Шта је оптимизација асортимана?

Оптимизација асортимана је дисциплина која се бави овим недостатком. Повезује оно што централа одлучује са оним што клијенти заправо налазе на полици - кроз податке, континуирано учење и извршење{2}}на нивоу продавнице. Овај водич покрива шта је то, зашто већина приступа не успе, како то применити и како мерити резултате.

Оптимизација асортимана у односу на планирање асортимана: у чему је разлика?

Ова два термина се често користе наизменично. Они описују фундаментално различите процесе.

Планирање дефинише како ваш асортиман треба да изгледа. Оптимизација осигурава да заиста ради - и наставља да се побољшава како се услови мењају.

Три слоја где се одлуке о асортиману доносе и губе

Већина трговаца улаже много у први слој. Највећи јаз у перформансама живи у друга два.

Стратешки слој: Шта продати

Овде се дешавају одлуке на{0}}нивоу категорије: који производи зарађују простор на полицама, како се приватне робне марке упоређују са националним брендовима и коју улогу свака категорија игра у укупној стратегији продавнице. Одлуке се овде доносе у седишту, вођене тржишним подацима и конкурентским бенцхмаркингом, и мењају се у дугим циклусима.

Ризик: збирни подаци маскирају локалне варијације. Производ са прихватљивом националном продајом може бити лошији у 40% продавница и бољи у још 30%. Просеци скривају сигнал.

Тактички слој: где и како га продати

Тактички слој претвара стратегију у{0}}специфичне планове за локацију: груписање продавница, дизајн планограма и правила продаје. Овде асортиман постаје истински локални - урбана продавница велике густине- има другачија ограничења простора, шеме пешачког саобраћаја и мисије купаца од формата у предграђу.

Ризик: одлуке на овом нивоу се и даље у великој мери ослањају на претпоставке, а не на стварне сигнале{0}}на нивоу продавнице. Асортиман може изгледати добро-локализован на папиру док у пракси остаје углавном неусклађен.

Оперативни слој: Шта заправо стиже до купца

Овде оптимизација асортимана успева или тихо не успе. Оперативни слој одражава физичку стварност са којом се купци сусрећу: који производи се налазе на полици, да ли су планограми правилно изведени, да ли су промоције видљиве и да ли су залихе ухваћене и брзо решене.

Без{0}}видљивости извршења у продавници у реалном времену, свака одлука навише је делимично нагађање. Технологије попутелектронске етикете на полицамаи ИоТ сензори се све више користе за затварање овог јаза у видљивости - аутоматски бележећи стања на полицама уместо да се ослањају на ручне ревизије које се дешавају сувише ретко да би се могле предузети.

Зашто традиционална оптимизација асортимана не успе

Већина стратегија асортимана је добро{0}}осмишљена на папиру. Ево где се кваре у пракси.

Режим грешке 1: Историјски подаци се оптимизују за прошлост

Историја продаје вам говори шта су купци купили под условима који су постојали у то време - са асортиманом који је био доступан, по ценама које су постављене. Не може вам рећи шта су купци желели, али нису могли да пронађу. У категоријама које се брзо{3}}окрећу, до тренутка када се тренд јасно појави у историјским подацима, период за акцију је често већ прошао.

Режим грешке 2: Централизоване одлуке, локална стварност

Када се одлуке о асортиману доносе у потпуности у седишту, нијанса{0}}на нивоу продавнице се усредсређује. Производ са осредњом националном продајом, али добрим перформансама у одређеним типовима продавница може бити уклоњен са листе. Стандардизовани планограм се примењује у продавницама са значајно различитим димензијама полица и демографијом купаца.

Режим грешке 3: Силоси података доносе непотпуне одлуке

Малопродајне организације генеришу податке у више система - сензора-продајних места-залиха, лојалности, е-трговине и-продавнице. Менаџери категорија раде из једног скупа података. Ланац снабдевања функционише из другог. Операције складишта од трећине. Ниједан од ових погледа није потпун, а одлуке донете из било ког појединачног силоса ће створити проблеме видљиве само у другом.

