Rakip fiyat takibini sisteme çevirmek: retail price intelligence mimarisi

Rakip fiyat takibi çoğu şirkette basit bir ihtiyaç gibi başlar.

“Rakipler ne fiyata satıyor?”
“Biz pahalı mı kaldık?”
“Hangi üründe fiyat farkı açıldı?”
“Promosyonu kim başlattı?”
“Fiyat artışı sonrası raf veya online fiyat nasıl değişti?”

Bu sorular haklıdır. Ama bu sorulara cevap vermek için sadece fiyat verisi toplamak yetmez.

Bir web sitesinden fiyat çekmek, bir Excel’e rakip fiyatları koymak veya Power BI’da fiyat karşılaştırma ekranı yapmak, tek başına retail price intelligence sistemi değildir. Bunlar sistemin parçaları olabilir. Ama değer, bu parçaların ticari karar akışına bağlanmasıyla oluşur.

Fiyat takibinin gerçek amacı “rakip fiyatı görmek” değildir. Gerçek amaç, fiyat ve promosyon kararlarını daha kontrollü, hızlı ve gerekçeli alabilmektir.

Bu ayrım yapılmadığında şirketin elinde fiyat verisi olur, ama karar sistemi olmaz.

Fiyat verisi karar değildir

Rakip fiyat verisi çoğu zaman heyecan yaratır. İlk ekran açıldığında herkes bakar. Hangi ürün nerede kaç TL? Kim indirime girmiş? Bizim fiyat endeksimiz ne durumda?

Fakat kısa süre sonra daha zor sorular başlar.

Bu ürün gerçekten bizim ürünle eşleşiyor mu?
Gramaj aynı mı?
Paket tipi aynı mı?
Promosyonlu fiyat mı, normal fiyat mı?
Stokta olmayan ürün dahil mi?
Pazaryeri satıcısı mı, retailer’ın kendi fiyatı mı?
Kargo veya sepet koşulu fiyatı değiştiriyor mu?
Bu fiyat farkı aksiyon gerektiriyor mu?

Bu sorular cevaplanmadan fiyat verisi karar üretmez. Hatta yanlış güven üretir.

Bir ürün yanlış eşleşirse fiyat endeksi yanıltıcı olur. Promosyon fiyatı ile normal fiyat karışırsa yanlış alarm doğar. Stokta olmayan ürün dikkate alınırsa rekabet resmi bozulur. Aynı ürün farklı gramajla karşılaştırılırsa fiyat farkı ticari gerçekliği yansıtmaz.

Bu yüzden retail price intelligence mimarisinin ilk konusu scraping değildir. İlk konu ürün ve fiyat gerçeğini doğru modellemektir.

Birinci katman: veri toplama

Sistemin ilk katmanı veri toplamadır.

Bu katmanda amaç farklı kaynaklardan fiyat, ürün, stok durumu, promosyon bilgisi, satıcı bilgisi, tarih ve mümkünse görsel / açıklama gibi sinyalleri toplamaktır.

Kaynaklar sektöre göre değişebilir. Online retailer siteleri, pazaryerleri, hızlı teslimat platformları, kataloglar, saha gözlemleri veya manuel veri girişleri kullanılabilir.

Ama burada kritik nokta şudur: veri toplama katmanı karar mantığıyla karıştırılmamalıdır.

Bir scraping akışı çalışıyor diye sistem tamamlanmış olmaz. Veri toplama sadece ham malzemeyi üretir. Ham malzemenin güvenilir, karşılaştırılabilir ve aksiyona hazır hale gelmesi için sonraki katmanlar gerekir.

Bu katmanda takip edilmesi gereken temel kalite soruları vardır:

• Veri hangi sıklıkta toplanıyor?
• Hangi kaynaklardan geliyor?
• Hangi ürünlerde eksik veri var?
• Fiyat değişimi gerçekten değişim mi, yoksa veri hatası mı?
• Stokta olmayan ürünler nasıl işaretleniyor?
• Promosyon bilgisi ayrı tutuluyor mu?
• Kaynak bazlı güven skoru var mı?
• Sistem olağandışı toplama desenlerini yakalayabiliyor mu?

