# Tối Ưu Hóa Khuyến Mãi Trong Bán Lẻ: Cách Tăng Lợi Nhuận

> Nắm vững tối ưu hóa khuyến mãi trong bán lẻ với dữ liệu, AI và kiểm thử. Học cách lập kế hoạch, đo lường mức tăng và bảo vệ biên lợi nhuận từng bước một.

Source: https://www.electe.net/vi/post/promotion-optimization-in-retail

Site guide: https://www.electe.net/vi/llms.txt

Các chương trình khuyến mãi có thể tạo ra **10% đến 45% tổng doanh thu** cho siêu thị, cửa hàng giảm giá, hiệu thuốc và các nhà bán lẻ hàng loạt, tuy nhiên **20% đến 50% các chương trình khuyến mãi không tạo ra mức tăng doanh số đáng kể hoặc thậm chí có thể làm giảm doanh số**. Thêm **20% đến 30% làm loãng biên lợi nhuận** vì doanh số tăng thêm không đủ bù đắp chi phí của ưu đãi, theo [nghiên cứu về tối ưu hóa khuyến mãi bán lẻ](https://aaltodoc.aalto.fi/server/api/core/bitstreams/13967534-d806-4f72-a70d-c244816a6a28/content).

Điều đó làm thay đổi câu hỏi mà các nhà bán lẻ nên đặt ra. Mục tiêu không phải là tạo ra mức tăng đột biến lớn nhất về số lượng. Mà là tạo ra **lợi nhuận gia tăng ròng**, sau khi tính đến nhu cầu nền, hiện tượng ăn thịt lẫn nhau (cannibalization), mua hàng dồn trước, chi phí giảm giá và chi phí thực hiện. Mức độ tiếp cận cũng quan trọng. Người mua sắm không thể phản hồi với một ưu đãi tuyệt vời nếu họ chưa từng thấy nó.

Hướng dẫn này trình bày một phương pháp thực tiễn để **tối ưu hóa khuyến mãi trong bán lẻ**, từ chuẩn bị dữ liệu và phân khúc cho đến mô hình hóa nhu cầu, kiểm thử kịch bản, quy tắc tồn kho và đo lường sau chiến dịch. AI có thể giúp quy trình này dễ tiếp cận hơn đối với các doanh nghiệp vừa và nhỏ (SME), nhưng chỉ khi các đội ngũ cung cấp cho mô hình dữ liệu sạch, các ràng buộc hợp lý và định nghĩa đúng đắn về thành công.

## Tại Sao Tối Ưu Hóa Khuyến Mãi Quan Trọng Đối Với Tăng Trưởng Bán Lẻ Hiện Nay

Một nhà bán lẻ có thể tăng doanh số bán hàng theo đơn vị nhưng vẫn kiếm được ít lợi nhuận hơn. Khoản giảm giá có thể trợ cấp cho những người mua sắm vốn dĩ sẽ mua dù không có khuyến mãi, chuyển nhu cầu từ một sản phẩm khác, hoặc kéo các lượt mua trong tương lai vào kỳ hiện tại. Do đó, hiệu quả khuyến mãi phụ thuộc vào **lợi nhuận gia tăng ròng** và mức độ tiếp cận khách hàng, bên cạnh doanh thu và mức tăng số lượng.

Các phát hiện của BCG cho thấy lý do tại sao sự phân biệt này lại quan trọng. **20% đến 50% các chương trình khuyến mãi không tạo ra mức tăng đáng kể hoặc làm giảm doanh số**, trong khi thêm **20% đến 30% làm loãng biên lợi nhuận** vì doanh số tăng thêm không đủ bù đắp chi phí khuyến mãi, như được ghi nhận trong [phân tích khuyến mãi bán lẻ](https://aaltodoc.aalto.fi/server/api/core/bitstreams/13967534-d806-4f72-a70d-c244816a6a28/content). Các nhà bán lẻ cần tách biệt **nhu cầu gia tăng** khỏi các lượt mua vốn dĩ sẽ xảy ra trong điều kiện bình thường. Họ cũng cần kiểm tra xem người mua sắm có thấy ưu đãi trước khi phản hồi bằng một mức giảm giá sâu hơn hay không.

