.

Όμως, σε ό,τι αφορά τα τρόφιμα, δεδομένου ότι οι διαφορές τιμής μεταξύ κωδικών της ίδιας κατηγορίας είναι συνήθως αρκετά μικρές, είναι μάλλον δύσκολο κάποιος που θα μπει σε ένα κατάστημα να αναρωτηθεί την τελευταία στιγμή αν το καλάθι των αγορών του είναι αρκετά ακριβότερο συγκριτικά με κατάστημα κάποιας άλλης αλυσίδας. Συνήθως, κάνουμε τις αγορές μας βάσει συνδυασμού παραμέτρων, όπως η τιμή, η ευκολία πρόσβασης στο κατάστημα, η ποικιλία των προϊόντων στο ράφι και φυσικά η ποιότητα, κυρίως των μη τυποποιημένων προϊόντων. Η τιμή παίζει καταλυτικό ρόλο, αλλά δεδομένου ότι μπορεί να επισκεπτόμαστε καταστήματα τροφίμων ίσως και πάνω από δύο φορές την εβδομάδα, έχουμε καταλήξει -οι περισσότεροι τουλάχιστον- είτε με εμπειρικό τρόπο είτε με πιο αναλυτική έρευνα, σε μια βασική αλυσίδα αγορών, που ταιριάζει καλύτερα στις ανάγκες μας.

Διαμόρφωση τιμών στο φυσικό και ψηφιακό ράφι σε πραγματικό χρόνο
Η δυνατότητα να γίνονται αλλαγές στις τιμές προϊόντων στο ράφι έχει παρελθόν σχεδόν δύο δεκαετιών. Η Carrefour Μαρινόπουλος ήταν η πρώτη αλυσίδα που αξιοποίησε τις ηλεκτρονικές ετικέτες στα ράφια, τις οποίες υιοθέτησε η Σκλαβενίτης μετά την εξαγορά της. Οι ετικέτες ήταν συνδεδεμένες με το πληροφοριακό σύστημα της εταιρείας και είτε με ένα προκαθορισμένο υπολογιστικό μοντέλο είτε χειροκίνητα διαμόρφωναν την τιμή ενός περιορισμένου αριθμού προϊόντων, κυρίως ευπαθών. Η τιμή εξαρτιόταν συνήθως από την ποσότητα του προϊόντος που «κινδύνευε» να μείνει στο ράφι και να απαξιωθεί την επόμενη μέρα.

Θα κάνουμε ένα άλμα στο χρόνο και στο χώρο και θα πάμε στη Ρωσία, όπου μέσα στο 2021 η αλυσίδα ηλεκτρονικών ειδών M.Video, παρουσίασε μια υπηρεσία εξατομικευμένης διαμόρφωσης τιμής, χρησιμοποιώντας τεχνολογία AI. Η νέα υπηρεσία εγγυάται ότι οι πελάτες θα πάρουν την καλύτερη έκπτωση βάσει των προηγούμενων αγορών τους και των διαθέσιμων προσφορών. Σύμφωνα με την εταιρεία, τους πρώτους μήνες μετά το λανσάρισμα της υπηρεσίας το conversion rate της εφαρμογής για φορητές συσκευές αυξήθηκε κατά 1,5 φορές.

