Што е оптимизација на асортиман?

Оптимизацијата на асортиманот е дисциплина која се справува со оваа празнина. Тоа го поврзува она што централата ќе одлучи со она што клиентите навистина го наоѓаат на полицата - преку податоци, континуирано учење и извршување на ниво на складирање-. Овој водич опфаќа што е тоа, зошто повеќето пристапи не успеваат, како да се имплементира и како да се измерат резултатите.

Оптимизација на асортиман наспроти планирање на асортиман: Која е разликата?

Овие два термина често се користат наизменично. Тие опишуваат фундаментално различни процеси.

Планирањето дефинира како треба да изгледа вашиот асортиман. Оптимизацијата осигурува дека навистина го извршува - и продолжува да се подобрува како што се менуваат условите.

Трите слоеви каде што се донесуваат и губат одлуките за асортиманот

Повеќето трговци на мало инвестираат многу во првиот слој. Најголемите празнини во изведбата живеат во другите две.

Стратешки слој: Што да се продаде

Ова е местото каде што се случуваат одлуките на ниво на категорија-: кои производи заработуваат простор на полица, како се балансираат приватните етикети во однос на националните брендови и каква улога има секоја категорија во севкупната стратегија на продавницата. Одлуките овде се носат во седиштето, водени од податоците на пазарот и конкурентните бенчмаркинг, и се менуваат на долги циклуси.

Ризик: збирните податоци ги маскираат локалните варијации. Производот со прифатлива национална продажба може да има недоволно работење во 40% од продавниците и да има преголеми перформанси во други 30%. Просеците го кријат сигналот.

Тактички слој: каде и како да го продадете

Тактичкиот слој ја преведува стратегијата во-специфични планови за локација: групирање продавници, дизајн на планограм и правила за продажба. Ова е местото каде што асортиманот станува вистински локален - урбана продавница со висока-густина има различни ограничувања на просторот, шеми на пешачки сообраќај и мисии на купувачи отколку приградски формат.

Ризикот: одлуките на ова ниво сè уште во голема мера се потпираат на претпоставки наместо на вистински сигнали за складирање- на ниво. Асортиманите може да изгледаат добро-локализирани на хартија, додека во пракса остануваат погрешно усогласени.

Оперативен слој: Што всушност допира до клиентот

Ова е местото каде што оптимизацијата на асортиманот успева или тивко пропаѓа. Оперативниот слој ја одразува физичката реалност со која се среќаваат клиентите: кои производи се на полица, дали планограмите се правилно извршени, дали промоциите се видливи и дали залихите се фатени и брзо решени.

Без реално-временска видливост во извршувањето на продавницата, секоја одлука нагоре е делумно претпоставка. Технологиите какоелектронски етикети на полицитеи IoT сензорите сè почесто се користат за затворање на овој јаз во видливост - за автоматско снимање на состојбите на полица наместо да се потпираат на рачни ревизии што се случуваат премногу ретко за да можат да се преземат.

Зошто традиционалната оптимизација на асортиманот не успева?

Повеќето стратегии за асортиман се добро- дизајнирани на хартија. Еве каде се распаѓаат во пракса.

Неуспешен режим 1: Историските податоци се оптимизираат за минатото

Историјата на продажба ви кажува што купувале клиентите под условите што постоеле во тоа време - со асортиманот што бил достапен, по цените што биле поставени. Не може да ви каже што сакале клиентите, но не можеле да најдат. Во категориите што се движат брзо-до моментот кога трендот јасно се појавува во историските податоци, прозорецот за дејствување честопати веќе поминал.

Режим на неуспех 2: Централизирани одлуки, локална реалност

Кога одлуките за асортиман се донесуваат целосно во седиштето, нијансата на нивото на продавницата се намалува во просек. Производот со просечни национални продажби, но со силни перформанси во одредени типови продавници може да биде отстранет од списокот. Стандардизиран планограм се распоредува низ продавници со значително различни димензии на полиците и демографија на купувачите.

Режим на неуспех 3: податочните силоси произведуваат нецелосни одлуки

Малопродажните организации генерираат податоци низ повеќе системи --продажни-продажни места, залихи, лојалност, е-трговија и сензори во{4}}продавницата. Менаџерите на категории работат од еден сет на податоци. Синџирот на снабдување работи од друг. Работи на складирање од третина. Ниту еден од овие погледи не е комплетен, а одлуките донесени од кој било поединечен сило ќе создадат проблеми видливи само во друг.