Bu sorular yoksa sistem sadece “fiyat çekiyor” olur. Intelligence üretmez.

İkinci katman: ürün eşleştirme

Retail price intelligence’ın en kritik noktalarından biri ürün eşleştirmedir.

Çünkü fiyat karşılaştırması ancak doğru ürünler arasında anlamlıdır.

Aynı marka, farklı gramaj, farklı paket tipi, multipack, limited edition, bundle veya pazaryeri varyantı fiyatı ciddi şekilde değiştirebilir. Görsel olarak benzer ürünler ticari olarak farklı olabilir. İsimler farklı yazılabilir. Retailer ürün açıklamaları eksik veya tutarsız olabilir.

Bu yüzden ürün eşleştirme sadece metin benzerliği problemi değildir. Ticari bağlam problemidir.

İyi bir eşleştirme katmanı şunları birlikte kullanır:

• Marka
• Ürün adı
• Gramaj / hacim
• Paket tipi
• Adet bilgisi
• Kategori
• Görsel ipuçları
• Barkod veya ürün kodu varsa referans bilgi
• Geçmiş eşleşme hafızası
• İnsan onayı gereken düşük güvenli eşleşmeler

Burada amaç her şeyi otomatik eşleştirmek değildir. Amaç, güven seviyesini bilerek çalışmaktır.

Yüksek güvenli eşleşmeler otomatik kullanılabilir. Orta güvenli eşleşmeler izlenebilir. Düşük güvenli eşleşmeler insan onayına düşmelidir.

Yanlış eşleşmiş bir ürün, çoğu zaman hiç veri olmamasından daha tehlikelidir. Eksik veri belirsizlik üretir; yanlış eşleşme ise kendinden emin bir hata üretir. Çünkü sistem yanlış kararı daha düzenli biçimde tekrar etmeye başlar.

Üçüncü katman: fiyat normalizasyonu

Fiyatlar ham haliyle her zaman karşılaştırılabilir değildir.

Bir ürün bir retailer’da tekli satılırken, başka yerde ikili paket olabilir. Bir kaynak indirimli fiyatı gösterirken, başka kaynak liste fiyatını gösterebilir. Bazı ürünlerde sepet indirimi vardır. Bazılarında üyelik fiyatı veya belirli ödeme koşulu bulunur.

Bu yüzden fiyat normalizasyonu gerekir.

Sistem mümkün olduğunca fiyatları aynı karşılaştırma zeminine getirmelidir:

• Birim fiyat
• Paket başına fiyat
• Liste fiyatı
• Promosyon fiyatı
• Stok durumu
• Satıcı türü
• Tarih ve saat
• Kampanya etiketi
• Geçerlilik koşulu

Bu katman olmadan fiyat endeksi kırılgan olur.

Örneğin bir ürünün fiyatı rakibe göre yüzde 15 pahalı görünebilir. Ama rakipteki ürün farklı gramajdaysa veya geçici kampanya fiyatıysa, bu fark doğrudan aksiyon gerektirmeyebilir.

Fiyat normalizasyonu yargıyı ortadan kaldırmaz; ticari yoruma daha temiz bir zemin kurar.

Dördüncü katman: fiyat endeksi ve eşik kuralları

Veri toplandı, ürünler eşleşti, fiyatlar normalize edildi. Ama hâlâ karar oluşmadı.

Bu noktada fiyat endeksi ve eşik kuralları gerekir.

Fiyat endeksi basitçe “biz rakibe göre neredeyiz?” sorusunu cevaplar. Ama iyi bir sistemde bu tek bir genel skor değildir. Kategori, ürün grubu, müşteri, kanal, retailer, marka rolü ve stratejik önceliklere göre farklılaşabilir.

Her ürün için aynı fiyat farkı aynı anlama gelmez.

