Optimisasi Promosi di Retail: Cara Mendongkrak Profit

Promosi dapat menghasilkan 10% hingga 45% dari total pendapatan bagi supermarket, discounter, apotek, dan peritel massal, namun 20% hingga 50% promosi tidak menghasilkan lift penjualan yang terlihat atau bahkan bisa menurunkan penjualan. Sebanyak 20% hingga 30% lainnya mengencerkan margin karena penjualan tambahan tidak menutupi biaya penawaran, menurut penelitian tentang optimisasi promosi retail.

Itu mengubah pertanyaan yang seharusnya diajukan peritel. Tujuannya bukan menciptakan lonjakan unit terbesar. Tujuannya adalah menghasilkan profit inkremental bersih, setelah memperhitungkan permintaan dasar (baseline), kanibalisasi, pembelian yang dimajukan (pull-forward), biaya diskon, dan biaya eksekusi. Eksposur juga penting. Pembeli tidak bisa merespons penawaran yang bagus jika mereka tidak pernah melihatnya.

Panduan ini menyajikan pendekatan praktis untuk optimisasi promosi di retail, mulai dari persiapan data dan segmentasi hingga pemodelan permintaan, pengujian skenario, aturan inventaris, dan pengukuran pasca-kampanye. AI dapat membuat proses tersebut lebih mudah diakses oleh UKM, tetapi hanya jika tim memberi model data yang bersih, batasan yang masuk akal, dan definisi keberhasilan yang tepat.

Mengapa Optimisasi Promosi Penting Sekarang untuk Pertumbuhan Retail

Seorang peritel bisa meningkatkan penjualan unit namun tetap mendapatkan profit lebih kecil. Diskon mungkin mensubsidi pembeli yang sebenarnya akan tetap membeli, mengalihkan permintaan dari produk lain, atau memajukan pembelian di masa depan ke periode saat ini. Kinerja promosi karena itu bergantung pada profit inkremental bersih dan eksposur pelanggan, selain pendapatan dan lift unit.

Temuan BCG menunjukkan mengapa perbedaan ini penting. 20% hingga 50% promosi tidak menghasilkan lift yang terlihat atau menurunkan penjualan, sementara 20% hingga 30% lainnya mengencerkan margin karena penjualan tambahan gagal menutupi biaya promosi, seperti yang didokumentasikan dalam analisis promosi retail. Peritel perlu memisahkan permintaan inkremental dari pembelian yang akan terjadi dalam kondisi normal. Mereka juga perlu memeriksa apakah pembeli melihat penawaran tersebut sebelum merespons dengan diskon yang lebih dalam.

Definisi komersial dari keberhasilan

Kartu penilaian yang praktis memisahkan bagian-bagian dari hasil promosi:

• Penjualan baseline, permintaan yang diperkirakan tanpa penawaran.
• Lift promosi kotor, peningkatan yang diamati selama kampanye.
• Kanibalisasi, permintaan yang berpindah dari produk terkait.
• Pull-forward, pembelian yang dipindahkan dari periode selanjutnya.
• Volume inkremental bersih, permintaan yang tersisa setelah pengurangan tersebut.
• Profit inkremental, volume bersih dikalikan margin, dikurangi biaya promosi dan eksekusi.

Perhitungan ini memberi analis dasar yang lebih baik untuk membandingkan mekanisme penawaran, produk, toko, waktu, dan titik harga. Ini juga mengurangi pengulangan otomatis kalender tahun lalu. Sebuah promosi bisa terlihat berhasil dalam laporan penjualan namun gagal dalam uji profit setelah kanibalisasi, pull-forward, dan biaya eksekusi diperhitungkan.

Mengapa AI mengubah percakapan perencanaan

Perencanaan promosi retail telah berkembang dari pekerjaan kalender manual menjadi alur kerja yang mencakup persiapan data, pengelompokan toko dan produk, estimasi permintaan, analisis sensitivitas, dan pengukuran dampak, seperti yang dijelaskan dalam kerangka kerja optimisasi promosi modern.