### Định nghĩa thương mại về thành công

Một bảng điểm thực tiễn tách riêng các phần của kết quả khuyến mãi:

- **Doanh số nền**, nhu cầu dự kiến khi không có ưu đãi.
- **Mức tăng khuyến mãi tổng**, mức tăng quan sát được trong suốt chiến dịch.
- **Hiện tượng ăn thịt lẫn nhau**, nhu cầu được chuyển từ các sản phẩm liên quan.
- **Mua hàng dồn trước**, các lượt mua được chuyển từ các kỳ sau.
- **Khối lượng gia tăng ròng**, nhu cầu còn lại sau khi trừ các khoản trên.
- **Lợi nhuận gia tăng**, khối lượng ròng nhân với biên lợi nhuận, trừ đi chi phí khuyến mãi và chi phí thực hiện.

Phép tính này cung cấp cho các nhà phân tích một cơ sở tốt hơn để so sánh cơ chế ưu đãi, sản phẩm, cửa hàng, thời điểm và mức giá. Nó cũng giảm việc lặp lại tự động lịch khuyến mãi của năm trước. Một chương trình khuyến mãi có thể trông thành công trong báo cáo doanh số nhưng lại không đạt bài kiểm tra lợi nhuận sau khi tính đến hiện tượng ăn thịt lẫn nhau, mua hàng dồn trước và chi phí thực hiện.

### Tại sao AI thay đổi cuộc trò chuyện về lập kế hoạch

Việc lập kế hoạch khuyến mãi bán lẻ đã phát triển từ công việc lịch thủ công thành một quy trình bao gồm chuẩn bị dữ liệu, phân cụm cửa hàng và sản phẩm, ước tính nhu cầu, phân tích độ nhạy và đo lường tác động, như được mô tả trong [khung tối ưu hóa khuyến mãi hiện đại](https://maxccohen.github.io/Book-Chapter-Promotions.pdf).

Việc áp dụng vẫn chưa đồng đều. Một báo cáo nhanh thị trường DemandTec năm 2024 cho biết chỉ **20% các nhà bán lẻ tối ưu hóa hiệu quả các quỹ thương mại**, trong khi **54% các nhà bán lẻ tạp hóa hoàn toàn đồng ý rằng họ sử dụng một nền tảng tối ưu hóa để tối đa hóa hiệu quả khuyến mãi**. Chỉ **31% các nhà bán lẻ tạp hóa hoàn toàn đồng ý rằng họ có thể xác định các chương trình khuyến mãi kém hoặc không hiệu quả**, theo cùng nguồn này.

AI hỗ trợ phán đoán thương mại chứ không thay thế nó. Nó cho phép một đội ngũ nhỏ kiểm thử nhiều kịch bản hơn, gắn cờ các phản hồi bất thường và giám sát kết quả mà không cần xây dựng lại bảng tính thủ công. Đối với các doanh nghiệp vừa và nhỏ, lợi ích thực tiễn là **lựa chọn ưu đãi chi tiết**, với các cơ chế hoặc mức giá khác nhau khi có bằng chứng từ cửa hàng và sản phẩm hỗ trợ, thay vì áp dụng giảm giá đại trà ở khắp mọi nơi.

Các đội ngũ đang xây dựng nền tảng đó có thể tham khảo [hướng dẫn đầy đủ về phân tích dữ liệu bán lẻ](https://www.electe.net/post/data-analytics-in-retail-industry) này.

## Xây Dựng Nền Tảng Dữ Liệu và Phân Khúc Cửa Hàng và Sản Phẩm

Một mô hình khuyến mãi chỉ đáng tin cậy bằng chính các bản ghi đứng sau nó. Trước khi ước tính nhu cầu, hãy tạo một góc nhìn nhất quán về những gì đã được bán, với mức giá nào, tại địa điểm nào, trong khoảng thời gian nào, và dưới điều kiện khuyến mãi nào.

Quy trình thực tiễn bắt đầu với năm hoạt động liên kết:

1. **Thu thập lịch sử giao dịch.** Ghi nhận số lượng, doanh thu, mã định danh sản phẩm, cửa hàng hoặc kênh, ngày giao dịch và cờ khuyến mãi.
2. **Bổ sung lịch sử giá.** Tách biệt giá thông thường, giá khuyến mãi, giảm giá thanh lý, cơ chế mua nhiều và các ưu đãi dành riêng cho khách hàng thân thiết khi có sẵn.
3. **Bao gồm bối cảnh lịch.** Ghi lại ngày trong tuần, mùa, ngày lễ, chu kỳ trả lương, sự kiện địa phương và khung thời gian chiến dịch có thể ảnh hưởng đến nhu cầu.
4. **Cấu trúc hóa thông tin sản phẩm.** Ánh xạ các SKU vào danh mục, thương hiệu, quy cách đóng gói, dòng sản phẩm và các mặt hàng thay thế hoặc bổ sung.
5. **Làm sạch và tổng hợp.** Giải quyết các mã định danh trùng lặp, căn chỉnh định dạng ngày tháng, xử lý giá trị thiếu, loại bỏ các lỗi dữ liệu rõ ràng, và tổng hợp thông tin ở cấp độ sản phẩm, cửa hàng và thời gian hữu ích.