Режим грешке 4: Усклађеност планограма је нижа него што се мисли у штабу

Планограм доноси вредност само ако се изводи исправно и доследно. У већини малопродајних мрежа, стопе усклађености значајно варирају у различитим продавницама -, а седиште обично не зна док се не измери. Ако процењујете учинак производа на полицама на основу података о продаји, али је тај производ био на погрешној позицији у 20% ваших продавница три месеца, ваши подаци о учинку су непоуздани. Разумевањеколико често се подаци о полици освежавајује директно везан за тачност ових мерења.

Режим грешке 5: Омниканални сигнали остају непрочитани

Понашање купаца на мрежи је богат извор информација о асортиману који већина физичких продаваца игнорише. Претраге без-резултата на вашој платформи за е-показују вам тачно оно што клијенти траже, а ви не носите. Високи обрасци-прегледања, ниски-обрасци куповине откривају потражњу која може захтевати процену у-продавници пре конверзије. Купац који тражи производ на мрежи, нађе га недоступан и остави не генерише податке у-систему продавница -, али тај недостатак података је сам по себи сигнал, ако изградите процес да га ухватите. Полазна тачка је повезивање ваших података за претрагу и претраживање на мрежи са вашим током рада за планирање категорија, чак и неформално.

Како АИ побољшава одлуке о асортиману

Ручно управљање асортиманом у стотинама продавница и десетинама хиљада СКУ-ова достигло је границе онога што табеле и периодични прегледи могу да подрже. АИ доприноси на специфичне, мерљиве начине.

Предвиђање{0}}тражње на нивоу продавнице.Традиционално предвиђање функционише на нивоу банера или кластера. Модели машинског учења могу да генеришу предвиђања на нивоу појединачне продавнице и СКУ-а, узимајући у обзир локалне факторе - демографију у окружењу, конкуренцију у близини, сезонске микро-трендове - које шири модели усредсређују. Ова грануларност је оно што чини одлуке о локализованом асортиману одбрањивим, а не претпостављеним.

СКУ рационализација.Не зарађује сваки производ свој простор. АИ модели могу да идентификују који СКУ-ови троше некретнину на полицама и капитал залиха без пропорционалних приноса - узимајући у обзир допринос марже, ефекте замене и утицај корпе. Критична разлика је између спорих-корисника који служе лојалној ниши и спорих{4}}која једноставно имају лошији учинак. АИ може да разликује то двоје на скали коју ручна анализа не може.

Усклађивање динамичких цена и промоције.Одлуке о асортиману не постоје одвојено од цена. АИ{1}}водидинамичко одређивање ценаможе да усклади промотивну активност са учинком асортимана у реалном времену - смањујући неусклађеност између онога што је планирано и онога на шта купци заправо реагују на нивоу полице.

Праћење извршења.Компјутерски вид и подаци сензора могу да идентификују одступања планограма без потребе за потпуним ручним проверама. Напредује утехнологија етикетирања полицаучинили су аутоматизовано{0}}надгледање стања на полицама све доступнијим за средње-продавце, а не само за велике ланце.

Оквир од -пет корака за имплементацију

Већина трговаца на мало зна да је оптимизација асортимана важна. Мањи број има јасну полазну тачку. Овај оквир је дизајниран да буде употребљив у било којој скали.

Корак 1: Ревизија вашег тренутног асортимана

Пре него што било шта оптимизујете, успоставите поштену основу. Која је ваша тренутна стопа залиха по категоријама и продавницама? Који СКУ-ови генеришу доњи децил продаје по квадратном метру? Где су највећи јаз између планираног асортимана и стварне доступности на полицама? Ако не можете да одговорите на ова питања са поузданим подацима, то је само по себи најважнији налаз - и сигнал да уложите у видљивост пре него што уложите у алатке за оптимизацију. А структурираноосновни прорачун РОИможе помоћи да се квантификује где су највећи-недостаци утицаја пре него што се посветите било ком приступу.