Adopsinya masih belum merata. Snapshot pasar DemandTec 2024 melaporkan bahwa hanya 20% peritel yang secara efektif mengoptimalkan dana perdagangan (trade funds), sementara 54% peritel grosir sangat setuju bahwa mereka menggunakan platform optimisasi untuk memaksimalkan efektivitas promosi. Hanya 31% peritel grosir yang sangat setuju bahwa mereka dapat mengidentifikasi promosi yang buruk atau tidak efektif, menurut sumber yang sama.

AI mendukung penilaian komersial, bukan menggantikannya. Ini memungkinkan tim kecil untuk menguji lebih banyak skenario, menandai respons yang tidak biasa, dan memantau hasil tanpa harus membangun ulang spreadsheet secara manual. Bagi UKM, keuntungan praktisnya adalah pemilihan penawaran yang lebih terperinci (granular), dengan mekanisme atau titik harga berbeda di mana bukti toko dan produk mendukungnya, bukan diskon luas yang diterapkan di semua tempat.

Tim yang membangun landasan tersebut dapat merujuk pada panduan lengkap analitik retail ini.

Bangun Landasan Data Anda dan Segmentasikan Toko serta Produk

Model promosi hanya seandal catatan yang mendasarinya. Sebelum mengestimasi permintaan, buat tampilan yang konsisten tentang apa yang terjual, pada harga berapa, di lokasi mana, selama periode apa, dan dalam kondisi promosi seperti apa.

Alur kerja praktisnya dimulai dengan lima aktivitas yang saling terkait:

1. Kumpulkan riwayat transaksi. Tangkap unit, pendapatan, pengidentifikasi produk, toko atau kanal, tanggal transaksi, dan penanda promosi.
2. Tambahkan riwayat harga. Pisahkan harga reguler, harga promosi, markdown, mekanisme multibeli, dan penawaran khusus loyalitas jika tersedia.
3. Sertakan konteks kalender. Catat hari kerja, musim, hari libur, siklus gajian, acara lokal, dan periode kampanye yang dapat memengaruhi permintaan.
4. Susun informasi produk. Petakan SKU ke kategori, merek, ukuran kemasan, keluarga produk, serta barang substitusi atau pelengkap.
5. Bersihkan dan agregasikan. Selesaikan pengidentifikasi duplikat, sesuaikan format tanggal, tangani nilai yang hilang, hapus kesalahan data yang jelas, dan agregasikan informasi pada tingkat produk, toko, dan waktu yang bermanfaat.

Mengapa segmentasi tidak boleh dilewatkan

Sebuah toko kelontong di pusat kota dan hypermarket di pinggiran kota tidak akan merespons promosi yang sama dengan cara yang sama. Produk yang sama juga bisa berperilaku berbeda di berbagai wilayah, kanal, atau format toko.

Clustering menciptakan kelompok yang dapat diperbandingkan sebelum model mengestimasi respons. Sinyal segmentasi yang bermanfaat meliputi:

• Karakteristik toko, seperti format, wilayah, misi pelanggan, dan area penjualan.
• Pola penjualan, termasuk volume, musiman, frekuensi promosi, dan bauran kategori.
• Perilaku produk, seperti jenis merek, tingkatan harga, format kemasan, kemampuan substitusi, dan profil margin.
• Kondisi operasional, termasuk ketersediaan, kadensi pengisian ulang, dan penataan produk lokal.

Alasan analitisnya sederhana. Jika toko-toko yang heterogen diperlakukan sebagai identik, model akan merata-ratakan pola permintaan yang berbeda-beda. Hal ini melemahkan perkiraan baseline dan dapat menghasilkan kalender promosi yang tidak benar-benar cocok untuk kelompok toko tertentu.