### Tại sao không thể bỏ qua việc phân khúc

Một cửa hàng tiện lợi ở trung tâm thành phố và một đại siêu thị ở ngoại ô sẽ không phản hồi giống nhau với cùng một chương trình khuyến mãi. Cùng một sản phẩm cũng có thể có hành vi khác nhau giữa các khu vực, kênh bán hàng hoặc định dạng cửa hàng.

Phân cụm tạo ra các nhóm có thể so sánh trước khi mô hình ước tính phản hồi. Các tín hiệu phân khúc hữu ích bao gồm:

- **Đặc điểm cửa hàng**, chẳng hạn như định dạng, khu vực, mục đích mua sắm của khách hàng và diện tích bán hàng.
- **Mô hình bán hàng**, bao gồm sản lượng, tính mùa vụ, tần suất khuyến mãi và cơ cấu danh mục.
- **Hành vi sản phẩm**, chẳng hạn như loại thương hiệu, phân khúc giá, quy cách đóng gói, khả năng thay thế và biên lợi nhuận.
- **Điều kiện vận hành**, bao gồm tình trạng hàng có sẵn, nhịp độ bổ sung hàng và cơ cấu sản phẩm tại địa phương.

Lý do phân tích ở đây rất rõ ràng. Nếu các cửa hàng khác biệt nhau bị xử lý như thể giống hệt nhau, mô hình sẽ gộp trung bình các mô hình nhu cầu khác nhau lại với nhau. Điều này làm suy yếu các dự báo cơ sở và có thể tạo ra một lịch khuyến mãi không thực sự hiệu quả cho bất kỳ nhóm cửa hàng cụ thể nào.

### Bài kiểm tra mức độ sẵn sàng dành cho doanh nghiệp vừa và nhỏ

Trước khi kết nối một nền tảng phân tích dữ liệu, hãy xác minh những câu hỏi sau:

- **Bạn có thể nhận diện mọi sản phẩm một cách nhất quán không?** Mã sản phẩm cần được giữ ổn định trên các bảng giao dịch, giá, tồn kho và khuyến mãi.
- **Bạn có thể phân biệt giá thông thường và giá khuyến mãi không?** Nếu không có sự phân tách đó, các ước tính về độ co giãn sẽ trở nên thiếu tin cậy.
- **Bạn có thể theo dõi tình trạng hàng có sẵn không?** Kết quả bán hàng thấp có thể là dấu hiệu của việc hết hàng chứ không phải do nhu cầu mua sắm yếu.
- **Bạn có thể tái dựng lại chương trình khuyến mãi không?** Phạm vi cửa hàng, thời điểm, mức chiết khấu, cơ chế và kênh áp dụng cần phải có sẵn.
- **Bạn có thể giải thích rõ quyền sở hữu dữ liệu không?** Phải có người chịu trách nhiệm phê duyệt các định nghĩa và điều tra các bất thường.

Đối với các doanh nghiệp vừa và nhỏ, tự động hóa nên đảm nhận các công việc kết nối và xử lý dữ liệu lặp đi lặp lại, trong khi chủ doanh nghiệp xác minh lại các định nghĩa. Một nền tảng như ELECTE có thể kết nối các nguồn dữ liệu, tự động xử lý sơ bộ thông tin, tạo báo cáo và phát hiện các bất thường thông qua giám sát AI. Điều này giúp quy trình làm việc trở nên dễ tiếp cận hơn đối với các đội ngũ không có bộ phận kỹ thuật dữ liệu chuyên trách.

Các nhóm cửa hàng và sản phẩm cần phải dễ hiểu. Nếu một người phụ trách merchandising không thể hiểu tại sao hai cửa hàng lại nằm trong cùng một nhóm, thì việc phân khúc đó sẽ không tạo được niềm tin, bất kể mô hình có tinh vi đến đâu. Các đội ngũ đang tìm hiểu về AI cũng có thể tham khảo hướng dẫn này về [phân khúc khách hàng bằng AI](https://www.electe.net/post/customer-segmentation) để có thêm góc nhìn liên quan về phân khúc.