Корак 2: Дефинишите своје групе продавница

Не би све продавнице требало да имају исти асортиман, али потпуно јединствени асортиман за сваку продавницу је оперативно неизводљив. Груписање продавница премошћује ове екстреме груписањем локација са значајно сличним профилима потражње. Ефикасно груписање је изграђено на стварном понашању при куповини - композицији корпе, брзини категорије, обрасцима мисије купаца -, а не на претпостављеним демографским подацима. Већина трговаца послује са четири до осам кластера, у зависности од величине мреже и разноликости формата. Прави број је онај где се сваки кластер заиста понаша довољно другачије да гарантује посебан шаблон производа.

Корак 3: Интегришите своје изворе података

Оптимизација асортимана је добра онолико колико су добри подаци који је хране. У најмању руку, потребни су вам подаци о продаји на нивоу -продаје по продавници са историјом од најмање 12 месеци, тренутним нивоима залиха и извесном мером доступности на полицама. Питање како се прикупљају подаци о полицама - било путем ручних извештаја, ЕСЛ система или ИоТ сензора - директно утиче на свежину и поузданост података. Разумевањеопције повезивања за прикупљање података на полицамаје практична рана одлука. Савршена интеграција података није предуслов за покретање -, али морате да разумете празнине и кашњење података пре него што верујете у њихов излаз.

Корак 4: Поставите правила оптимизације и заштитне ограде

Модели вештачке интелигенције и алгоритми оптимизације захтевају ограничења. Не треба сваку одлуку аутоматизовати. Јасно дефинишите које одлуке могу да се извршавају аутоматски -, као што су покретачи допуне за велике{3}}СКУ-ове велике брзине - и које захтевају људски преглед, као што је уклањање производа из групе. Заштитне ограде такође штите од грешака које аутоматизовани системи праве када су подаци некомплетни. Уобичајени пример: алгоритам препоручује уклањање производа зато што је његова продаја ниска, када је стварни узрок упорне залихе које подаци о продаји не разликују од ниске потражње.Грешке у приказу цене и доступностису сродан режим оперативног квара који вреди разумети пре него што се уведе аутоматизација.

Корак 5: Мерите, учите и понављајте

Оптимизација асортимана је непрекидан процес, а не{0}}једнократни пројекат. Успоставите редован ритам прегледа - најмање квартално за стратешке одлуке, месечно за тактичка прилагођавања. Изградите структуриране повратне информације између тимова централне категорије и чувајте-податке о учинку на нивоу. Третирајте сваки циклус планирања као експеримент: формирајте хипотезу, имплементирајте промену, измерите исход, искористите то учење у следећем циклусу. Организације које извлаче највећу вредност из овог процеса нису оне са најсофистициранијим алатима. То су они који су изградили навику доследног учења из података.

Шест КПИ-ја за мерење оптимизације асортимана

Пратите свих шест показатеља на нивоу продавнице, а не само у збиру. Просеци на нивоу мреже{1}}често сакривају продавнице у којима су проблеми најакутнији - и где постоје највеће могућности за оптимизацију.

Оптимизација асортимана на онлајн и физичким каналима

За трговце на мало који послују преко физичких и дигиталних канала, одлуке о асортиману не могу се управљати изоловано.Малопродајно окружењесе променило: корисници се флуидно крећу између канала, а подаци са сваког канала могу да донесу одлуке у другом.

Онлине као сигнал за асортиман.Претраге са нултим-резултатима на вашој-платформи за е-трговину су директан показатељ недостатака у асортиману - клијената који вам говоре тачно шта желе, а ви не носите. Високи обрасци-прегледања, ниски{5}}обрасци куповине могу да укажу на производе које клијенти желе лично да процене пре куповине, што има импликације на-опсег у продавницама. ПремаМцКинсеи истраживање, преко 70% потрошача сада очекује персонализована искуства - очекивање које се односи на доступност производа колико и на комуникацију.