Lider ürünlerde fiyat hassasiyeti daha yüksek olabilir. Niş ürünlerde farklılık tolere edilebilir. Marjı düşük ürünlerde agresif fiyat takibi riskli olabilir. Kampanya dönemlerinde geçici farklar normal olabilir.

Bu yüzden eşik kuralları önemlidir.

Örnek eşikler:

• Fiyat endeksi belirli seviyenin üstüne çıktıysa uyarı üret.
• Ana rakip kampanyaya girdiyse ticari ekibe bildir.
• Fiyat farkı üç gün üst üste devam ediyorsa aksiyon listesine al.
• Düşük güvenli ürün eşleşmelerini karar ekranına taşıma.
• Stokta olmayan rakip fiyatını ana endeksten çıkar.
• Marj riski olan ürünlerde otomatik indirim önerisi üretme.

Bu kurallar olmadan sistem alarm üretir ama öncelik üretmez.

Beşinci katman: karar akışı

Retail price intelligence sisteminin asıl değeri burada başlar.

Fiyat farkını görmek önemlidir. Ama daha önemli soru şudur:

Bu fark için kim, ne zaman, hangi aksiyonu değerlendirecek?

Karar akışı tasarlanmamışsa fiyat takibi pasif rapora dönüşür.

İyi bir sistemde kritik fiyat değişimleri sadece ekranda durmaz. Sorumlu kişiye düşer. Aksiyon alternatifiyle birlikte gelir. Önceki benzer durumlar görülebilir. Marj, stok ve satış etkisi aynı bağlamda değerlendirilir. Karar gerekçesi kaydedilir. Sonuç daha sonra izlenir.

Örneğin sistem şöyle çalışabilir:

1. Rakip fiyatı değişti.
2. Ürün eşleşme güveni kontrol edildi.
3. Fiyat farkı normalize edildi.
4. Stratejik eşik aşıldı.
5. Sistem ticari ekibe uyarı üretti.
6. Ekip fiyatı koruma, kampanya açma, müşteri bazlı aksiyon veya bekleme kararı verdi.
7. Karar gerekçesi kaydedildi.
8. Sonraki satış, marj ve rekabet etkisi izlendi.

Bu noktada sistem artık sadece fiyat takip aracı değildir. Ticari karar hafızası üretmeye başlar.

AI burada nerede anlamlı olur?

AI bu mimaride doğru yerde kullanılırsa değerli olabilir. Ama fiyat kararını doğrudan AI’a bırakmak genellikle sağlıklı başlangıç noktası değildir.

AI daha çok şu alanlarda anlamlıdır:

• Ürün eşleştirme önerisi
• Düşük güvenli eşleşmeleri işaretleme
• Fiyat değişimi açıklaması hazırlama
• Anomali yakalama
• Rakip hareketlerini özetleme
• Ticari aksiyon taslağı üretme
• Geçmiş benzer kararları bulma
• Karar sonrası kısa yorum üretme

Ama fiyat değişikliğini otomatik uygulamak, özellikle marj, müşteri ilişkisi ve kanal stratejisi etkisi varsa dikkat ister.

AI’ın rolü karar vermek değil, karar hazırlığını güçlendirmek olmalıdır.

Sonuç

Rakip fiyat takibi, veri toplama projesi olarak başlatılırsa genellikle rapor üretir. Karar sistemi olarak tasarlanırsa ticari disiplin üretir.

Aradaki fark büyüktür.

Birinci yaklaşım “rakip fiyatı ne?” sorusuna cevap verir.
İkinci yaklaşım “bu fiyat farkı bizim için ne anlama geliyor ve ne yapmalıyız?” sorusuna yaklaşır.

Retail price intelligence sistemi; veri toplama, ürün eşleştirme, fiyat normalizasyonu, eşik kuralları, karar akışı ve öğrenen karar hafızası birlikte tasarlandığında değer üretir.

Sadece fiyat görmek yetmez. Hangi fiyat farkının önemli olduğunu, hangi aksiyonun değerlendirileceğini, kimin karar vereceğini ve kararın sonucunun nasıl izleneceğini de tasarlamak gerekir.