Optimizacija asortimana je disciplina koja rješava ovaj jaz. Povezuje ono što središnji ured odluči s onim što kupci zapravo pronađu na polici - putem podataka, kontinuiranog učenja i-izvršenja na razini trgovine. Ovaj vodič pokriva što je to, zašto većina pristupa ne uspijeva, kako ga implementirati i kako mjeriti rezultate.
Optimizacija asortimana naspram planiranja asortimana: u čemu je razlika?
Ova se dva pojma često koriste kao sinonimi. Oni opisuju bitno različite procese.
| Dimenzija | Planiranje asortimana | Optimizacija asortimana |
|---|---|---|
| Priroda | Statički, periodični | Dinamičan, kontinuiran |
| Unosi podataka | Povijesne prodaje, pravila kategorije | Signali-u stvarnom vremenu + povijesni podaci |
| Učestalost odlučivanja | Sezonski ili godišnji pregledi | U tijeku, često automatizirano |
| Geografska granularnost | Pohranite klastere ili bannere | Razina individualne trgovine |
| Što propušta | Realnost izvršenja-u trgovini | Ništa, ako se dobro napravi |
Planiranjem se definira kako bi vaš asortiman trebao izgledati. Optimizacija osigurava da stvarno radi - i nastavlja se poboljšavati kako se uvjeti mijenjaju.
Tri razine na kojima se donose i gube odluke o asortimanu
Većina trgovaca mnogo ulaže u prvi sloj. Najveće razlike u izvedbi nalaze se u druga dva.
Strateški sloj: Što prodati
Ovdje se donose odluke na-razini kategorije: koji proizvodi zarađuju prostor na policama, kako se privatna robna marka usklađuje s nacionalnim robnim markama i koju ulogu svaka kategorija ima u cjelokupnoj strategiji trgovine. Odluke se ovdje donose u sjedištu, potaknute tržišnim podacima i konkurentnim benchmarkingom te se mijenjaju u dugim ciklusima.
Rizik: skupni podaci maskiraju lokalne varijacije. Proizvod s prihvatljivom nacionalnom prodajom može biti lošiji u 40% trgovina i bolji u drugih 30%. Prosjeci skrivaju signal.
Taktički sloj: gdje i kako ga prodati
Taktički sloj prevodi strategiju u-specifične planove za lokaciju: grupiranje trgovina, dizajn planograma i pravila prodaje. Ovdje asortiman postaje istinski lokalni - velika-urbana trgovina ima drugačija prostorna ograničenja, obrasce pješačkog prometa i misije kupaca od formata u predgrađu.
Rizik: odluke na ovoj razini i dalje se uvelike oslanjaju na pretpostavke, a ne na stvarne signale-na razini trgovine. Asortimani mogu izgledati dobro-lokalizirani na papiru dok u praksi ostaju uglavnom neusklađeni.
Operativni sloj: Što zapravo dolazi do korisnika
Tu optimizacija asortimana uspijeva ili tiho ne uspijeva. Operativni sloj odražava fizičku stvarnost s kojom se kupci susreću: koji su proizvodi na policama, jesu li planogrami ispravno izvedeni, jesu li promocije vidljive i jesu li zalihe uhvaćene i riješene brzo.
Bez-vida u realnom vremenu u trgovini, svaka uzvodna odluka djelomično je nagađanje. Tehnologije poputelektronske naljepnice na policamaa IoT senzori se sve više koriste za popunjavanje ove praznine u vidljivosti - automatski bilježeći stanja polica umjesto da se oslanjaju na ručne revizije koje se događaju prerijetko da bi bile poduzimajuće.
Zašto tradicionalna optimizacija asortimana ne uspijeva
Većina strategija asortimana dobro je-osmišljena na papiru. Ovdje se oni kvare u praksi.
Način greške 1: Povijesni podaci optimiziraju za prošlost
Povijest prodaje govori vam što su kupci kupili pod uvjetima koji su postojali u to vrijeme - s asortimanom koji je bio dostupan, po cijenama koje su postavljene. Ne može vam reći što su kupci htjeli, ali nisu mogli pronaći. U kategorijama koje se brzo{3}}promjenjuju, do trenutka kad se trend jasno pojavi u povijesnim podacima, vrijeme za djelovanje često je već prošlo.