Pemeriksaan kesiapan untuk UKM

Sebelum menghubungkan platform analitik data, validasi pertanyaan-pertanyaan berikut:

• Dapatkah Anda mengidentifikasi setiap produk secara konsisten? Kode produk harus tetap stabil di seluruh tabel transaksi, harga, inventaris, dan promosi.
• Dapatkah Anda membedakan harga reguler dan harga promosi? Tanpa pemisahan itu, estimasi elastisitas menjadi tidak dapat diandalkan.
• Dapatkah Anda melihat ketersediaan? Hasil penjualan yang rendah bisa jadi menunjukkan produk yang kehabisan stok, bukan minat pembeli yang lemah.
• Dapatkah Anda merekonstruksi promosi tersebut? Cakupan toko, waktu, kedalaman diskon, mekanisme, dan kanal harus tersedia.
• Dapatkah Anda menjelaskan kepemilikan data? Seseorang harus menyetujui definisi dan menyelidiki anomali.

Bagi UKM, otomatisasi seharusnya menangani pekerjaan koneksi dan pra-pemrosesan yang berulang, sementara pemilik bisnis memvalidasi definisi. Platform seperti ELECTE dapat menghubungkan sumber data, secara otomatis melakukan pra-pemrosesan informasi, membuat laporan, dan menampilkan anomali melalui pemantauan AI. Hal ini membuat alur kerja lebih mudah diakses bagi tim tanpa fungsi teknik data khusus.

Klaster toko dan produk harus tetap dapat dipahami. Jika seorang merchandiser tidak dapat memahami mengapa dua toko berada dalam kelompok yang sama, segmentasi tersebut tidak akan mendapatkan kepercayaan, terlepas dari seberapa canggih modelnya. Tim yang mengeksplorasi AI juga dapat meninjau panduan ini tentang segmentasi pelanggan dengan AI untuk perspektif segmentasi yang terkait.

Estimasi Permintaan dan Elastisitas Harga dengan Cara yang Tepat

Analisis promosi dimulai dengan sebuah kontrafaktual: berapa unit yang akan terjual jika produk tersebut tanpa promosi? Estimasi ini adalah permintaan baseline, dan hal ini menentukan apakah sebuah promosi menciptakan keuntungan tambahan atau hanya menggeser penjualan antar waktu, produk, atau toko.

Bangun baseline dari data historis harga, volume, kalender, ketersediaan, dan konteks promosi. Membandingkan minggu promosi dengan minggu sebelumnya secara langsung dapat menyesatkan ketika musiman, aktivitas pesaing, keterbatasan stok, atau promosi sebelumnya memengaruhi permintaan. Baseline yang bersih juga mengungkap kesenjangan visibilitas. Jika ketersediaan tidak tercatat, diskon yang lebih dalam mungkin digunakan untuk mengatasi masalah kehabisan stok atau penempatan produk yang tidak dapat diperbaiki dengan harga.

Elastisitas adalah pengaman, bukan target diskon

Elastisitas harga mengukur bagaimana permintaan berubah ketika harga berubah. Nilai negatif umumnya berarti permintaan meningkat ketika harga turun, sementara besarnya respons bervariasi berdasarkan produk, peritel, wilayah, kelompok toko, dan segmen pelanggan.

Estimasi elastisitas pada tingkat produk × peritel × wilayah di mana data mendukungnya. Efek promosi dapat bervariasi secara tajam di berbagai dimensi tersebut, seperti yang dijelaskan dalam panduan pengukuran promosi dagang yang terperinci.

Rata-rata kedalaman diskon adalah aturan keputusan yang buruk. Diskon yang sama dapat menciptakan respons yang menguntungkan untuk satu SKU dan menghancurkan margin pada SKU lainnya. Jenis merek juga mengubah kemungkinan respons. Riset observasional skala besar yang mencakup 63.754.458 promosi menemukan kenaikan penjualan rata-rata sebesar 69,4%, dengan merek nasional sebesar 88,8% dan merek toko sebesar 57,2%. Studi tersebut melaporkan elastisitas harga promosi implisit sebesar -3,86 pada kedalaman diskon rata-rata 18%, sebagaimana didokumentasikan dalam riset respons promosi.

Perlakukan angka-angka tersebut sebagai observasi tingkat pasar, bukan target SKU. Gunakan angka tersebut untuk menetapkan segmentasi dan pengaman, kemudian validasi respons terhadap toko, produk, dan struktur margin Anda sendiri.