## Ước Tính Nhu Cầu và Độ Co Giãn Giá Đúng Cách

Phân tích khuyến mãi bắt đầu bằng một câu hỏi giả định: sản phẩm sẽ bán được bao nhiêu đơn vị nếu không có chương trình ưu đãi? Ước tính đó chính là **nhu cầu cơ sở**, và nó quyết định liệu một chương trình khuyến mãi có tạo ra lợi nhuận gia tăng hay chỉ đơn thuần dịch chuyển doanh số theo thời gian, sản phẩm hoặc cửa hàng.

Xây dựng nhu cầu cơ sở dựa trên lịch sử giá, sản lượng, lịch trình, tình trạng hàng có sẵn và bối cảnh khuyến mãi. Việc so sánh các tuần khuyến mãi với tuần ngay trước đó có thể gây hiểu lầm khi tính mùa vụ, hoạt động của đối thủ, hạn chế tồn kho hoặc một chương trình khuyến mãi trước đó ảnh hưởng đến nhu cầu. Một nhu cầu cơ sở rõ ràng cũng bộc lộ khoảng trống về khả năng quan sát. Nếu thiếu dữ liệu về tình trạng hàng có sẵn, việc chiết khấu sâu hơn có thể được sử dụng để giải quyết vấn đề hết hàng hoặc trưng bày mà giá cả không thể khắc phục được.

### Độ co giãn là một rào chắn bảo vệ, không phải mục tiêu chiết khấu

**Độ co giãn giá** đo lường mức độ thay đổi của nhu cầu khi giá thay đổi. Giá trị âm thường có nghĩa là nhu cầu tăng khi giá giảm, trong khi mức độ phản ứng lại khác nhau tùy theo sản phẩm, nhà bán lẻ, khu vực, nhóm cửa hàng và phân khúc khách hàng.

Hãy ước tính độ co giãn ở cấp độ **sản phẩm × nhà bán lẻ × khu vực** khi dữ liệu cho phép. Hiệu ứng khuyến mãi có thể biến động mạnh giữa các chiều này, như được giải thích trong [hướng dẫn đo lường khuyến mãi thương mại chi tiết](https://medium.com/@tigeranalytics/improving-trade-promotion-spend-effectiveness-717ef6e7d6b8).

Mức chiết khấu trung bình là một quy tắc quyết định kém hiệu quả. Cùng một mức chiết khấu có thể tạo ra phản ứng có lợi cho một SKU nhưng lại phá hủy biên lợi nhuận của một SKU khác. Loại thương hiệu cũng làm thay đổi phản ứng có khả năng xảy ra. Nghiên cứu quan sát quy mô lớn bao gồm **63.754.458 chương trình khuyến mãi** cho thấy mức tăng doanh số trung bình là **69,4%**, trong đó thương hiệu quốc gia đạt **88,8%** và thương hiệu riêng của cửa hàng đạt **57,2%**. Nghiên cứu này báo cáo độ co giãn giá khuyến mãi ngụ ý là **-3,86** ở mức chiết khấu trung bình **18%**, như được ghi nhận trong [nghiên cứu về phản ứng khuyến mãi](https://www.mit.edu/~maxcohen/Promopaper_Final.pdf).

Hãy coi những con số này như những quan sát ở cấp độ thị trường, chứ không phải mục tiêu cho từng SKU. Sử dụng chúng để thiết lập phân khúc và các rào chắn bảo vệ, sau đó xác minh phản ứng thực tế dựa trên chính cửa hàng, sản phẩm và cơ cấu biên lợi nhuận của bạn.

### Bao gồm cả các tác động vượt ra ngoài sản phẩm được khuyến mãi

Một sản phẩm hiếm khi bán một cách độc lập. Việc chiết khấu cho một gói cà phê có thể làm dịch chuyển nhu cầu khỏi một gói, thương hiệu hoặc kích cỡ khác. Một chương trình lớn cũng có thể kéo nhu cầu mua sắm dồn về trước, để lại một sự sụt giảm sau khuyến mãi khi người mua tiêu thụ hết số hàng đã tích trữ.

Hãy đưa những tác động này vào mô hình:

- **Tác động chéo giữa các sản phẩm**, bao gồm các sản phẩm thay thế, sản phẩm bổ trợ và các kích cỡ đóng gói lân cận.
- **Tác động chéo giữa các giai đoạn**, bao gồm sự sụt giảm sau khuyến mãi và nhu cầu dồn về trước.
- **Tác động của tình trạng hàng có sẵn**, để tình trạng hết hàng không bị hiểu nhầm là độ co giãn yếu.
- **Cơ cấu thương hiệu và danh mục**, để thương hiệu quốc gia, thương hiệu riêng của cửa hàng và các phân khúc nhãn hàng riêng vẫn được phân biệt rõ ràng.
- **Ngưỡng biên lợi nhuận**, ngăn không cho các đề xuất có sản lượng cao trở thành các ưu đãi gây lỗ.