Način neuspjeha 2: Centralizirane odluke, lokalna stvarnost
Kada se odluke o asortimanu donose u potpunosti u sjedištu,-nijanse na razini prodavaonice dobivaju prosjek. Proizvod s osrednjom nacionalnom prodajom, ali dobrim rezultatima u određenim vrstama trgovina može biti uklonjen s popisa. Standardizirani planogram primjenjuje se u trgovinama sa značajno različitim dimenzijama polica i demografijom kupaca.
Način kvara 3: silosi podataka proizvode nepotpune odluke
Maloprodajne organizacije generiraju podatke na više sustava - prodajnih--točaka, inventara, vjernosti, e-trgovine i senzora u-trgovinama. Upravitelji kategorija rade iz jednog skupa podataka. Lanac opskrbe radi iz drugog. Poslovanje trgovine iz trećine. Nijedan od ovih pogleda nije potpun, a odluke donesene iz bilo kojeg pojedinog silosa stvorit će probleme vidljive samo u drugom.
Način kvara 4: Usklađenost s planogramom niža je nego što sjedište misli
Planogram donosi vrijednost samo ako se izvodi ispravno i dosljedno. U većini maloprodajnih mreža stope usklađenosti značajno variraju među trgovinama -, a sjedište obično ne zna dok se to ne izmjeri. Ako procjenjujete izvedbu proizvoda na policama na temelju podataka o prodaji, ali je taj proizvod tri mjeseca bio na krivom položaju u 20% vaših trgovina, vaši podaci o izvedbi nisu pouzdani. Razumijevanjekoliko se često podaci o policama osvježavajuizravno je vezan uz točnost tih mjerenja.
Način kvara 5: višekanalni signali ostaju nepročitani
Ponašanje kupaca na mreži bogat je izvor informacija o asortimanu koje većina fizičkih trgovaca zanemaruje. Nula-rezultata pretraživanja na vašoj platformi za e-trgovinu pokazuje vam točno ono što kupci traže, a vi nemate. Visok-pretraživanje, nizak-obrasci kupnje otkrivaju potražnju koja može zahtijevati-procjenu u trgovini prije konverzije. Kupac koji traži proizvod na mreži, smatra ga nedostupnim i odlazi, ne generira podatke u-sustavu trgovine -, ali taj nedostatak podataka je sam po sebi signal, ako izgradite proces da ih uhvatite. Polazna točka je povezivanje vašeg online pretraživanja i pregledavanja podataka s vašim radnim procesom planiranja kategorije, čak i neformalno.
Kako AI poboljšava odluke o asortimanu
Ručno upravljanje asortimanom u stotinama trgovina i desecima tisuća SKU-ova doseglo je granice onoga što proračunske tablice i periodični pregledi mogu podržati. AI doprinosi na specifične, mjerljive načine.
Predviđanje potražnje-na razini trgovine.Tradicionalno predviđanje radi na razini bannera ili klastera. Modeli strojnog učenja mogu generirati predviđanja na razini pojedinačne trgovine i SKU-a, uzimajući u obzir lokalne čimbenike - demografiju susjedstva, konkurenciju u blizini, sezonske mikro-trendove - koje širi modeli u prosjeku odbacuju. Ova granularnost čini odluke o lokaliziranom asortimanu obranjivima, a ne pretpostavljenima.
SKU racionalizacija.Ne zarađuje svaki proizvod svoj prostor. Modeli umjetne inteligencije mogu identificirati koji SKU-ovi troše nekretnine na policama i zališni kapital bez proporcionalnih povrata - koji uzimaju u obzir doprinos marže, učinke zamjene i učinak košarice. Kritična je razlika između sporih-pokretača koji služe lojalnoj niši i sporo-pokretača koji jednostavno imaju slabije rezultate. AI može razlikovati to dvoje u mjerilu koje ručna analiza ne može.
Dinamično usklađivanje cijena i promocije.Odluke o asortimanu ne postoje odvojeno od cijena. Vođen-umjetnom inteligencijomdinamičko određivanje cijenamože uskladiti promotivnu aktivnost s izvedbom asortimana u stvarnom vremenu - smanjujući neusklađenost između onoga što je planirano i onoga na što kupci zapravo reagiraju na razini polica.