Sertakan efek di luar item yang dipromosikan

Sebuah produk jarang terjual secara terisolasi. Diskon pada satu kemasan kopi dapat mengalihkan permintaan dari kemasan, merek, atau ukuran lain. Sebuah event besar juga dapat menarik pembelian lebih awal, meninggalkan penurunan setelah promosi seiring pembeli mengonsumsi unit yang telah ditimbun.

Sertakan efek-efek ini dalam model:

• Efek antar-item, mencakup substitusi, komplemen, dan ukuran kemasan yang berdekatan.
• Efek antar-periode, termasuk penurunan pasca-promosi dan permintaan yang ditarik lebih awal.
• Efek ketersediaan, sehingga kehabisan stok tidak diartikan sebagai elastisitas yang lemah.
• Struktur merek dan kategori, sehingga merek nasional, merek toko, dan tingkatan private-label tetap terpisah.
• Ambang batas margin, mencegah rekomendasi bervolume tinggi berubah menjadi penawaran yang merugi.

Riset berbasis data supermarket menemukan bahwa menyertakan efek antar-item dan antar-periode meningkatkan kualitas perkiraan dan menaikkan laba kategori sekitar 17%, menurut studi yang dikutip di atas. Sumbernya telah ditautkan satu kali, sehingga bagian ini tidak mengulang URL-nya.

Untuk setiap kandidat promosi, tampilkan perkiraan unit baseline, unit tambahan, pendapatan, margin, risiko kanibalisasi, eksposur inventaris, dan sensitivitas terhadap harga alternatif. AI dapat mengidentifikasi pola dengan cepat, sementara analis menetapkan pengaman komersial dan memeriksa apakah kenaikan yang diperkirakan tetap bertahan setelah pengurangan tersebut.

Hubungkan sinyal permintaan untuk mengoptimalkan inventaris dengan perkiraan ketika sebuah promosi dapat mengubah kebutuhan pengisian ulang.

Rencanakan, Uji, dan Optimalkan Promosi Dengan AI dan Aturan Inventaris

Setelah estimasi permintaan dapat diandalkan, optimasi menjadi masalah keputusan dengan batasan. Anda tidak meminta algoritma untuk memaksimalkan unit. Anda meminta algoritma untuk memilih produk, harga, tanggal, toko, dan mekanisme yang memenuhi aturan komersial dan operasional.

Proses optimasi yang praktis harus membandingkan skenario seperti:

• Diskon yang lebih dangkal di seluruh rangkaian produk yang lebih luas.
• Penawaran yang lebih dalam pada sekelompok kecil produk dengan respons tinggi.
• Penawaran yang sama pada jendela waktu yang berbeda.
• Promosi di klaster toko tertentu, bukan di seluruh jaringan.
• Bundel yang meningkatkan nilai keranjang belanja tanpa menurunkan harga setiap barang.

Mulai dengan sandbox skenario

Jalankan rencana kandidat melalui sandbox sebelum menerbitkan kalender. Untuk setiap skenario, bandingkan perkiraan volume inkremental bersih, margin kontribusi, konsumsi inventaris, penggunaan anggaran, dan kompleksitas eksekusi.

Analisis sensitivitas penting karena prakiraan bukanlah fakta. Ubah-ubah kedalaman diskon, waktu, respons yang diharapkan, ketersediaan, dan asumsi kanibalisasi. Jika sebuah rekomendasi hanya terlihat menguntungkan berdasarkan satu asumsi yang optimistis, rekomendasi itu perlu ditinjau ulang, bukan langsung disetujui.

Matriks pengujian yang bermanfaat mungkin mencakup:

Rancang uji uplift

Gunakan kelompok kontrol jika memungkinkan. Pilih toko, pelanggan, atau wilayah yang sebanding yang tidak menerima promosi, lalu bandingkan perubahannya dengan kelompok yang dipromosikan sambil mengendalikan perbedaan dasar.

Kode pelacakan dan pengidentifikasi penawaran harus menghubungkan eksposur dengan perilaku pembelian. Segmentasikan analisis berdasarkan klaster toko, produk, kelompok pelanggan, dan kanal. Satu rata-rata di seluruh jaringan bisa menyembunyikan respons yang kuat di satu segmen dan kerugian margin di segmen lain.

