AI уроци от обратa на Nike: данни, наличности, печалба

Nike отчете 1% ръст на приходите до 12,4 млрд. долара за Q2, но това „добре“ е подвеждащо. Истинската история е в контрастите: Северна Америка +9% до 5,6 млрд., Greater China -17%, а при каналите wholesale +24% в Северна Америка срещу DTC -10%. Тези ножици са симптоми на нещо, което виждам постоянно в търговията: компанията вече не се конкурира само с продукти, а с скоростта на решенията.

Точно тук „Изкуствен интелект в търговията и електронната търговия“ става практичен, а не теоретичен. AI не е украса за презентации. AI е начин да превърнеш разпокъсаните сигнали (промоции, търсене, стилове, региони, канали) в оперативни решения: колко да произведеш, къде да разпределиш, кога да намалиш цената, какво да спреш и какво да ускориш.

Nike е силен казус, защото е в „средните ининги“ на обрат (по думите на CEO Elliott Hill) — вече има движения, но има и тежки компромиси. Ако управляваш e-commerce, omnichannel или retail мрежа, уроците са директно приложими.

1) „Средните ининги“ значи: различни скорости по региони и категории

Ключовият извод: един-единствен план за обрат не работи, когато географиите и категориите имат различна динамика. Nike го признава: обратът ще върви на различни скорости по категории, географии и брандове, а Китай изисква по-дълъг хоризонт.

В реалността това означава, че ти трябват различни модели за прогнозиране и управление, не просто различни бюджети.

Как AI помага, когато „едно и също“ не е едно и също

Практичният подход е да разглеждаш бизнеса като портфейл от „мини-пазари“:

• По региони: различна еластичност към цена, различни сезонности, различни конкуренти.
• По категории: обувки vs. apparel имат различен lifecycle, различни причини за покупка.
• По канал: DTC данните са богати (поведение, кошници), wholesale е по-инерционен (sell-in).

AI моделите за demand forecasting и customer behavior analysis могат да бъдат обучени по сегменти и да връщат решения тип:

„В Северна Америка премахни промоции за X стилове, но в Китай задръж промо агресията още 6 седмици и намали входящите количества с 18%.“

Това е разликата между „стратегия“ и оперативна точност.

2) Северна Америка като „повторима офанзива“: какво да копираш и какво да НЕ копираш

Ключовият извод: успехът в един регион не е шаблон за копиране 1:1. Той е източник на хипотези, които трябва да се валидират с данни.

Nike посочва Северна Америка като „blueprint“. Анализатори обаче виждат риск: ръстът идва силно от wholesale, докато DTC пада. Това е важно, защото wholesale sell-in може да скрие проблеми (инвентар, бъдещи промоции, канибализация), докато DTC показва истинското потребителско поведение в реално време.

AI тест: дали растежът е здрав или временен

Ето как бих го проверил през AI/аналитичен стек:

1. Decomposition на растежа: колко е от цена, колко от обем, колко от микс.
2. Сигнали за бъдещи промоции: растящо sell-in + падащо sell-through = бъдещ markdown риск.
3. Канибализация между канали: дали wholesale расте за сметка на DTC (и марж).
4. Cohort анализ за DTC: нови vs. връщащи се клиенти, честота на покупка, AOV.

AI може да маркира ситуации тип:

• „Wholesale расте, но N седмици по-късно започва натиск за промоции“
• „DTC спадът е концентриран в класически франчайзи, а не в нови линии“

Това позволява да реагираш преди да се появи проблемът в отчетите.

3) „Rightsizing“ на класиките: защо 550 млн. долара headwind е AI проблем

Ключовият извод: намаляването на „прекалено много от едно и също“ е болезнено, но нужно. Nike отчита, че приходите от класическите стилове са -20% YoY и създават headwind от 550 млн. долара.

Класиките са капан: те са предсказуеми, лесни за закупуване и лесни за „препълване“. После идва промоционалната спирала.