Praćenje izvršenja.Računalni vid i podaci senzora mogu identificirati odstupanja planograma bez potrebe za potpunim ručnim revizijama. Napredak utehnologija naljepnica na policamaučinili su automatizirano praćenje-stanja polica sve dostupnijim trgovcima-srednje veličine, a ne samo velikim lancima.
Okvir u pet-koraka za implementaciju
Većina trgovaca zna da je optimizacija asortimana važna. Manji broj ima jasnu polaznu točku. Ovaj je okvir dizajniran da se može koristiti u bilo kojoj mjeri.
Korak 1: Pregledajte svoj trenutni asortiman
Prije optimiziranja bilo čega, uspostavite poštenu osnovu. Kolika je vaša trenutna stopa zaliha po kategoriji i po trgovini? Koji SKU-ovi generiraju najniži decil prodaje po kvadratnom metru? Gdje su najveći razmaci između planiranog asortimana i stvarne dostupnosti na policama? Ako na ova pitanja ne možete odgovoriti pouzdanim podacima, to je samo po sebi najvažnije otkriće - i signal da uložite u vidljivost prije ulaganja u alate za optimizaciju. Strukturiranaosnovni izračun ROI-amože pomoći kvantificirati gdje su nedostaci-u utjecaju prije nego što se posvetite bilo kojem pristupu.
Korak 2: Definirajte svoje klastere trgovina
Ne bi sve trgovine trebale imati isti asortiman, ali potpuno jedinstveni asortiman za svaku trgovinu je operativno neizvodljiv. Grupiranje trgovina premošćuje te ekstreme grupiranjem lokacija sa značajno sličnim profilima potražnje. Učinkovito grupiranje izgrađeno je na stvarnom kupovnom ponašanju - sastavu košarice, brzini kategorije, obrascima misije kupca - ne na pretpostavljenim demografskim podacima. Većina trgovaca posluje s četiri do osam klastera, ovisno o veličini mreže i raznolikosti formata. Pravi broj je onaj gdje se svaki klaster istinski ponaša dovoljno drugačije da jamči poseban predložak proizvoda.
Korak 3: Integrirajte svoje izvore podataka
Optimizacija asortimana dobra je onoliko koliko su dobri podaci koji je unose. Najmanje su vam potrebni podaci o prodaji na razini SKU-po trgovini s najmanje 12 mjeseci povijesti, trenutne razine zaliha i neka mjera dostupnosti na policama. Pitanje kako se podaci s police bilježe - putem ručnih izvješća, ESL sustava ili IoT senzora - izravno utječe na svježinu i pouzdanost podataka. Razumijevanjemogućnosti povezivanja za snimanje podataka na policije praktična rana odluka. Savršena integracija podataka nije preduvjet za pokretanje -, ali morate razumjeti nedostatke podataka i latenciju prije nego što povjerujete njihovim rezultatima.
Korak 4: Postavite pravila optimizacije i zaštitne ograde
AI modeli i optimizacijski algoritmi trebaju ograničenja. Ne treba svaka odluka biti automatizirana. Jasno definirajte koje se odluke mogu pokrenuti automatski - kao što su okidači nadopunjavanja za -brze SKU-ove -, a koje zahtijevaju ljudski pregled, kao što je brisanje proizvoda iz klastera. Zaštitne ograde također štite od pogrešaka koje automatizirani sustavi čine kada su podaci nepotpuni. Uobičajen primjer: algoritam preporučuje uklanjanje proizvoda jer je njegova prodaja niska, a stvarni uzrok su stalne nestašice koje podaci o prodaji ne razlikuju od niske potražnje.Pogreške u prikazu cijene i dostupnostisu povezani način rada kvara koji vrijedi razumjeti prije uvođenja automatizacije.
Korak 5: Mjerite, učite i ponavljajte
Optimizacija asortimana kontinuirani je proces, a ne jednokratni-projekt. Uspostavite redoviti ritam pregleda - najmanje kvartalno za strateške odluke, mjesečno za taktičke prilagodbe. Izgradite strukturirane povratne informacije između timova središnje kategorije i pohranite-podatke o izvedbi na razini. Tretirajte svaki ciklus planiranja kao eksperiment: formirajte hipotezu, implementirajte promjenu, izmjerite ishod, upotrijebite to učenje u sljedećem ciklusu. Organizacije koje izvlače najviše vrijednosti iz ovog procesa nisu one s najsofisticiranijim alatima. To su oni koji su izgradili naviku dosljednog učenja iz podataka.