Режим на неуспех 4: Усогласеноста со планограмот е помала отколку што мисли централата

Планограмот дава вредност само ако се извршува правилно и доследно. Во повеќето малопродажни мрежи, стапките на усогласеност значително се разликуваат во продавниците - и централата обично не знае додека не се измери. Ако ги проценувате перформансите на полицата на производот врз основа на податоците за продажбата, но тој производ е во погрешна позиција во 20% од вашите продавници веќе три месеци, податоците за вашата изведба се несигурни. Разбирањеколку често се освежуваат податоците на полицатае директно поврзана со точноста на овие мерења.

Режим на неуспех 5: Сите канални сигнали не се читаат

Однесувањето на клиентите преку Интернет е богат извор на интелигенција на асортиманот што повеќето физички трговци на мало го игнорираат. Пребарувањата со нула-резултати на вашата платформа за е-трговија ви покажуваат што точно бараат клиентите, а вие не го носите. Високите-прелистувачки, ниски-шеми за купување откриваат побарувачка што може да бара проценка во-продавницата пред конверзија. Клиентот кој бара производ онлајн, го наоѓа недостапен и остава, не генерира податоци во-системот на продавницата -, но тоа отсуство на податоци е само сигнал, ако го изградите процесот за да го снимите. Почетната точка е поврзување на вашето онлајн пребарување и прелистување податоци со работниот тек на планирање на категоријата, дури и неформално.

Како вештачката интелигенција ги подобрува одлуките за асортиман

Рачното управување со асортиманот низ стотици продавници и десетици илјади SKU ги достигна границите на она што може да го поддржат табелите и периодичните прегледи. ВИ придонесува на специфични, мерливи начини.

Зачувајте-прогнозирање на нивото на побарувачка.Традиционалното прогнозирање функционира на ниво на банер или кластер. Моделите за машинско учење можат да генерираат прогнози на поединечно ниво на продавница и SKU, земајќи ги предвид локалните фактори - демографијата на соседството, конкуренцијата во близина, сезонските микро-трендови - коишто се во просек од пошироките модели. Оваа грануларност е она што ги прави одлуките за локализиран асортиман да бидат одбранливи наместо претпоставени.

Рационализација на SKU.Не секој производ го заработува својот простор. Моделите со вештачка интелигенција можат да идентификуваат кои SKU трошат недвижен имот и залихи на полица без пропорционални приноси - кои го опфаќаат придонесот на маржата, ефектите на замена и влијанието на кошницата. Критичната разлика е помеѓу бавните-придвижувачи кои служат на лојална ниша и бавните-придвижувачите кои едноставно имаат слаби перформанси. Вештачката интелигенција може да прави разлика помеѓу двете на скала што мануелната анализа не може.

Динамично усогласување на цените и промоцијата.Одлуките за асортиман не постојат изолирано од цените. Управувано со вештачка интелигенција-динамични цениможе да ја усогласи промотивната активност со перформансите на асортиманот во реално време - намалувајќи ја неусогласеноста помеѓу планираното и она на што клиентите навистина реагираат на ниво на полица.

Следење на извршувањето.Податоците од компјутерската визија и сензорот можат да ги идентификуваат отстапувањата на планограмот без да бараат целосни рачни ревизии. Напредува вотехнологија за етикети на полицитего направија автоматското следење на состојбата на полица-подостапно за продавачите од средна-големина, а не само за големите синџири.

Рамка од пет-чекор за имплементација

Повеќето трговци на мало знаат дека се работи за оптимизација на асортиманот. Помалку имаат јасна почетна точка. Оваа рамка е дизајнирана да може да се користи во било кој размер.

Чекор 1: Ревизија на вашиот тековен асортиман

Пред да оптимизирате било што, воспоставете искрена основна линија. Која е вашата моментална стапка на залихи по категорија и по продавница? Кои SKU го генерираат долниот децил на продажба по квадратен метар? Каде се најголемите празнини помеѓу планираниот асортиман и вистинската достапност на полица? Ако не можете да одговорите на овие прашања со веродостојни податоци, тоа е само по себе најважното откритие - и сигналот да се инвестира во видливост пред да инвестирате во алатки за оптимизација. А структуриранаосновна пресметка на рентабилностможе да помогне да се измери каде се празнините со најголемо-влијание пред да се посветите на кој било пристап.