Aturan praktis: Jangan menyetujui promosi hanya karena kelompok uji terjual lebih banyak. Setujui promosi tersebut ketika hasil inkremental tetap bertahan setelah dibandingkan dengan kelompok kontrol dan perhitungan keuntungan.

Tambahkan aturan inventaris dan anggaran

Batasan inventaris harus dijelaskan secara eksplisit sebelum proses optimasi berjalan. Tetapkan kebijakan stok minimum dan maksimum, lindungi stok pengaman, batasi jumlah promosi di tempat pasokan terbatas, dan kecualikan produk dengan data ketersediaan yang tidak dapat diandalkan.

Logika yang sama berlaku untuk pendanaan komersial. Tentukan anggaran promosi yang tersedia, kontribusi margin minimum, kedalaman diskon maksimum, dan tumpang tindih yang dapat diterima antar kampanye. Tips manajemen stok yang efisien yang baik dapat melengkapi model dengan meningkatkan disiplin operasional di balik aturan-aturan tersebut.

Bagi UKM, AI paling berguna ketika mengotomatiskan perbandingan historis, memberi peringkat pada skenario, menjelaskan anomali, dan memantau KPI setelah peluncuran. AI tidak boleh menggantikan alur kerja persetujuan. Rencana akhir tetap membutuhkan masukan dari tim merchandising, keuangan, pemasaran, dan inventaris.

Ukur Laba Inkremental Bersih dan Perbaiki Kesenjangan Eksposur

Laporan pasca-promosi yang hanya menampilkan kenaikan penjualan belumlah lengkap. Kenaikan bruto bisa terlihat mengesankan, padahal peritel justru merugi akibat kanibalisasi, permintaan yang maju ke depan (pull-forward), diskon yang berlebihan, atau biaya kampanye.

Bangun laporan laba rugi (P&L) tingkat promosi yang memisahkan setiap komponen sebelum menyatakan keberhasilan:

Riset atas data supermarket menemukan bahwa promosi dapat menggeser permintaan antar produk dan antar periode, itulah sebabnya riset optimasi promosi ritel menekankan segmentasi, estimasi permintaan, optimasi, dan pengukuran dampak sebagai langkah-langkah yang saling terkait.

Gunakan ambang batas kenaikan yang bermakna

Beberapa sistem pengukuran mengecualikan efek kecil yang tampak dari kenaikan promosi yang tercatat. Dokumentasi optimasi penawaran ritel Oracle menetapkan PROM_LIFT_MIN_VALUE ke 1,05, artinya promosi dengan kenaikan di bawah 5% tidak diberikan nilai kenaikan sama sekali, seperti yang ditunjukkan dalam dokumentasi optimasi penawaran Oracle.

Ambang batas tersebut bukanlah aturan komersial yang berlaku universal. Namun hal itu menggambarkan prinsip yang berguna: perubahan kecil yang teramati tidak seharusnya secara otomatis diberi kredit ketika variasi permintaan normal dan gangguan pengukuran (noise) dapat menjelaskannya.

Lacak ROI promo inkremental, kontribusi margin promo, kanibalisasi, dan biaya per unit inkremental yang terjual bersamaan dengan unit dan pendapatan. Promosi yang menghasilkan volume dengan biaya per unit inkremental yang tinggi mungkin layak mendapat pendanaan lebih sedikit dibandingkan kampanye yang lebih sederhana namun memiliki kontribusi margin yang lebih kuat.

Perbaiki visibilitas sebelum menurunkan harga lebih jauh

Beberapa promosi yang lemah gagal karena penawarannya kurang menarik. Lainnya gagal karena pembeli sama sekali tidak melihatnya. Laporan terbaru mengutip kesenjangan promosi senilai $42 miliar dan menyebutkan hampir separuh pembeli tidak menyadari adanya penawaran saat pembelian terakhir mereka, menurut liputan tentang eksposur promosi dan media ritel.