Šest KPI-jeva za mjerenje optimizacije asortimana
| KPI | Što mjeri | Smjer | Kako pratiti |
|---|---|---|---|
| Stopa zaliha | % vremena SKU nije dostupan tijekom radnog vremena trgovine | ↓ Niže | POS praznine +automatizirano otkrivanje zalihapreko senzora polica |
| Stopa-prodaje | ↑ Više | Prodane jedinice ÷ primljene jedinice, praćene prema SKU-u i trgovini | |
| SKU produktivnost | Prihod ili marža po jedinici prostora na polici | ↑ Više | Prihod kategorije ÷ snimke s polica, uspoređeno s prosjekom klastera |
| Stopa usklađenosti planograma | % trgovina koje ispravno izvode planogram | ↑ Više | Ručne revizije ili automatizirana analiza slike polica;ESL implementacijapoboljšava mjerljivost |
| Doprinos marži kategorije | Ostvarena bruto marža u odnosu na dodijeljeni prostor | ↑ Više | Kategorija dobiti i gubitka praćena prema rasporedu planograma po klasteru |
| Usklađivanje potražnje klastera | Odstupanje između planiranog asortimana i stvarne prodaje kategorije-na razini klastera | ↓ Niža varijanca | Usporedite prodajnu-stopu među klasterima; velika varijanca signalizira praznine u lokalizaciji |
Pratite svih šest mjernih podataka na razini trgovine, a ne samo skupno. Prosjeci-na razini mreže često skrivaju trgovine u kojima su problemi najakutniji - i gdje postoje najveće mogućnosti optimizacije.
Optimizacija asortimana putem online i fizičkih kanala
Za trgovce koji posluju preko fizičkih i digitalnih kanala, odlukama o asortimanu ne može se upravljati izolirano.Maloprodajno okruženjese promijenio: klijenti se kreću između kanala fluidno, a podaci iz svakog kanala mogu donijeti odluke u drugom.
Online kao signal za asortiman.Nula-rezultata pretraživanja na vašoj platformi za e-trgovinu izravni su pokazatelj nedostataka u asortimanu - kupaca koji vam govore točno ono što žele, a vi nemate. Visok-pretraživanje, nizak-obrasci kupnje mogu ukazivati na proizvode koje kupci žele osobno procijeniti prije kupnje, što ima implikacije na rangiranje u-trgovinama. PremaMcKinsey istraživanje, više od 70% potrošača sada očekuje personalizirana iskustva - očekivanje koje se odnosi na dostupnost proizvoda koliko i na komunikaciju.
Unificirani vs. diferencirani asortiman.Hoće li se vaš online i-asortiman u trgovini trebao uskladiti ovisi o formatu vaše trgovine i ponašanju kupaca. Objedinjeni asortiman pojednostavljuje rad i proizvodi čišće podatke o potražnji, ali prisiljava fizičke trgovine da nose složenost online kataloga koju većina formata ne može prihvatiti. Diferencirani pristup - gdje fizičke trgovine imaju odabranu,-jezgru velike brzine dok mrežni kanal upravlja dugim repom - dobro funkcionira kada dva kanala služe istinski različitim misijama kupnje. Okvir za odlučivanje je jednostavan: ako korisnici redovito pretražuju na mreži i vrše konverzije u-trgovini, usklađenost je važna. Ako su kupci na mreži i-u trgovinama uglavnom različite publike, razlikovanje bi moglo biti učinkovitije.
Gdje početi.Najpraktičnija ulazna točka je povezivanje vaših-podataka pretraživanja e-trgovine bez-rezultata s vašim pregledom planiranja kategorije. Nije potrebna nikakva nova tehnologija - mjesečni izvoz neuspjelih upita za pretraživanje koje pregledaju upravitelji kategorija može otkriti praznine u asortimanu koje-podaci o prodaji u trgovinama nikada neće otkriti. Uparujući ovo sapoboljšano snimanje podataka-na razini policeu fizičkim trgovinama stvara zatvorenu petlju između mrežnih signala i-izvršenja u trgovini.