Чекор 2: Дефинирајте ги вашите кластери за продавници

Не треба сите продавници да носат ист асортиман, но сосема уникатен асортиман за секоја продавница е оперативно неуправлив. Кластерирањето за складирање ги премостува овие крајности со групирање локации со значајно слични профили на побарувачка. Ефективното кластерирање е изградено на вистинското однесување при купувањето - составот на кошницата, брзината на категоријата, моделите на мисијата на купувачот - не на претпоставената демографија. Повеќето трговци работат со четири до осум кластери, во зависност од големината на мрежата и разновидноста на форматот. Вистинскиот број е оној каде што секој кластер навистина се однесува доволно различно за да гарантира посебен шаблон за производ.

Чекор 3: Интегрирајте ги вашите извори на податоци

Оптимизацијата на асортиманот е исто толку добра колку и податоците што го хранат. Во најмала рака, потребни ви се SKU{1}}податоци за продажба на ниво по продавница со најмалку 12 месеци историја, тековни нивоа на залихи и одредена мерка за достапноста на полица. Прашањето за тоа како се запишуваат податоците од полицата - дали преку рачни извештаи, ESL системи или сензори за IoT - директно влијае на свежината и веродостојноста на податоците. Разбирање наопции за поврзување за снимање податоци на полицатае практична рана одлука. Совршената интеграција на податоците не е предуслов за стартување на -, но треба да ги разберете празнините и доцнењето на вашите податоци пред да му верувате на нивниот излез.

Чекор 4: Поставете правила за оптимизација и заштитни огради

Моделите за вештачка интелигенција и алгоритмите за оптимизација имаат потреба од ограничувања. Не секоја одлука треба да биде автоматизирана. Дефинирајте јасно кои одлуки може да се извршуваат автоматски - како што се предизвикувачи за надополнување за SKU со голема-брзина - и кои бараат човечки преглед, како што е бришење производ од кластерот. Заштитните огради исто така штитат од грешки што ги прават автоматските системи кога податоците се нецелосни. Вообичаен пример: алгоритам препорачува отстранување на производ бидејќи неговата продажба е мала, кога вистинската причина е постојаните залихи што податоците за продажбата не ги разликуваат од ниската побарувачка.Грешки при прикажувањето на цената и достапностасе поврзани режим на оперативен неуспех кој вреди да се разбере пред да се воведе автоматизација.

Чекор 5: Мерење, учење и повторување

Оптимизацијата на асортиманот е континуиран процес, а не-еднократен проект. Воспоставете редовен ритам на прегледување - квартално најмалку за стратешки одлуки, месечно за тактички прилагодувања. Создадете структурирани циклуси за повратни информации помеѓу тимовите од централните категории и складирајте-податоци за изведба на ниво. Третирајте го секој циклус на планирање како експеримент: формирајте хипотеза, спроведете промена, измерете го исходот, искористете го тоа учење во следниот циклус. Организациите кои извлекуваат најголема вредност од овој процес не се оние со најсофистицирани алатки. Тие се оние кои имаат изградено навика постојано да учат од податоците.

Шест KPI за мерење на оптимизација на асортиманот

Следете ги сите шест метрики на ниво на продавница, не само збирно. Просеците на мрежното-ниво често ги кријат продавниците каде што проблемите се најостри - и каде што постојат најголеми можности за оптимизација.

Оптимизација на асортиман преку онлајн и физички канали

За трговците на мало кои работат преку физички и дигитални канали, одлуките за асортиман не може да се управуваат изолирано.Околината за малопродажбасе промени: клиентите течно се движат помеѓу каналите, а податоците од секој канал може да информираат за одлуките на другиот.

Онлајн како сигнал за асортиман.Пребарувањата со нула-резултати на вашата платформа за е-трговија се директен показател за празнините во асортиманот - клиенти кои точно ви кажуваат што сакаат, а вие не го носите. Моделите за купување со високи-прелистување, ниски-може да укажуваат на производи што клиентите сакаат лично да ги проценат пред да ги купат, што има импликации за опсегот на-продавниците. СпоредИстражување на McKinsey, над 70% од потрошувачите сега очекуваат персонализирани искуства - очекување што се однесува на достапноста на производот исто како и на комуникациите.