Јединствени наспрам диференцираног асортимана.Да ли ваш асортиман на мрежи и у{0}}продавници треба да буду усклађени зависи од формата продавнице и понашања купаца. Јединствени асортиман поједностављује операције и производи чистије податке о потражњи, али приморава физичке продавнице да носе сложеност онлајн каталога који већина формата не може да прихвати. Диференцирани приступ - где физичке продавнице носе одабрано језгро велике-брзине док онлајн канал управља дугим репом - добро функционише када два канала служе заиста различитим мисијама куповине. Оквир за одлучивање је једноставан: ако клијенти редовно претражују онлајн и конвертују у-продавници, усклађивање је важно. Ако су онлајн и{9}}купци у продавници углавном различита публика, диференцијација може бити ефикаснија.

Одакле почети.Најпрактичнија улазна тачка је повезивање података претраге нултих резултата е-трговине- са прегледом планирања категорије. Није потребна нова технологија - месечни извоз неуспешних упита за претрагу које прегледају менаџери категорија може открити недостатке у асортиману које у-подацима о продаји у продавници никада неће открити. Упарите ово сапобољшано{0}}хватање података на нивоу полицеу физичким продавницама ствара затворену петљу између онлајн сигнала и-извршења у продавници.

Како ово изгледа у пракси

Следећи сценарији илуструју како се принципи оптимизације асортимана примењују на малопродајне формате. Ово су илустративни примери, а не конкретне студије случаја компаније.

Намирнице: маскирање локалне потражње у збирним подацима.Регионални ланац прехрамбених производа планира асортиман користећи збирне податке о категоријама. Категорије етничке хране - са јаким перформансама у одређеним насељима - су стално недовољно заступљене јер је њихова продаја разводњена када се подигну до нивоа банера. Приступ заснован на кластерима{4}} заснован на стварној композицији корпе открива да је оно што је изгледало као потражња ниске категорије у одређеним групама продавница уместо структуралног проблема агрегације података. Прилагођавање шаблона тих продавница тако да одражавају локално понашање куповине затвара празнину. Фактор који омогућава није нова технологија - већ разврставање података о потражњи по продавници, а не по банеру. Боља видљивост кроз алате као што суелектронске етикете на полицама у продавницама прехрамбених производаподржава текуће мерење да ли се ти прилагођени асортимани заиста извршавају.

Мода: дуго-управљање СКУ-ом.Продавац специјалне одеће има неколико хиљада активних СКУ-ова по сезони. Преглед продуктивности открива да значајан део асортимана генерише непропорционално мали део прихода док троши ресурсе за планирање, залихе и допуњавање. Анализа раздваја две групе лоших перформанси: СКУ-ове без препознатљиве базе лојалних купаца и негативним простором-до-доприноса маржи и СКУ-ове са малим укупним обимом, али високим стопама поновљених куповина међу одређеним сегментом купаца. Прва група се постепено гаси. Други је задржан са прилагођеном расподелом простора. Резултат је ужи опсег који је лакши за извршење и мање је вероватно да ће створити замор при одлучивању на нивоу полице.

Погодност малопродаје: брзина извршења као диференцијатор.Ланац погодности малог -формата функционише на локацијама где је сваки квадратни метар велики-и цена залиха је увећана малим баферима залиха. Ограничавајући фактор није план асортимана -, већ време између појаве залиха и реаговања сарадника у продавници. Смањење тог јаза путем аутоматског надгледања полица, уместо ослањања на заказане ручне провере, има директан и мерљив утицај на-доступност у продавници за категорије импулса са високим{6}}има.

Често постављана питања

Шта је оптимизација асортимана у малопродаји?

Оптимизација асортимана је процес континуираног одабира и усавршавања микса производа који се нуди у свакој продавници како би се максимизирала продаја, маржа и задовољство купаца. За разлику од једнократног-планирања асортимана, он интегрише-податке у реалном времену и сталне прегледе учинка како би избор производа био усклађен са стварном потражњом.

Која је разлика између планирања асортимана и оптимизације асортимана?

Планирање асортимана је периодичан, централизован процес - обично сезонски или годишњи - који дефинише које производе треба носити на основу историјских података. Оптимизација асортимана је континуирана. Укључује-сигнале у реалном времену и складишти{5}}податке о учинку на нивоу да би прилагодио асортиман како се услови мењају. Планирање поставља почетни правац; оптимизација га одржава калибрираним.