Temuan tersebut menunjuk pada funnel yang lebih luas:

1. Eksposur, apakah audiens yang dituju melihat penawaran tersebut?
2. Keterlibatan, apakah mereka berinteraksi dengan pesan atau penempatannya?
3. Konversi, apakah mereka melakukan pembelian?
4. Inkrementalitas, apakah pembelian tersebut menambah permintaan kategori?
5. Profitabilitas, apakah hasil bersihnya menutupi investasi?

Koordinasikan penempatan aplikasi, email, komunikasi di rak, pesan checkout, dan media ritel. Lacak apakah penawaran menjangkau pelanggan dan saluran yang tepat sebelum memperdalam diskon.

Tim ritel fisik juga dapat menilai pertanyaan terkait mengenai autentikasi tamu di ruang ritel ketika akses, identitas, atau keterlibatan di dalam toko memengaruhi cara pembeli menerima pengalaman yang ditargetkan. Intinya bukan mengumpulkan lebih banyak data pelanggan secara sembarangan. Gunakan hanya informasi yang diperlukan untuk pengukuran, komunikasikan tujuannya dengan jelas, dan patuhi persyaratan privasi yang berlaku.

Kesimpulan Utama dan Siklus Promosi Anda Berikutnya

Optimasi promosi di ritel berhasil ketika tim komersial memperlakukan setiap kampanye sebagai investasi yang dapat diukur. Proses yang paling kuat tidak mengejar lonjakan penjualan terbesar. Proses ini mengidentifikasi di mana sebuah promosi menciptakan permintaan yang tetap bernilai setelah memperhitungkan biaya diskon, efek portofolio, distorsi waktu, dan upaya eksekusi.

Gunakan daftar periksa ini sebelum siklus berikutnya:

1. Validasi fondasinya. Konfirmasi pengidentifikasi produk, harga reguler dan promosi, ketersediaan, konteks kalender, margin, dan mekanisme promosi. Perbaiki data yang hilang atau tidak konsisten sebelum melakukan pemodelan.
2. Hormati perbedaan antar segmen. Kelompokkan toko dan produk yang sebanding. Tinjau respons berdasarkan produk, peritel, wilayah, saluran, dan segmen pelanggan, bukan mengandalkan rata-rata seluruh rantai.
3. Tetapkan batasan sebelum optimasi. Tentukan kontribusi margin minimum, kedalaman diskon maksimum, perlindungan inventaris, anggaran promosi, dan tumpang tindih assortment yang dapat diterima.
4. Bandingkan skenario, bukan asumsi. Uji harga alternatif, jendela waktu, cakupan toko, dan mekanisme dalam sandbox. Tolak rencana yang hanya berhasil dalam kondisi permintaan optimistis atau kanibalisasi rendah.
5. Ukur hasil secara menyeluruh. Rekonsiliasi kenaikan kotor dengan kanibalisasi dan pull-forward, lalu hitung volume inkremental bersih, laba inkremental, ROI promosi, dan biaya per unit inkremental yang terjual.
6. Audit paparan. Jika pembeli tidak melihat penawaran tersebut, diskon yang lebih dalam mungkin hanya meningkatkan biaya dari masalah aktivasi. Periksa terlebih dahulu penyampaian melalui aplikasi, email, rak, checkout, dan retail media.

Siklus yang disiplin menciptakan loop pembelajaran. Setiap kampanye memperbaiki baseline, definisi segmen, estimasi elastisitas, rencana paparan, dan aturan inventaris berikutnya. UKM tidak perlu membangun departemen data science yang besar untuk memulai. Mereka memerlukan data yang konsisten, definisi finansial yang jelas, pengujian terkontrol, dan cara yang mudah diakses untuk mengubah hasil menjadi tindakan.

ELECTE, platform analitik data bertenaga AI untuk UKM, menghubungkan data bisnis, mengotomatiskan pra-pemrosesan, menghasilkan laporan, dan menggunakan agen AI untuk menemukan anomali dan tren untuk analisis promosi. Kunjungi ELECTE untuk menjelajahi bagaimana wawasan skenario, peramalan, dan pemantauan otomatis dapat membantu Anda merencanakan promosi berdasarkan laba inkremental bersih, bukan hanya kenaikan penjualan.