Унифициран наспроти диференциран асортиман.Дали вашиот асортиман на онлајн и{0}}продавница треба да се усогласи зависи од форматот на вашата продавница и однесувањето на клиентите. Унифициран асортиман ги поедноставува операциите и произведува почисти податоци за побарувачката, но ги принудува физичките продавници да ја носат сложеноста на онлајн каталогот што повеќето формати не можат да го примат. Диференциран пристап - каде што физичките продавници имаат курирано јадро со висока-брзина додека онлајн каналот се справува со долгата опашка - добро функционира кога двата канали служат навистина различни шопинг мисии. Рамката за одлучување е едноставна: ако клиентите редовно пребаруваат онлајн и конвертираат во-продавницата, усогласувањето е важно. Ако онлајн и{9}}купувачите во продавниците се во голема мера различна публика, диференцијацијата може да биде поефикасна.

Од каде да започнете.Најпрактичната влезна точка е поврзувањето на вашите податоци од пребарувањето за резултатите од -трговија нула- со прегледот за планирање на категоријата. Не е потребна нова технологија - месечниот извоз на неуспешни барања за пребарување прегледани од менаџерите на категории може да ги истакне празнините во асортиманот што во-податоците за продажбата на продавниците никогаш нема да ги откријат. Спарување на ова соподобрено зафаќање податоци на ниво на полицата-во физичките продавници создава затворена јамка помеѓу онлајн сигналите и извршувањето во-продавницата.

Како ова изгледа во пракса

Следниве сценарија илустрираат како принципите за оптимизација на асортиманот се применуваат во форматите на малопродажба. Ова се илустративни примери, а не конкретни студии на случај на компанијата.

Намирници: маскирање на локалната побарувачка во збирни податоци.Регионален синџир на намирници планира асортимани користејќи податоци за збирни категории. Категориите на етничка храна - силни изведувачи во одредени населби - постојано се недоволно застапени бидејќи нивната продажба се намалува кога се навива до нивото на банерот. Пристапот заснован на кластер-, изграден врз вистинскиот состав на кошницата, открива дека она што изгледаше како ниска побарувачка во категоријата во одредени групи продавници, наместо тоа, беше проблем со структурно собирање податоци. Прилагодувањето на шаблоните на тие продавници за да го одразуваат однесувањето на локалното купување ја затвора празнината. Овозможувачкиот фактор не е нова технологија - тоа е расчленување на податоците за побарувачката по продавница наместо по банери. Подобра видливост преку алатки какоелектронски етикети на полиците во продавниците за хранаго поддржува тековното мерење дали тие приспособени асортименти навистина се извршуваат.

Мода: управување со SKU со долга-опашка.Специјален продавач на облека носи неколку илјади активни SKU по сезона. Прегледот на продуктивноста открива дека значителен дел од опсегот генерира непропорционално мал дел од приходите додека троши ресурси за планирање, залихи и надополнување. Анализата раздвојува две групи на слаби перформанси: SKU без препознатлива лојална база на клиенти и негативен простор-на-маргинална придонес и SKU со низок вкупен обем, но високи стапки на повторување на купување кај одреден сегмент на купувачи. Првата група е исфрлена. Вториот е задржан со прилагодена распределба на просторот. Резултатот е потесен опсег што е полесен за извршување и со помала веројатност да создаде замор при одлучувањето на ниво на полица.

Практично малопродажба: брзина на извршување како диференцијатор.Мал-синџир за практични формати работи на локации каде што секој квадратен метар е висок-, а цената на залихите се зголемува со ниски браници на залихи. Ограничувачкиот фактор не е планот на асортиманот - тоа е времето помеѓу појавата на залихи и одговорниот соработник во продавницата на тоа. Намалувањето на тој јаз преку автоматско следење на полиците, наместо да се потпира на закажани рачни проверки, има директно и мерливо влијание врз-достапноста во продавницата за категориите на импулси со високи-маргини.

Најчесто поставувани прашања

Што е оптимизација на асортиманот во малопродажбата?

Оптимизацијата на асортиманот е процес на континуиран избор и рафинирање на мешавината на производи што се нуди во секоја продавница за да се максимизира продажбата, маржата и задоволството на клиентите. За разлика од едно-временско планирање на асортиманот, тој интегрира податоци за реално-време и тековни прегледи на перформансите за да го одржува изборот на производи усогласен со реалната побарувачка.

Која е разликата помеѓу планирањето на асортиманот и оптимизацијата на асортиманот?

Планирањето на асортиманот е периодичен, централизиран процес - вообичаено сезонски или годишен - кој дефинира кои производи да се носат врз основа на историски податоци. Оптимизацијата на асортиманот е континуирана. Вклучува-сигнали за реално време и складира-податоци за изведба на ниво за да го прилагоди асортиманот како што се менуваат условите. Планирањето ја поставува почетната насока; оптимизацијата го одржува калибриран.