Nghiên cứu dựa trên dữ liệu siêu thị cho thấy việc đưa vào các tác động chéo giữa sản phẩm và giữa các giai đoạn đã cải thiện chất lượng dự báo và tăng lợi nhuận danh mục lên khoảng **17%**, theo nghiên cứu đã được trích dẫn ở trên. Nguồn này chỉ được liên kết một lần, vì vậy phần này không lặp lại URL của nó.

Đối với mỗi chương trình khuyến mãi tiềm năng, hãy trình bày rõ số đơn vị cơ sở dự kiến, số đơn vị gia tăng, doanh thu, biên lợi nhuận, rủi ro ăn thịt lẫn nhau (cannibalization), mức độ phơi nhiễm tồn kho và độ nhạy đối với các mức giá thay thế. AI có thể nhanh chóng nhận diện các mô hình, trong khi nhà phân tích thiết lập các rào chắn thương mại và kiểm tra xem mức tăng dự kiến có còn đứng vững sau khi trừ đi các yếu tố đó hay không.

Kết nối các tín hiệu về nhu cầu với việc [tối ưu hóa tồn kho bằng dự báo](https://www.electe.net/post/time-series-forecasting) khi một chương trình khuyến mãi có thể làm thay đổi nhu cầu bổ sung hàng.

## Lập Kế Hoạch, Thử Nghiệm và Tối Ưu Hóa Khuyến Mãi Với AI và Các Quy Tắc Tồn Kho

Khi các ước tính nhu cầu đã đáng tin cậy, việc tối ưu hóa trở thành một bài toán ra quyết định có ràng buộc. Bạn không yêu cầu thuật toán tối đa hóa số lượng đơn vị bán ra. Bạn đang yêu cầu nó lựa chọn sản phẩm, mức giá, thời điểm, cửa hàng và cơ chế khuyến mãi thỏa mãn các quy tắc thương mại và vận hành.

Một lần chạy tối ưu hóa thực tế nên so sánh các kịch bản như:

- **Mức chiết khấu nông hơn** áp dụng trên một danh mục sản phẩm rộng hơn.
- **Ưu đãi sâu hơn** trên một nhóm nhỏ các sản phẩm có mức phản hồi cao.
- Cùng một ưu đãi nhưng trong các khung thời gian khác nhau.
- Một chương trình khuyến mãi tại các cụm cửa hàng được chọn thay vì toàn bộ hệ thống.
- Một gói combo giúp tăng giá trị giỏ hàng mà không cần giảm giá tất cả các mặt hàng.

### Bắt đầu với một sandbox kịch bản

Chạy thử các kế hoạch ứng viên qua một sandbox trước khi công bố lịch khuyến mãi. Với mỗi kịch bản, hãy so sánh sản lượng gia tăng ròng dự kiến, biên lợi nhuận đóng góp, mức tiêu thụ tồn kho, việc sử dụng ngân sách và độ phức tạp trong triển khai.

Phân tích độ nhạy rất quan trọng vì các dự báo không phải là sự thật hiển nhiên. Hãy thay đổi mức chiết khấu, thời điểm, mức phản hồi kỳ vọng, khả năng cung ứng và các giả định về hiện tượng ăn thịt lẫn nhau (cannibalization). Nếu một khuyến nghị chỉ có vẻ sinh lời dưới một giả định lạc quan duy nhất, nó cần được xem xét lại thay vì được phê duyệt tự động.

Một ma trận kiểm tra hữu ích có thể bao gồm:

Biến quyết địnhCâu hỏi kịch bảnKiểm tra thương mại**Mức độ chiết khấu**Điều gì sẽ xảy ra nếu ưu đãi nông hơn?Biên lợi nhuận gia tăng có được cải thiện mà không làm mất đi mục tiêu không?**Thời điểm**Ưu đãi có hiệu quả hơn trong một khung thời gian khác không?Tính mùa vụ hoặc hoạt động của đối thủ cạnh tranh có làm thay đổi kết quả không?**Danh mục sản phẩm**Các sản phẩm thay thế nên chạy cùng nhau hay riêng biệt?Kế hoạch này có tạo ra sự gia tăng cho toàn ngành hàng không?**Phạm vi cửa hàng**Những cụm cửa hàng nào nên nhận ưu đãi này?Điều kiện phản hồi và tồn kho có tương đồng nhau không?**Cơ chế**Một gói combo có tốt hơn một mức giảm giá trực tiếp không?Cơ chế này có bảo vệ được giá trị và vẫn khả thi khi triển khai không?

