Η βελτιστοποίηση κατάταξης είναι η πειθαρχία που αντιμετωπίζει αυτό το κενό. Συνδέει το τι αποφασίζει η έδρα με το τι βρίσκουν πραγματικά οι πελάτες στο ράφι - μέσω δεδομένων, συνεχούς μάθησης και εκτέλεσης σε επίπεδο αποθήκευσης-. Αυτός ο οδηγός καλύπτει τι είναι, γιατί οι περισσότερες προσεγγίσεις αποτυγχάνουν, πώς να το εφαρμόσετε και πώς να μετρήσετε τα αποτελέσματα.
Βελτιστοποίηση ποικιλίας έναντι προγραμματισμού ποικιλίας: Ποια είναι η διαφορά;
Αυτοί οι δύο όροι χρησιμοποιούνται συχνά εναλλακτικά. Περιγράφουν θεμελιωδώς διαφορετικές διαδικασίες.
| Διάσταση | Σχεδιασμός Ποικιλίας | Βελτιστοποίηση ποικιλίας |
|---|---|---|
| Φύση | Στατική, περιοδική | Δυναμική, συνεχής |
| Εισαγωγή δεδομένων | Ιστορικές πωλήσεις, κανόνες κατηγορίας | Σήματα πραγματικού-χρόνου + ιστορικά δεδομένα |
| Συχνότητα λήψης αποφάσεων | Εποχιακές ή ετήσιες κριτικές | Συνεχής, συχνά αυτοματοποιημένη |
| Γεωγραφική ευκρίνεια | Αποθηκεύστε συμπλέγματα ή πανό | Ατομικό επίπεδο καταστήματος |
| Αυτό που του λείπει | Στην πραγματικότητα εκτέλεσης-καταστήματος | Τίποτα, αν γίνει καλά |
Ο προγραμματισμός καθορίζει πώς πρέπει να μοιάζει η συλλογή σας. Η βελτιστοποίηση διασφαλίζει ότι αποδίδει πραγματικά - και συνεχίζει να βελτιώνεται καθώς αλλάζουν οι συνθήκες.
Τα τρία επίπεδα όπου λαμβάνονται και χάνονται οι αποφάσεις της ποικιλίας
Οι περισσότεροι λιανοπωλητές επενδύουν σε μεγάλο βαθμό στο πρώτο επίπεδο. Τα μεγαλύτερα κενά απόδοσης ζουν στα άλλα δύο.
Στρατηγικό Επίπεδο: Τι να Πουλήσετε
Εδώ λαμβάνονται οι αποφάσεις σε επίπεδο κατηγορίας-: ποια προϊόντα κερδίζουν χώρο στο ράφι, πώς ισορροπεί η ιδιωτική ετικέτα έναντι των εθνικών επωνυμιών και ποιος ρόλος παίζει κάθε κατηγορία στη συνολική στρατηγική του καταστήματος. Οι αποφάσεις εδώ λαμβάνονται στα κεντρικά γραφεία, με γνώμονα τα δεδομένα της αγοράς και την ανταγωνιστική συγκριτική αξιολόγηση, και αλλάζουν σε μεγάλους κύκλους.
Ο κίνδυνος: τα συγκεντρωτικά δεδομένα καλύπτουν την τοπική παραλλαγή. Ένα προϊόν με αποδεκτές εθνικές πωλήσεις μπορεί να έχει χαμηλότερη απόδοση στο 40% των καταστημάτων και υπεραπόδοση σε άλλο 30%. Οι μέσοι όροι κρύβουν το σήμα.
Τακτικό επίπεδο: Πού και πώς να το πουλήσετε
Το επίπεδο τακτικής μεταφράζει τη στρατηγική σε-συγκεκριμένα σχέδια τοποθεσίας: ομαδοποίηση καταστημάτων, σχεδιασμός πλανογραμμάτων και κανόνες εμπορίας. Εδώ η ποικιλία γίνεται πραγματικά τοπική - ένα αστικό κατάστημα υψηλής-πυκνότητας έχει διαφορετικούς περιορισμούς χώρου, μοτίβα κίνησης πεζών και αποστολές αγοραστών από ό,τι ένα προαστιακό.
Ο κίνδυνος: οι αποφάσεις σε αυτό το επίπεδο εξακολουθούν να βασίζονται σε μεγάλο βαθμό σε υποθέσεις και όχι σε πραγματικά σήματα επιπέδου αποθήκευσης-. Οι ποικιλίες μπορεί να φαίνονται καλά-τοπικές στο χαρτί, ενώ στην πράξη παραμένουν σε γενικές γραμμές εσφαλμένες.
