案例八：英国潮牌Footasylum — AI动态定价，如何在"甩卖"和"卖不掉"之间找到最优解

你逛过奥特莱斯吧？那些挂着"3折起"大牌的门店，看起来像在让利，其实背后是一个让零售商心在滴血的故事——这些货，是因为当初定价定错了，或者补货补多了，或者促销时机没踩对，才沦落到打折清仓的地步。

每一件3折卖出的衣服，都曾经是一件应该全价卖出的衣服。

这就是零售业最古老、也最难解决的问题之一：什么时候该打折？打几折？哪些款该多备货，哪些该少进？

靠人拍脑袋？可以，但代价很大。

今天这个故事的主角，是一家英国潮流运动零售商，叫Footasylum。他们的遭遇，可能让你重新理解"AI定价"到底解决的是什么问题。

Footasylum：一家"被反垄断弄得遍体鳞伤"的零售商

Footasylum成立于2005年，英国人创办的潮流运动品牌零售商，主打球鞋和街头服饰，核心客群是18-30岁的年轻人。门店约70家，遍布英国各地，再加上一个线上商城。

如果你对英国零售业有了解，可能知道2019年那件大事：英国最大的运动零售商JD Sports花了9000万英镑收购了Footasylum。看起来是个好归宿，但英国竞争与市场管理局（CMA）——相当于中国的反垄断部门——不答应了。CMA认为这笔收购会减少市场竞争，损害消费者利益。

拉扯了三年之后，2022年，JD Sports被迫以3800万英镑——不到买入价的一半——把Footasylum卖给了德国资产管理公司Aurelius Group。

你可以想象Footasylum这三年经历了什么：收购谈判、反垄断调查、所有权变更、管理层动荡……品牌元气大伤。当Aurelius接手时，摆在面前的是一个迫切需要"自力更生"的零售商——不能再靠大集团的资源了，必须用更聪明的方式赚钱。

数千个SKU，一个Excel表

Footasylum的定价团队面临的核心难题，和中国的零售商几乎一模一样：

库存太多 = 资金压死你。 球鞋和潮牌最怕的就是过季。一双今年夏天的限量款，到了秋天就变成了"过气款"，只能打5折清仓。但你进货的时候哪知道它会不会火？

库存太少 = 错过销售。 有些款突然在TikTok上被博主带火了，门店一天就卖空了，但补货要两周。两周之后，热度已经过了。

定价全靠人工判断。 Footasylum有数千个SKU，每个SKU在不同门店的销售表现还不一样。定价团队靠什么决策？Excel表格。一群人坐在那里，盯着上周的销售数据和库存量，讨论"这个款要不要降价""降多少""什么时候降"。

这种方式的问题在于：它太慢了，而且太粗糙了。

人能处理的变量是有限的——一个买手可能同时关注50个款，但实际上有5000个款需要关注。他只能照顾到头部的热卖款和尾部的滞销款，中间那一大批"看起来还行"的款，往往就被忽略了。等到季末一看，这些"被忽略的款"积压了一仓库。

Peak AI：一家"卖决策"的公司

2021年10月，Footasylum与英国AI公司Peak AI签署了合作协议。

Peak AI成立于2014年，总部在曼彻斯特。它的定位不是"卖技术"的公司，而是"卖决策"的公司。产品核心叫"Decision Intelligence"（决策智能）——帮零售商在定价、补货、促销、客户细分等关键决策上，用数据和算法替代（或辅助）人的直觉。

Peak的系统做了什么？它整合了Footasylum的四类核心数据：

1. 历史销售数据：每个SKU、每个门店、每天的销售量和销售额
2. 实时库存水位：仓库、门店、在途库存的实时数据
3. 竞争对手价格：通过网络爬虫实时监控竞品的定价变动
4. 需求模型：基于季节性、节假日、天气、社交媒体趋势等因素的需求预测

这四类数据汇总后，AI给出两类输出：

第一，动态定价建议。 对于每个SKU，AI实时计算"当前价格是高了还是低了"——如果库存多且需求在下降，建议降价；如果库存少且需求在上升，建议维持甚至涨价。但注意，AI不是自动改价，而是以"建议+置信度评分"的方式辅助买手做最终决策。置信度90%以上的建议，买手通常直接采纳；置信度偏低的，买手会结合自己的经验判断。

第二，补货策略。 需求预测模块告诉采购团队："这个款在接下来两周的预计销量是多少，当前库存能撑几天，建议补多少货、什么时候下单。"

实施：先鞋子，再衣服

实施分两个阶段：

第一阶段（约3个月）：鞋类核心品类。

鞋子是Footasylum的核心品类，SKU集中、数据量大、季节性强，最适合做AI定价的试点。Peak的团队和Footasylum的数据团队联合训练模型，用了大约3个月完成初版上线。

最大的挑战不是算法，而是数据清洗。 这是几乎所有AI落地项目都会遇到的"脏活累活"。Footasylum的历史销售数据存在大量问题：部分门店的数据缺失（因为系统切换丢了几个月的记录）、不同渠道的数据口径不一致（线上用含税价、线下用不含税价）、退货数据没有从销售数据中扣除。数据团队花了近6周，才把数据清洗到可以训练模型的程度。

第二阶段：扩展到服装品类，引入需求预测。

鞋类验证成功后，Peak扩展到服装品类，并同步引入需求预测模块——不仅帮你"现在怎么定价"，还帮你"下季度该进多少货"。

另一个意外收获：AI驱动的客户细分。 Peak的系统给Footasylum做了精细化的客户分群——按照购买频次、偏好品类、价格敏感度、流失风险等维度，把客户分成不同群体，然后为每个群体制定个性化的营销策略。

这个功能的效果极其惊人：邮件营销收入提升了28%。 原因很简单——以前给所有人发一样的促销邮件，现在给不同人发不同的推荐。高价值客户收到新品首发通知，价格敏感客户收到折扣信息，流失风险客户收到召回优惠。

更夸张的数字出现在社交媒体广告上：广告投入产出比（ROAS）达到行业平均水平的30倍。 Footasylum自己之前的ROAS是多少？AI优化后的社交广告ROAS是它的10倍。

效果汇总

成熟运行后：

• 目标品类营收提升10-15%
• 库存周转效率明显改善，过季清仓折扣幅度缩减，利润率有所保护
• 邮件营销收入提升28%
• 社交广告ROAS达到行业平均30倍
• 2025年，合作扩展到更多品类

这个案例的核心洞察：零售的本质是"决策"

很多人觉得零售业的核心竞争力是"选品"或者"品牌"。这些当然重要，但在操作层面，零售业每天都在做数以千计的微决策：这个款要不要降价？降多少？什么时候降？这个款要不要补货？补多少？这个广告要给谁看？

这些微决策中的每一个，都直接影响利润。而人类做这些微决策的能力是有上限的——一个买手能同时关注50个款已经是极限了，但他可能需要关注5000个。

AI定价的本质，不是"让机器替你定价"，而是"把人从5000个微决策中解放出来，让人只做那50个最重要的决策"。

Peak AI的系统不会完全取代买手。置信度高的建议自动执行，置信度低的交给人判断。这就是人机协作的最优形态——AI处理90%的"量"，人处理10%的"度"。

对于中国的零售商来说，这个逻辑完全适用。不管你是做线上还是线下，不管你卖球鞋还是卖零食，只要你有足够多的SKU和足够多的历史销售数据，AI定价就能帮你少打折、少积压、多赚钱。

你不需要全面改造——先选一个品类试试。哪怕单个品类10%的收入提升，就够覆盖整个AI投入了。