Είναι όμως αυτός αρκετός λόγος για να εφαρμόσουν οι αλυσίδες τροφίμων λύσεις δυναμικής διαμόρφωσης των τιμών στα φυσικά τους καταστήματα; Για μισό λεπτό… Οι αλυσίδες τροφίμων δεν έχουν μόνο φυσικά καταστήματα. Η έναρξη της πανδημίας λειτούργησε καταλυτικά στη μετάβαση στην ψηφιακή εποχή των ελληνικών εταιρειών και σε εντυπωσιακό βαθμό και των αλυσίδων τροφίμων, οι οποίες διαθέτουν πλέον στο σύνολο τους ψηφιακά καταστήματα. Αυτό θεωρητικά σημαίνει ότι ο πελάτης έχει σε μεγαλύτερο βαθμό τη δυνατότητα να συγκρίνει τιμές προϊόντων ή και το κόστος συνολικά του καλαθιού αγορών του. Επομένως, η δυναμική διαμόρφωση των τιμών, θα μπορούσε να παίξει καθοριστικό ρόλο στις online αγορές. Η παραπάνω υπόθεση έχει επαληθευτεί ήδη σε άλλες κατηγορίες αγορών, όπως τα ηλεκτρονικά είδη, όπου η σύγκριση τιμών, μέσω των διαθέσιμων σχετικών εφαρμογών και site, επηρεάζει σημαντικά την τελική επιλογή του σημείου αγοράς.

Για να έχει τη δυνατότητα η επιχείρηση να διαμορφώνει τις τιμές των προϊόντων με ταχύτητα ανάλογη των ανταγωνιστών της, ώστε να είναι πράγματι ανταγωνιστική, διασφαλίζοντας όμως και την κερδοφορία της, θα πρέπει να έχει άμεση πρόσβαση σε στοιχεία που αφορούν δεκάδες χιλιάδες κωδικούς στην περίπτωση ενός μέσου φυσικού καταστήματος και εντυπωσιακά πολλαπλάσιους στην περίπτωση ενός ψηφιακού. Εδώ θα μπορούσε μια τεχνητή νοημοσύνη να αξιοποιηθεί για να διαμορφώσει προτάσεις διαμόρφωσης τιμών ανά κατηγορία, προκειμένου, ανάλογα με τους στόχους της επιχείρησης, να αυξηθεί ο κύκλος εργασιών ή/και η κερδοφορία.

Απέναντι στον ανταγωνισμό
Πριν από την εμφάνιση του Internet, ένα κατάστημα τροφίμων θα έπρεπε να ελέγχει περίπου 4.000 συνδυασμούς αρχικής τιμής προϊόντων και τιμών προσφοράς ανά τρίμηνο για να είναι ανταγωνιστικό. Σήμερα, χρειάζεται να ελέγχει περίπου 60 εκατομμύρια συνδυασμούς την ημέρα. Η χρήση της τεχνητής νοημοσύνης είναι μονόδρομος και επιτρέπει στους λιανέμπορους να εφαρμόσουν πιο πολύπλοκες στρατηγικές, δίνοντας εντολές όπως «ταίριαξε την τιμή μου με την τιμή του ανταγωνιστή» ή «θέλω να είναι αυτό το προϊόν το τρίτο ακριβότερο συγκριτικά με τον ανταγωνισμό».

Η τροφοδότηση της τεχνητής νοημοσύνης με ροές δεδομένων την εκπαιδεύει ώστε να μάθει ποια προϊόντα έχουν ελαστικές τιμές και ποια όχι. Για παράδειγμα, το χαρτί τουαλέτας μπορεί να είναι ένα προϊόν σχετικά ανελαστικής τιμής, ενώ το αποσμητικό τουαλέτας που κάποιος ίσως αγοράσει συνδυαστικά έχει μεγαλύτερη ελαστικότητα τιμής. Αυτός είναι ίσως και ο μόνος τρόπος που θα μπορούσε μια επιχείρηση να αποφύγει την καταστροφική πολιτική της καθολικής μείωσης τιμών σύμφωνα με τη χαμηλότερη τιμή προϊόντος κάθε ανταγωνιστή.