### Thiết kế một bài kiểm tra hiệu quả gia tăng (uplift test)

Sử dụng một nhóm đối chứng khi có thể. Chọn các cửa hàng, khách hàng hoặc khu vực có thể so sánh được nhưng không nhận khuyến mãi, sau đó so sánh sự thay đổi với nhóm được khuyến mãi trong khi kiểm soát các khác biệt cơ bản.

Mã theo dõi và mã định danh ưu đãi cần kết nối được mức độ tiếp xúc với hành vi mua hàng. Hãy phân đoạn phân tích theo cụm cửa hàng, sản phẩm, nhóm khách hàng và kênh bán hàng. Một con số trung bình chung cho toàn hệ thống có thể che giấu một phản hồi mạnh mẽ ở một phân khúc và một khoản lỗ biên lợi nhuận ở phân khúc khác.

> **Quy tắc thực tế:** Đừng phê duyệt một chương trình khuyến mãi chỉ vì nhóm thử nghiệm bán được nhiều hàng hơn. Hãy phê duyệt nó khi kết quả gia tăng vẫn đứng vững sau khi so sánh với nhóm đối chứng và phép tính lợi nhuận.

### Thêm các quy tắc về tồn kho và ngân sách

Các ràng buộc về tồn kho cần được xác định rõ ràng trước khi chạy tối ưu hóa. Thiết lập các chính sách tồn kho tối thiểu và tối đa, bảo vệ tồn kho an toàn, giới hạn số lượng khuyến mãi ở những nơi nguồn cung hạn chế, và loại trừ các sản phẩm có dữ liệu về khả năng cung ứng không đáng tin cậy.

Logic tương tự cũng áp dụng cho nguồn vốn thương mại. Xác định ngân sách khuyến mãi khả dụng, mức đóng góp biên lợi nhuận tối thiểu, mức chiết khấu tối đa và độ chồng lấn có thể chấp nhận được giữa các chiến dịch. Những [mẹo quản lý tồn kho hiệu quả](https://www.displayguru.co.uk/blogs/news/best-practices-for-inventory-management) tốt có thể bổ trợ cho mô hình bằng cách cải thiện kỷ luật vận hành đằng sau các quy tắc đó.

Đối với một doanh nghiệp vừa và nhỏ, AI hữu ích nhất khi nó tự động hóa các so sánh lịch sử, xếp hạng các kịch bản, giải thích các trường hợp bất thường và giám sát các KPI sau khi triển khai. Nó không nên thay thế các quy trình phê duyệt. Kế hoạch cuối cùng vẫn cần sự đóng góp ý kiến từ các bộ phận merchandising, tài chính, marketing và quản lý tồn kho.

## Đo lường Lợi nhuận Gia tăng Ròng và Khắc phục các Lỗ hổng Tiếp xúc

Một báo cáo hậu khuyến mãi chỉ thể hiện mức tăng doanh số là chưa đầy đủ. Mức tăng gộp có thể trông ấn tượng trong khi nhà bán lẻ vẫn thua lỗ do hiện tượng ăn thịt lẫn nhau giữa sản phẩm (cannibalization), nhu cầu bị kéo dồn về trước (pull-forward), chiết khấu quá mức, hoặc chi phí chiến dịch.

Xây dựng một bảng lãi/lỗ (P&L) ở cấp độ khuyến mãi để tách bạch các thành phần trước khi khẳng định thành công:

Thành phầnĐo lường điều gìVì sao quan trọng**Sản lượng tăng thêm gộp**Số đơn vị bán thêm trong thời gian khuyến mãi so với mức nềnCho thấy phản ứng có thể quan sát được, nhưng không cho biết phản ứng đó có sinh lợi hay không**Hiện tượng ăn thịt lẫn nhau (Cannibalization)**Doanh số bị chuyển dịch từ các sản phẩm liền kề hoặc thay thếNgăn việc phóng đại kết quả hiệu suất của cả nhóm hàng**Kéo dồn nhu cầu (Pull-forward)**Nhu cầu trong tương lai được mua sớm hơn vì có ưu đãiCho thấy sự suy yếu sau khuyến mãi và sự méo mó về thời điểm**Sản lượng tăng thêm thực (Net)**Mức tăng gộp sau khi trừ hiện tượng ăn thịt lẫn nhau và kéo dồn nhu cầuCung cấp một thước đo đáng tin cậy hơn về nhu cầu mới**Lợi nhuận tăng thêm**Sản lượng tăng thêm thực sau khi trừ biên lợi nhuận, chiết khấu, chi phí tài trợ và chi phí triển khaiXác định liệu chương trình khuyến mãi có tạo ra giá trị kinh tế hay không