Kako ovo izgleda u praksi
Sljedeći scenariji ilustriraju kako se načela optimizacije asortimana primjenjuju na maloprodajne formate. Ovo su ilustrativni primjeri, a ne konkretne studije slučaja poduzeća.
Trgovina namirnicama: maskiranje lokalne potražnje u skupnim podacima.Regionalni lanac trgovina mješovitom robom planira asortiman koristeći skupne podatke o kategoriji. Kategorije etničke hrane - koji imaju dobre rezultate u određenim četvrtima - stalno su nedovoljno zastupljene jer je njihova prodaja smanjena kada se skupi do razine bannera. Pristup-temeljen na klasteru izgrađen na stvarnom sastavu košarice otkriva da je ono što je izgledalo kao potražnja za niskom kategorijom u određenim grupama trgovina umjesto toga strukturni problem agregacije podataka. Prilagodbom predložaka tih trgovina kako bi odražavali lokalno ponašanje pri kupnji uklanja se jaz. Čimbenik koji omogućuje nije nova tehnologija - nego raščlanjivanje podataka o potražnji prema trgovini, a ne prema banneru. Bolja vidljivost pomoću alata poputelektronske naljepnice na policama u trgovinama mješovitom robompodržava kontinuirano mjerenje da li se ti prilagođeni asortimani stvarno provode.
Moda: dugo{0}}upravljanje SKU-om.Prodavač specijalizirane odjeće ima nekoliko tisuća aktivnih SKU-ova po sezoni. Pregled produktivnosti otkriva da značajan dio asortimana stvara nesrazmjerno mali udio prihoda dok troši resurse za planiranje, zalihe i nadopunjavanje. Analiza razdvaja dvije skupine slabijih proizvoda: SKU-ove bez prepoznatljive lojalne korisničke baze i negativnim prostorom-do-doprinosa marži i SKU-ove s malim ukupnim opsegom, ali visokim stopama ponovljene kupnje među određenim segmentom kupaca. Prva skupina se postupno ukida. Drugi je zadržan s prilagođenom raspodjelom prostora. Rezultat je uži raspon koji je lakše izvršiti i manja je vjerojatnost da će izazvati zamor pri donošenju odluka na razini polica.
Praktična maloprodaja: brzina izvršenja kao razlika.Praktični lanac malog{0}}formata djeluje na lokacijama gdje je svaki kvadratni metar visok-ulog, a trošak nestašice povećava se niskim rezervama zaliha. Ograničavajući čimbenik nije plan asortimana - to je vrijeme između pojave zaliha i odgovora suradnika u trgovini na to. Smanjenje tog jaza putem automatiziranog nadzora polica, umjesto oslanjanja na planirane ručne provjere, ima izravan i mjerljiv učinak na dostupnost-trgovina za visoko-kategorije impulsa marže.
Često postavljana pitanja
Što je optimizacija asortimana u maloprodaji?
Optimizacija asortimana je proces kontinuiranog odabira i usavršavanja ponude proizvoda u svakoj trgovini kako bi se povećala prodaja, marža i zadovoljstvo kupaca. Za razliku od-jednokratnog planiranja asortimana, ono integrira-podatke u stvarnom{2}}vremenu i stalne preglede izvedbe kako bi izbor proizvoda bio usklađen sa stvarnom potražnjom.
Koja je razlika između planiranja asortimana i optimizacije asortimana?
Planiranje asortimana je povremeni, centralizirani proces - obično sezonski ili godišnji - koji definira koje proizvode nositi na temelju povijesnih podataka. Optimizacija asortimana je kontinuirana. Uključuje-signale u stvarnom vremenu i-podatke o performansama na razini trgovine kako bi se asortiman prilagodio promjenama uvjeta. Planiranje postavlja početni smjer; optimizacija ga održava kalibriranim.
Kako AI poboljšava optimizaciju asortimana?
AI omogućuje-predviđanje potražnje na razini trgovine koje nadilazi prosjeke klastera, identificira SKU-ove s lošom izvedbom uzimajući u obzir učinke zamjene, generira planogramske preporuke na temelju trenutne brzine prodaje i obrađuje signale-vremenog vremena - vrijeme, lokalne događaje, aktivnost konkurenata - koje ručni ciklusi planiranja ne mogu uključiti na vrijeme da bi se na njih moglo djelovati.