Είναι γεγονός ότι οι εταιρείες λιανικής γενικότερα και τροφίμων ειδικότερα χρησιμοποιούν εργαλεία ανάλυσης δεδομένων για να διαμορφώσουν τις τιμές τους. Τα εργαλεία analytics είναι διαθέσιμα στην αγορά για παραπάνω από μια εικοσαετία και έχουν εξελιχθεί σημαντικά σε σχέση με τα αρχικά τους στάδια. Ωστόσο, οι αλγόριθμοι που χρησιμοποιούν βασίζονται σε κανόνες, οι οποίοι είναι αρκετά αυστηροί και συχνά αποτελούνται από if/then, όπου το if αντιπροσωπεύει μικρό εύρος παραγόντων που θα μπορούσαν να επηρεάσουν την τιμή του προϊόντος. Οι αλγόριθμοι μηχανικής μάθησης έχουν εκ κατασκευής μια πιο ευέλικτη μορφή, η οποία τους επιτρέπει να εκπαιδεύονται και να αποκτούν με το πέρασμα του χρόνου προγνωστικές δυνατότητες μεγάλης ακρίβειας. Επομένως, ο κατασκευαστής τους μπορεί με την ίδια ευκολία να προσθέσει στη διαδικασία εκπαίδευσής τους την τιμή ενός προϊόντος στο ράφι του ανταγωνιστή, τις καιρικές συνθήκες, τα σχόλια που εμφανίζονται για το προϊόν στα κοινωνικά δίκτυα και οτιδήποτε άλλο για το οποίο έχει δεδομένα, ενώ μπορεί να αναζητήσει και δεδομένα σε ψηφιακή μορφή.

Γιατί όχι λοιπόν;
Δεν υπάρχει λόγος άρνησης υιοθέτησης μιας τεχνολογίας που αργά ή γρήγορα θα την αξιοποιήσει κάποια από τις εταιρείες της αγοράς. Και μόνο το γεγονός ότι υπάρχει πιθανότητα η κίνηση αυτή να της δώσει ανταγωνιστικό πλεονέκτημα είναι αρκετό για να θέσει όλη την αγορά σε εγρήγορση.

Ωστόσο, η μη άρνηση δε σημαίνει ανεπιφύλακτη κατάφαση. Σε σχέση με τους δοκιμασμένους αλγόριθμους data analytics, οι αλγόριθμοι μηχανικής μάθησης είναι ακόμα στα πρώτα στάδια εξέλιξης. Οπότε, είναι πιθανό να κάνουν λάθη στις προβλέψεις τους. Πόσο σημαντικά; Τόσο ώστε να… ρίξουν δύο αεροπλάνα και να σκοτώσουν μερικές εκατοντάδες ανθρώπους! Βέβαια, μια λανθασμένη επιλογή τιμής δεν είναι δυνατό να προκαλέσει τόσο μεγάλο πρόβλημα. Ή μήπως μπορεί;

Οι ίδιοι οι κατασκευαστές των αλγορίθμων συνιστούν στο ξεκίνημα της χρήσης τους να υπάρχει επίβλεψη. Όπως επιβλέπουμε ένα παιδί που κάνει τα πρώτα του βήματα. Σε αυτό το στάδιο, μπορούμε να διαπιστώσουμε λανθασμένες προβλέψεις του αλγόριθμου και στη συνέχεια, με πολύ δουλειά και αρκετή τύχη, να καταλάβουμε γιατί τις έκανε. Σε αρκετές περιπτώσεις ίσως να μη βρούμε το γιατί, οπότε θα πρέπει να προσφύγουμε σε μια διαφορετική διαδικασία εκπαίδευσης.

Η ποιότητα των δεδομένων για παράδειγμα παίζει καταλυτικό ρόλο. Σε ένα δεύτερο στάδιο μπορούμε να αφήσουμε τον αλγόριθμο ελεύθερο να κάνει κάποιες επιλογές χωρίς επίβλεψη και τελικά να του δώσουμε πλήρη ελευθερία. Η διαδικασία μετάβασης από το ένα στάδιο στο άλλο μπορεί να κρατήσει ακόμα και χρόνια. Επίσης, όπως μας έδειξαν ατυχή περιστατικά στον χρηματοοικονομικό τομέα, είναι πιθανό η ελευθερία αυτή να περιοριστεί από κανόνες εκ των υστέρων.