Nghiên cứu trên dữ liệu siêu thị cho thấy khuyến mãi có thể dịch chuyển nhu cầu giữa các sản phẩm và các giai đoạn khác nhau, đó là lý do [nghiên cứu về tối ưu hóa khuyến mãi bán lẻ](https://papers.ssrn.com/sol3/Delivery.cfm/SSRN_ID3584321_code2182143.pdf?abstractid=3194640&mirid=1) nhấn mạnh việc phân khúc, ước tính nhu cầu, tối ưu hóa và đo lường tác động là các bước có liên kết với nhau.

### Sử dụng một ngưỡng tăng trưởng có ý nghĩa

Một số hệ thống đo lường loại trừ các hiệu ứng nhỏ có vẻ như xuất hiện khỏi mức tăng khuyến mãi được ghi nhận. Tài liệu tối ưu hóa ưu đãi bán lẻ của Oracle đặt `PROM_LIFT_MIN_VALUE` là **1.05**, nghĩa là các khuyến mãi có mức tăng dưới **5%** sẽ không được ghi nhận bất kỳ giá trị tăng nào, như được trình bày trong [tài liệu tối ưu hóa ưu đãi của Oracle](https://docs.oracle.com/cd/F17841_01/orscs/pdf/180002/html/implementation_guide/offer-opt.htm).

Ngưỡng đó không phải là một quy tắc thương mại phổ quát. Nó minh họa một nguyên tắc hữu ích: những thay đổi nhỏ quan sát được không nên tự động được ghi nhận công khi biến động nhu cầu thông thường và nhiễu đo lường có thể giải thích cho chúng.

Theo dõi **ROI khuyến mãi tăng thêm**, **mức đóng góp biên lợi nhuận khuyến mãi**, **hiện tượng ăn thịt lẫn nhau**, và **chi phí cho mỗi đơn vị tăng thêm** cùng với số lượng và doanh thu. Một chương trình khuyến mãi tạo ra sản lượng với chi phí cao cho mỗi đơn vị tăng thêm có thể đáng được cấp ít vốn hơn so với một chiến dịch ít nổi bật hơn nhưng có mức đóng góp biên lợi nhuận mạnh hơn.

### Khắc phục vấn đề hiển thị trước khi giảm giá thêm

Một số chương trình khuyến mãi yếu kém thất bại vì ưu đãi không tốt. Những chương trình khác thất bại vì người mua hàng không hề nhìn thấy nó. Báo cáo gần đây trích dẫn một **khoảng trống khuyến mãi 42 tỷ USD** và cho biết gần một nửa người mua hàng không nhận thấy các ưu đãi trong lần mua hàng gần nhất của họ, theo [bài đưa tin về mức độ hiển thị khuyến mãi và truyền thông bán lẻ](https://www.linkedin.com/posts/instoremarketplace_retail-media-grows-but-hard-to-use-offers-activity-7465797960526827520-weEN).

Phát hiện đó chỉ ra một hành trình chuyển đổi rộng hơn:

1. **Tiếp cận**, đối tượng mục tiêu có nhìn thấy ưu đãi không?
2. **Tương tác**, họ có tương tác với thông điệp hoặc vị trí hiển thị không?
3. **Chuyển đổi**, họ có mua hàng không?
4. **Tính tăng thêm**, việc mua hàng đó có làm tăng nhu cầu của cả nhóm hàng không?
5. **Khả năng sinh lợi**, kết quả thực có đủ để bù đắp khoản đầu tư không?

Điều phối các vị trí hiển thị trên ứng dụng, email, truyền thông tại quầy hàng, thông điệp tại điểm thanh toán, và truyền thông bán lẻ. Theo dõi xem ưu đãi có đến được đúng khách hàng và đúng kênh trước khi tăng thêm mức chiết khấu.

Các nhóm bán lẻ vật lý cũng có thể đánh giá những vấn đề liên quan đến [xác thực khách hàng tại không gian bán lẻ](https://www.purple.ai/en-us/case-studies/grupo-sanborns) khi việc truy cập, danh tính hoặc mức độ tương tác trong cửa hàng ảnh hưởng đến cách người mua nhận được các trải nghiệm được nhắm mục tiêu. Vấn đề không phải là thu thập thêm dữ liệu khách hàng một cách bừa bãi. Chỉ sử dụng thông tin cần thiết cho việc đo lường, truyền đạt rõ mục đích sử dụng, và tuân thủ các yêu cầu về quyền riêng tư áp dụng.