Как AI намалява нуждата от грубо „рязане“

Вместо да правиш рязко „спираме X“, AI позволява по-фин контрол:

• SKU-level прогноза по размер/цвят/канал (не само на модел)
• Оптимизация на разпределението (allocation) по магазини и региони
• Markdown оптимизация: кога и с колко да намалиш, за да минимизираш маржова загуба
• Ранно предупреждение за oversupply (напр. ако трафикът пада, а наличността расте)

Това е сърцевината на AI управление на наличности: по-малко „героични“ решения в последния момент и повече точни корекции всяка седмица.

4) Китай „особено тежко“: проблемът не е само търсене, а инфраструктура

Ключовият извод: когато компанията признава, че не е инвестирала достатъчно в store footprint и това води до слаб спрос и повече промоции, значи проблемът е системен. Анализатор го нарича „особено тежко“ положение.

Това не се оправя с една кампания или с още отстъпки. Оправя се с локален продукт-микс, локални цени и локална дистрибуция, които работят за конкретните потребители.

Как AI помага в „локализацията“ (без да се губи контрол)

За международни пазари AI дава три практични ползи:

1. Микросегментация: различни градове/провинции имат различни трендове и бюджети.
2. Price architecture: препоръки за ценови стълби (entry, core, premium) по канал.
3. Атрибуция на промоции: кога отстъпките движат реален обем и кога само разрушават маржа.

Ако добавиш и social listening + анализ на търсения/вътрешно търсене в сайта, получаваш ранен сигнал кое се „заражда“ като тренд, вместо да чакаш квартален конкурент да ти вземе сезона.

5) Apparel и NikeSkims: защо колаборациите стават по-умни с AI

Ключовият извод: NikeSkims е силен сигнал, че apparel може да компенсира слабости във footwear и да отвори нови аудитории. Nike казва, че успехът в Северна Америка е достатъчен, за да планира международна експанзия.

Колаборациите обаче са коварни: те създават пик, който може да бъде объркан с устойчиво търсене.

Как AI разделя „хайп“ от устойчиво търсене

Ето какво работи на практика:

• Преди лансиране: модел за прогноза на търсене на база waitlists, трафик, CRM сигнали, сходни лансирания.
• По време на лансиране: реалновременен мониторинг на конверсия, откази, наличности по размер.
• След лансиране: cohort анализ — колко от купилите се връщат след 30/60/90 дни.

Целта не е „да продадеш всичко веднага“. Целта е да построиш повтаряемо търсене, което храни DTC и маржа.

Какво да направиш още този месец: AI чеклист за търговски обрат

Ключовият извод: най-добрите AI проекти в retail са тези, които стъпват върху един болезнен бизнес проблем и го мерят седмица по седмица.

Ето кратък, изпълним план (работи и за e-commerce, и за physical retail):

1. Една „версия на истината“ за наличности: обедини склад, магазини, транзит, резервирани поръчки.
2. Прогноза на търсене на ниво SKU x канал: започни с топ 200–500 SKU, не с целия каталог.
3. Дашборд за промоционално здраве: марж, sell-through, дни наличност, промоционален дял.
4. Сигнали за DTC здраве: конверсия, CAC, повторна покупка, процент връщания.
5. Експерименти, не „големи промени“: A/B тестове на цени, комплекти, препоръки, merchandising.

Ако правиш само едно нещо: направи ранно предупреждение за промоционална спирала (растящи наличности + падащ sell-through + растящ промоционален дял). Това спасява маржове.

Накъде отива 2026: AI вече е условие за конкурентоспособност

Сезонът след празниците (януари–март) традиционно е стрес тест за инвентар и промоции. В този прозорец се вижда дали ръстът е „здрав“ или е купен с отстъпки. Историята на Nike в момента показва колко лесно е една компания да изглежда стабилна на ниво общи приходи и едновременно да има сериозни течове по региони, категории и канали.

AI в търговията и електронната търговия има една проста роля: да намали времето между сигнал и решение. Не за да замени хората, а за да им даде по-точни лостове.

Ако си в средата на собствен „turnaround“ — или просто усещаш, че промоциите и наличностите диктуват дневния ред — въпросът не е дали да внедриш AI. Въпросът е: коя част от веригата на решенията ти е най-бавна и най-скъпа в момента?