Како АИ побољшава оптимизацију асортимана?

АИ омогућава предвиђање потражње-на нивоу продавнице које превазилази просеке кластера, идентификује СКУ-ове са лошим учинком док узима у обзир ефекте замене, генерише препоруке планограма на основу тренутне брзине продаје и обрађује-сигнале у реалном времену - временске прилике, локалне догађаје, активност конкурената - који не могу да делују на циклусе ручног планирања у временском периоду.

Који су најчешћи разлози због којих оптимизација асортимана не успе?

Пет најчешћих режима неуспеха: претерано-ослањање на историјске податке који не могу да обухвате тренутну потражњу; централизовано{1}}доношење одлука које пропуштају локалне варијације; изоловани системи података који производе некомплетну слику; усклађеност планограма нижа него што претпоставља штаб; и пропуст да се инкорпорирају сигнали потражње на мрежи који откривају недостатке невидљиве само у-подацима о продаји у продавници.

Које КПИ треба да пратим за оптимизацију асортимана?

Најкорисније метрике су стопа залиха,{0}}укупна стопа продаје, СКУ продуктивност (приход или маржа по јединици простора на полицама), стопа усклађености планограма, допринос маргини категорије и усклађеност потражње кластера (варијација између планираног асортимана и стварне продаје-на нивоу кластера). Пратите све ово на нивоу продавнице, а не само у збиру.

Колико дуго траје имплементација?

Основни оквир ревизије и оптимизације заснован на кластерима{0}} обично се може развити у року од неколико месеци користећи постојеће податке. Софистициранија непрекидна оптимизација вођена вештачком интелигенцијом- захтева чвршћу основу података и може потрајати 12 до 18 месеци да се у потпуности операционализује. Почетак ревизије скоро увек открива брзе победе доступне пре него што је потребна било која нова технологија.

Могу ли мањи трговци имати користи од оптимизације асортимана?

Да. Принципи се примењују без обзира на размере -. Разумевање који производи зарађују свој простор, праћење учесталости залиха и изградња повратних петљи између података о продаји и одлука о производу су значајни за операције било које величине. Мањим трговцима можда неће бити потребне пословне АИ платформе; бесплатне или јефтине-алатке за анализу могу да подрже корисну оптимизацију на основу података које већ имају. Одабиромрешење за етикету десне полицеје једна практична полазна тачка за побољшање прикупљања података без значајних улагања у инфраструктуру.

Који подаци су ми потребни за почетак?

Најмање: СКУ-подаци о продаји по продавници са историјом од најмање 12 месеци, тренутним нивоима залиха и извесном мером доступности на полицама - чак и ручним извештајима о залихама. На основу ове основе, можете да покренете значајну ревизију, идентификујете могућности највећег-утицаја и направите план за побољшање података. Савршени подаци нису предуслов. Корисна оптимизација је могућа са несавршеним подацима, све док разумете и узмете у обзир њихове недостатке.

Одакле почети

Оптимизација асортимана даје највећу вредност када функционише као континуирана петља - анализира учинак, прилагођава микс производа, извршава у-продавници, мери резултате и понавља. Продавци који најефикасније граде ову способност нису нужно они који први улажу у најнапредније алате. Они су они који почињу са искреним подацима о томе где њихов тренутни асортиман пропада и граде организационе навике да доследно делују на тим подацима.

Ако почињете од нуле, одмах се могу предузети четири радње: покрените ревизију залиха и СКУ продуктивности користећи податке које већ имате; прегледајте дефиниције кластера продавница у односу на стварно понашање при куповини, а не на претпостављену демографију; повежите податке претраге нултих резултата е-трговине{1}} са својим током рада за планирање категорије; и дефинисати које одлуке о асортиману треба да буду аутоматизоване у односу на људе да их прегледа пре извршења.

Свако од ових може да се уради пре него што се набави било која нова технологија - и сваки ће дати јаснију видљивост где би улагање у технологију заправо померило иглу.