## Những Điểm Chính và Chu Kỳ Khuyến Mãi Tiếp Theo Của Bạn

Tối ưu hóa khuyến mãi trong bán lẻ phát huy hiệu quả khi bộ phận kinh doanh coi mỗi chiến dịch là một khoản đầu tư có thể đo lường được. Quy trình mạnh nhất không phải là quy trình chạy theo mức tăng doanh số lớn nhất. Nó xác định nơi khuyến mãi tạo ra nhu cầu vẫn còn giá trị sau khi tính đến chi phí chiết khấu, hiệu ứng danh mục sản phẩm, sự sai lệch về thời điểm, và công sức triển khai.

Sử dụng danh sách kiểm tra này trước chu kỳ tiếp theo:

1. **Xác thực nền tảng.** Xác nhận mã định danh sản phẩm, giá thông thường và giá khuyến mãi, tình trạng có sẵn, bối cảnh thời gian, biên lợi nhuận, và cơ chế khuyến mãi. Sửa các bản ghi bị thiếu hoặc không đồng nhất trước khi mô hình hóa.
2. **Tôn trọng sự khác biệt giữa các phân khúc.** Nhóm các cửa hàng và sản phẩm có thể so sánh được. Xem xét phản hồi theo sản phẩm, nhà bán lẻ, khu vực, kênh, và phân khúc khách hàng thay vì chỉ dựa vào mức trung bình toàn hệ thống.
3. **Thiết lập giới hạn an toàn trước khi tối ưu hóa.** Xác định mức đóng góp biên lợi nhuận tối thiểu, mức chiết khấu tối đa, các biện pháp bảo vệ hàng tồn kho, ngân sách khuyến mãi, và mức độ trùng lặp danh mục sản phẩm có thể chấp nhận được.
4. **So sánh các tình huống, không phải các giả định.** Kiểm tra các mức giá, khoảng thời gian, phạm vi cửa hàng, và cơ chế thay thế trong môi trường thử nghiệm. Loại bỏ các kế hoạch chỉ hoạt động hiệu quả trong điều kiện nhu cầu lạc quan hoặc mức độ ăn thịt lẫn nhau thấp.
5. **Đo lường kết quả toàn diện.** Đối chiếu mức tăng doanh số gộp với hiệu ứng ăn thịt lẫn nhau và hiệu ứng dồn mua trước, sau đó tính khối lượng gia tăng thực, lợi nhuận gia tăng, ROI khuyến mãi, và chi phí cho mỗi đơn vị gia tăng bán được.
6. **Kiểm tra mức độ tiếp cận.** Nếu người mua không nhìn thấy chương trình khuyến mãi, việc chiết khấu sâu hơn có thể chỉ làm tăng chi phí cho một vấn đề về kích hoạt. Hãy kiểm tra việc phân phối qua ứng dụng, email, kệ hàng, thanh toán, và quảng cáo bán lẻ trước tiên.

Một chu kỳ có kỷ luật sẽ tạo ra một vòng lặp học hỏi. Mỗi chiến dịch cải thiện đường cơ sở tiếp theo, định nghĩa phân khúc, ước tính độ co giãn, kế hoạch tiếp cận, và quy tắc hàng tồn kho. Các doanh nghiệp nhỏ và vừa không cần xây dựng một bộ phận khoa học dữ liệu lớn để bắt đầu. Họ cần dữ liệu nhất quán, các định nghĩa tài chính rõ ràng, các bài kiểm tra có kiểm soát, và một cách dễ tiếp cận để biến kết quả thành hành động.

---

ELECTE, một nền tảng phân tích dữ liệu được hỗ trợ bởi AI dành cho các doanh nghiệp nhỏ và vừa, kết nối dữ liệu kinh doanh, tự động hóa quá trình xử lý trước, tạo báo cáo, và sử dụng các tác nhân AI để phát hiện các bất thường và xu hướng cho việc phân tích khuyến mãi. Truy cập [ELECTE](https://www.electe.net) để tìm hiểu cách các thông tin chi tiết về tình huống, dự báo, và giám sát tự động có thể giúp bạn lập kế hoạch khuyến mãi dựa trên lợi nhuận gia tăng thực chứ không chỉ đơn thuần là mức tăng doanh số.