Koji su najčešći razlozi neuspjeha optimizacije asortimana?
Pet najčešćih načina neuspjeha: prekomjerno-oslanjanje na povijesne podatke koji ne mogu obuhvatiti trenutnu potražnju; centralizirano{1}}donošenje odluka koje propušta lokalne varijacije; izolirani podatkovni sustavi koji proizvode nepotpunu sliku; usklađenost s planogramom niža nego što pretpostavlja sjedište; i neuspjeh uključivanja online signala potražnje koji otkrivaju nedostatke nevidljive samo u-podacima o prodaji u trgovini.
Koje KPI-jeve trebam pratiti za optimizaciju asortimana?
Najkorisniji pokazatelji su stopa zaliha, prodajna{0}}stopa, SKU produktivnost (prihod ili marža po jedinici prostora na polici), stopa usklađenosti s planogramom, doprinos marži kategorije i usklađenost potražnje klastera (varijanca između planiranog asortimana i stvarne -prodajne vrijednosti na razini klastera). Pratite sve to na razini trgovine, a ne samo skupno.
Koliko dugo traje implementacija?
Osnovna revizija i optimizacijski okvir-temeljen na klasteru obično se mogu razviti u roku od nekoliko mjeseci koristeći postojeće podatke. Sofisticiranija kontinuirana optimizacija -pokrenuta umjetnom inteligencijom zahtijeva jaču osnovu podataka i može potrajati 12 do 18 mjeseci da se u potpunosti operacionalizira. Započinjanje s revizijom gotovo uvijek otkriva brze dobitke koji su dostupni prije nego što je potrebna bilo kakva nova tehnologija.
Mogu li manji trgovci profitirati od optimizacije asortimana?
Da. Načela se primjenjuju bez obzira na razmjer - razumijevanje koji proizvodi zaslužuju svoj prostor, praćenje učestalosti zaliha i izgradnja petlji povratnih informacija između podataka o prodaji i odluka o proizvodu značajni su za operaciju bilo koje veličine. Manji trgovci možda neće trebati poslovne AI platforme; besplatni ili jeftini-alati za analizu mogu podržati korisnu optimizaciju na temelju podataka koje već imaju. OdabiromRješenje oznake desne policejedno je praktično polazište za poboljšanje prikupljanja podataka bez značajnih ulaganja u infrastrukturu.
Koji podaci su mi potrebni za početak?
Minimalno: podaci o prodaji na razini SKU-a- po trgovini s najmanje 12 mjeseci povijesti, trenutnim razinama zaliha i određenom mjerom dostupnosti na policama - čak i ručna izvješća o zalihama. Iz ove osnove možete pokrenuti značajnu reviziju, identificirati prilike s najvećim-učinkom i izraditi plan poboljšanja podataka. Savršeni podaci nisu preduvjet. Korisna optimizacija moguća je s nesavršenim podacima, sve dok razumijete i uzmete u obzir njihove nedostatke.
Gdje početi
Optimizacija asortimana daje najveću vrijednost kada radi kao kontinuirana petlja - analizira izvedbu, prilagođava miks proizvoda, izvršava u-trgovini, mjeri rezultate i ponavlja. Trgovci koji najučinkovitije grade ovu sposobnost nisu nužno oni koji prvi ulažu u najnaprednije alate. Oni su oni koji započinju s iskrenim podacima o tome gdje njihov trenutni asortiman ne uspijeva i grade organizacijske navike da dosljedno djeluju na temelju tih podataka.
Ako počinjete od nule, četiri radnje su odmah poduzimajuće: pokrenite reviziju zaliha i SKU produktivnosti koristeći podatke koje već imate; pregledajte svoje definicije klastera trgovina u odnosu na stvarno ponašanje pri kupnji umjesto pretpostavljene demografije; povežite svoje-podatke pretraživanja nultih-rezultata e-trgovine s radnim procesom planiranja kategorije; i definirati koje bi odluke o asortimanu trebale biti automatizirane u odnosu na one koje bi pregledao čovjek prije izvršenja.
Svaki od njih može se napraviti prije nego što se nabavi bilo kakva nova tehnologija - i svaki će proizvesti jasniju vidljivost gdje bi ulaganje u tehnologiju zapravo pomaknulo iglu.