Λειτουργικό Επίπεδο: Τι πραγματικά φτάνει στον Πελάτη
Εδώ η βελτιστοποίηση της ποικιλίας επιτυγχάνει ή αποτυγχάνει αθόρυβα. Το λειτουργικό επίπεδο αντικατοπτρίζει τη φυσική πραγματικότητα που αντιμετωπίζουν οι πελάτες: ποια προϊόντα βρίσκονται στο ράφι, εάν τα πλανογράμματα εκτελούνται σωστά, εάν οι προωθήσεις είναι ορατές και εάν τα αποθέματα συλλέγονται και επιλύονται γρήγορα.
Χωρίς-ορατότητα σε πραγματικό χρόνο για την εκτέλεση του καταστήματος, κάθε απόφαση upstream είναι εν μέρει εικασία. Τεχνολογίες όπωςηλεκτρονικές ετικέτες ραφιώνκαι οι αισθητήρες IoT χρησιμοποιούνται όλο και περισσότερο για να καλύψουν αυτό το κενό ορατότητας - καταγράφοντας αυτόματα τις καταστάσεις αποθήκευσης αντί να βασίζονται σε μη αυτόματους ελέγχους που γίνονται πολύ σπάνια για να μπορούν να γίνουν ενέργειες.
Γιατί η παραδοσιακή βελτιστοποίηση ποικιλίας αποτυγχάνει
Οι περισσότερες στρατηγικές κατάταξης είναι-καλά σχεδιασμένες σε χαρτί. Εδώ είναι που καταρρέουν στην πράξη.
Λειτουργία αποτυχίας 1: Ιστορικά δεδομένα βελτιστοποιούνται για το παρελθόν
Το ιστορικό πωλήσεων σάς λέει τι αγόρασαν οι πελάτες υπό τις συνθήκες που ίσχυαν εκείνη τη στιγμή - με την ποικιλία που ήταν διαθέσιμη, στις τιμές που είχαν καθοριστεί. Δεν μπορεί να σας πει τι ήθελαν οι πελάτες αλλά δεν μπορούσαν να βρουν. Σε κατηγορίες που-ταχέως κινούνται, όταν μια τάση εμφανίζεται ξεκάθαρα στα ιστορικά δεδομένα, το παράθυρο δράσης έχει συχνά ήδη περάσει.
Λειτουργία αποτυχίας 2: Συγκεντρωτικές αποφάσεις, Τοπική πραγματικότητα
Όταν οι αποφάσεις ποικιλίας λαμβάνονται εξ ολοκλήρου στα κεντρικά γραφεία, η απόχρωση επιπέδου καταστήματος-διαλείπεται κατά μέσο όρο. Ένα προϊόν με μέτριες εθνικές πωλήσεις αλλά ισχυρή απόδοση σε συγκεκριμένους τύπους καταστημάτων μπορεί να διαγραφεί. Ένα τυποποιημένο πλανόγραμμα αναπτύσσεται σε καταστήματα με σημαντικά διαφορετικές διαστάσεις ραφιών και δημογραφικά στοιχεία αγοραστών.
Λειτουργία αποτυχίας 3: Τα σιλό δεδομένων παράγουν ημιτελείς αποφάσεις
Οι οργανισμοί λιανικής παράγουν δεδομένα σε πολλαπλά συστήματα - σημεία-πώλησης-, απόθεμα, πίστη, ηλεκτρονικό-εμπόριο και σε{4}}αισθητήρες καταστημάτων. Οι διαχειριστές κατηγοριών εργάζονται από ένα σύνολο δεδομένων. Η εφοδιαστική αλυσίδα λειτουργεί από άλλη. Λειτουργίες αποθήκευσης από ένα τρίτο. Καμία από αυτές τις απόψεις δεν είναι ολοκληρωμένη και οι αποφάσεις που λαμβάνονται από οποιοδήποτε σιλό θα δημιουργήσουν προβλήματα ορατά μόνο σε άλλο.
Λειτουργία αποτυχίας 4: Η συμμόρφωση με το πλανόγραμμα είναι χαμηλότερη από ό,τι πιστεύει η έδρα
Ένα πλανόγραμμα αποδίδει αξία μόνο εάν εκτελείται σωστά και με συνέπεια. Στα περισσότερα δίκτυα λιανικής, τα ποσοστά συμμόρφωσης ποικίλλουν σημαντικά μεταξύ των καταστημάτων - και τα κεντρικά γραφεία συνήθως δεν γνωρίζουν μέχρι να μετρηθούν. Εάν αξιολογείτε την απόδοση ενός προϊόντος στο ράφι με βάση τα δεδομένα πωλήσεων, αλλά αυτό το προϊόν βρίσκεται σε λάθος θέση στο 20% των καταστημάτων σας για τρεις μήνες, τα δεδομένα απόδοσής σας δεν είναι αξιόπιστα. Κατανόησηπόσο συχνά ανανεώνονται τα δεδομένα ραφιούσυνδέεται άμεσα με την ακρίβεια αυτών των μετρήσεων.