Како вештачката интелигенција ја подобрува оптимизацијата на асортиманот?

Вештачката интелигенција овозможува складирање-прогнозирање на ниво на побарувачка што ги надминува просеците на кластерот, ги идентификува SKU со слаби перформанси додека се пресметуваат ефектите на замена, генерира препораки за планограм врз основа на тековната брзина на продажба и ги обработува реалните-временски сигнали - временските услови, локалните настани, активноста на конкурентот {{3} не може да делува во времето за рачно планирање.

Кои се најчестите причини поради кои не успева оптимизацијата на асортиманот?

Петте најчести начини на неуспех: преку-потпирање на историски податоци што не можат да ја фатат моменталната побарувачка; централизирано донесување-одлуки што ги пропушта локалните варијации; siled податочни системи кои создаваат нецелосна слика; усогласеност на планограмот пониска од она што го претпоставува седиштето; и неуспехот да се вградат сигнали за онлајн побарувачка што откриваат празнини невидливи само во-податоците за продажбата на продавниците.

Кои KPI треба да ги следам за оптимизација на асортиманот?

Најкорисните метрики се стапката на залихи, продажба-преку стапка, продуктивност на SKU (приходи или маржа по единица простор на полица), стапка на усогласеност на планограмот, придонес на маргината на категоријата и усогласување на побарувачката на кластерот (варијанса помеѓу планираниот асортиман и вистинската продажба-на ниво на кластер). Следете ги сите овие на ниво на продавница, не само збирно.

Колку време трае имплементацијата?

Основна ревизија и рамка за оптимизација базирана на кластер{0}}обично може да се развијат во рок од неколку месеци со користење на постоечки податоци. Пософистицираната континуирана оптимизација на-направена вештачка интелигенција бара посилна податочна основа и може да потрае од 12 до 18 месеци за целосно да се операционализира. Започнувањето со ревизијата скоро секогаш открива брзи добивки достапни пред да биде потребна каква било нова технологија.

Дали помалите трговци можат да имаат корист од оптимизацијата на асортиманот?

Да. Принципите се применуваат без оглед на скалата -, разбирањето кои производи го заработуваат својот простор, следењето на зачестеноста на залихите и градењето јамки за повратни информации помеѓу податоците за продажба и одлуките за производот се значајни за секоја операција со големина. На помалите трговци на мало можеби нема да им требаат платформи за вештачка интелигенција на претпријатијата; бесплатните или алатките за анализа со ниска{3}}трошоци можат да поддржат корисна оптимизација врз основа на податоците што веќе ги имаат. Изборот нарешение за етикетата на десната полицае една практична почетна точка за подобрување на собирањето податоци без значителни инвестиции во инфраструктурата.

Кои податоци ми се потребни за да започнам?

Најмалку: SKU-на ниво на податоци за продажба по продавница со најмалку 12 месеци историја, тековни нивоа на залихи и одредена мерка за достапноста на полиците - дури и рачни извештаи за залихи. Од оваа основа, можете да извршите значајна ревизија, да ги идентификувате вашите можности со најголемо-влијание и да изградите патоказ за подобрување на податоците. Совршените податоци не се предуслов. Корисна оптимизација е можна со несовршени податоци, сè додека ги разбирате и сметате нивните празнини.

Од каде да започнете

Оптимизацијата на асортиманот дава најголема вредност кога работи како континуиран циклус - ги анализира перформансите, ја приспособува мешавината на производи, извршува во-продавница, мери резултати и повторува. Трговците на мало кои најефективно ја градат оваа способност не се нужно оние кои прво инвестираат во најнапредните алатки. Тие се оние кои започнуваат со искрени податоци за тоа каде пропаѓа нивниот тековен асортиман и градат организациски навики за да постапуваат по тие податоци доследно.

Ако почнувате од нула, четири дејства се веднаш постапливи: извршете ревизија на залихи и продуктивност на SKU користејќи податоци што веќе ги имате; прегледајте ги дефинициите на кластерот за продавници во однос на вистинското однесување за купување наместо претпоставената демографија; поврзете ги вашите податоци за пребарување на-трговија нула- со работниот тек на планирање на категоријата; и дефинирајте кои одлуки за асортиман треба да бидат автоматизирани наспроти прегледани од човек пред извршувањето.

Секое од овие може да се направи пред да се набави која било нова технологија - и секоја од нив ќе создаде појасна видливост за тоа каде инвестицијата во технологијата всушност ќе ја придвижи иглата.