Λειτουργία αποτυχίας 5: Τα παντοκαναλικά σήματα δεν διαβάζονται
Η διαδικτυακή συμπεριφορά πελατών είναι μια πλούσια πηγή ευφυΐας ποικιλίας που οι περισσότεροι φυσικοί έμποροι λιανικής αγνοούν. Οι μηδενικές-αποτελέσματα αναζήτησης στην πλατφόρμα ηλεκτρονικού εμπορίου-σας δείχνουν τι ακριβώς αναζητούν οι πελάτες και δεν έχετε μαζί σας. Τα μοτίβα υψηλών-περιήγησης, χαμηλών-αγορών αποκαλύπτουν ζήτηση που μπορεί να απαιτείται αξιολόγηση στο-κατάστημα πριν από τη μετατροπή. Ένας πελάτης που αναζητά ένα προϊόν στο διαδίκτυο, το βρίσκει μη διαθέσιμο και φεύγει, δεν δημιουργεί δεδομένα στο-σύστημα καταστήματος -, αλλά αυτή η απουσία δεδομένων είναι από μόνη της ένα σημάδι, εάν δημιουργήσετε τη διαδικασία για να το καταγράψετε. Το σημείο εκκίνησης είναι η σύνδεση των δεδομένων αναζήτησης και περιήγησής σας στο διαδίκτυο με τη ροή εργασιών σχεδιασμού κατηγορίας, ακόμη και ανεπίσημα.
Πώς η τεχνητή νοημοσύνη βελτιώνει τις αποφάσεις συλλογής
Η μη αυτόματη διαχείριση ποικιλίας σε εκατοντάδες καταστήματα και δεκάδες χιλιάδες SKU έχει φτάσει τα όρια των υπολογιστικών φύλλων και των περιοδικών αναθεωρήσεων. Η τεχνητή νοημοσύνη συμβάλλει με συγκεκριμένους, μετρήσιμους τρόπους.
Αποθηκεύστε-πρόβλεψη επιπέδου ζήτησης.Η παραδοσιακή πρόβλεψη λειτουργεί σε επίπεδο banner ή cluster. Τα μοντέλα μηχανικής εκμάθησης μπορούν να δημιουργήσουν προβλέψεις σε επίπεδο μεμονωμένου καταστήματος και SKU, λαμβάνοντας υπόψη τους τοπικούς παράγοντες - δημογραφικά στοιχεία της γειτονιάς, τον κοντινό ανταγωνισμό, τις εποχιακές μικρο-τάσεις - που τα ευρύτερα μοντέλα απομακρύνουν κατά μέσο όρο. Αυτή η ευαισθησία είναι που κάνει τις αποφάσεις τοπικής ποικιλίας να είναι υπερασπιστές και όχι υποτιθέμενες.
Εξορθολογισμός SKU.Δεν κερδίζει κάθε προϊόν τον χώρο του. Τα μοντέλα τεχνητής νοημοσύνης μπορούν να προσδιορίσουν ποιες SKU καταναλώνουν ακίνητα και κεφάλαια αποθέματος χωρίς ανάλογες αποδόσεις - που υπολογίζουν τη συνεισφορά περιθωρίου, τα αποτελέσματα υποκατάστασης και τον αντίκτυπο του καλαθιού. Η κρίσιμη διάκριση είναι μεταξύ αργών-προγραμμάτων που εξυπηρετούν μια πιστή θέση και αργών-προγραμμάτων που απλώς έχουν χαμηλή απόδοση. Η τεχνητή νοημοσύνη μπορεί να διακρίνει μεταξύ των δύο σε μια κλίμακα που δεν μπορεί η χειροκίνητη ανάλυση.
Δυναμική ευθυγράμμιση τιμολόγησης και προώθησης.Οι αποφάσεις ποικιλίας δεν υπάρχουν μεμονωμένα από την τιμολόγηση. AI-οδηγείταιδυναμική τιμολόγησημπορεί να ευθυγραμμίσει τη διαφημιστική δραστηριότητα με την απόδοση της ποικιλίας σε πραγματικό χρόνο - μειώνοντας την αναντιστοιχία μεταξύ του προγραμματισμένου και του τι πραγματικά ανταποκρίνονται οι πελάτες σε επίπεδο ραφιού.
Παρακολούθηση εκτέλεσης.Τα δεδομένα όρασης και αισθητήρα υπολογιστή μπορούν να αναγνωρίσουν αποκλίσεις πλανογράμματος χωρίς να απαιτούν πλήρεις χειροκίνητους ελέγχους. Προόδους σετεχνολογία ετικετών ραφιώνέχουν κάνει την αυτοματοποιημένη-κατάσταση παρακολούθησης ραφιών όλο και πιο προσιτή για μεσαίου μεγέθους-πωλητές λιανικής, όχι μόνο για μεγάλες αλυσίδες.
Ένα πλαίσιο πέντε-βημάτων για υλοποίηση
Οι περισσότεροι έμποροι λιανικής γνωρίζουν θέματα βελτιστοποίησης της ποικιλίας. Λιγότεροι έχουν ξεκάθαρο σημείο εκκίνησης. Αυτό το πλαίσιο έχει σχεδιαστεί για να μπορεί να χρησιμοποιηθεί σε οποιαδήποτε κλίμακα.
Βήμα 1: Ελέγξτε την τρέχουσα ποικιλία σας
Πριν βελτιστοποιήσετε οτιδήποτε, δημιουργήστε μια ειλικρινή βάση. Ποια είναι η τρέχουσα τιμή αποθέματος ανά κατηγορία και ανά κατάστημα; Ποιες SKU δημιουργούν το κατώτερο δεκαδικό επίπεδο πωλήσεων ανά τετραγωνικό πόδι; Ποια είναι τα μεγαλύτερα κενά μεταξύ της προγραμματισμένης ποικιλίας και της πραγματικής διαθεσιμότητας ραφιών; Εάν δεν μπορείτε να απαντήσετε σε αυτές τις ερωτήσεις με αξιόπιστα δεδομένα, αυτό είναι από μόνο του το πιο σημαντικό εύρημα - και το σήμα για να επενδύσετε στην ορατότητα πριν επενδύσετε σε εργαλεία βελτιστοποίησης. Ένα δομημένοβασικός υπολογισμός απόδοσης επένδυσης (ROI).μπορεί να σας βοηθήσει να προσδιορίσετε ποσοτικά τα κενά-του υψηλότερου αντίκτυπου πριν δεσμευτείτε για οποιαδήποτε προσέγγιση.
Βήμα 2: Καθορίστε τα συμπλέγματα καταστημάτων σας
Δεν πρέπει όλα τα καταστήματα να φέρουν την ίδια ποικιλία, αλλά μια εντελώς μοναδική ποικιλία για κάθε κατάστημα είναι λειτουργικά μη διαχειρίσιμη. Η ομαδοποίηση καταστημάτων γεφυρώνει αυτά τα άκρα ομαδοποιώντας τοποθεσίες με ουσιαστικά παρόμοια προφίλ ζήτησης. Η αποτελεσματική ομαδοποίηση βασίζεται στην πραγματική συμπεριφορά αγοράς - σύνθεση καλαθιού, ταχύτητα κατηγορίας, μοτίβα αποστολής αγοραστών - και όχι σε υποτιθέμενα δημογραφικά στοιχεία. Οι περισσότεροι λιανοπωλητές λειτουργούν με τέσσερα έως οκτώ συμπλέγματα, ανάλογα με το μέγεθος του δικτύου και την ποικιλομορφία μορφής. Ο σωστός αριθμός είναι αυτός όπου κάθε σύμπλεγμα συμπεριφέρεται πραγματικά αρκετά διαφορετικά ώστε να εγγυάται ένα ξεχωριστό πρότυπο προϊόντος.
Βήμα 3: Ενσωματώστε τις πηγές δεδομένων σας
Η βελτιστοποίηση της ποικιλίας είναι τόσο καλή όσο τα δεδομένα που την τροφοδοτούν. Τουλάχιστον, χρειάζεστε δεδομένα πωλήσεων σε επίπεδο SKU- ανά κατάστημα με τουλάχιστον 12 μήνες ιστορικό, τρέχοντα επίπεδα αποθέματος και κάποιο μέτρο διαθεσιμότητας ραφιού. Το ερώτημα σχετικά με τον τρόπο καταγραφής των δεδομένων ραφιού - είτε μέσω μη αυτόματων αναφορών, συστημάτων ESL ή αισθητήρων IoT - επηρεάζει άμεσα τη φρεσκάδα και την αξιοπιστία των δεδομένων. Κατανόηση τουεπιλογές συνδεσιμότητας για τη λήψη δεδομένων στο ράφιείναι μια πρακτική πρώιμη απόφαση. Η τέλεια ενοποίηση δεδομένων δεν αποτελεί προϋπόθεση για την εκκίνηση του -, αλλά πρέπει να κατανοήσετε τα κενά και τον λανθάνοντα χρόνο των δεδομένων σας προτού εμπιστευτείτε την έξοδο τους.
Βήμα 4: Ορίστε κανόνες βελτιστοποίησης και προστατευτικά κιγκλιδώματα
Τα μοντέλα τεχνητής νοημοσύνης και οι αλγόριθμοι βελτιστοποίησης χρειάζονται περιορισμούς. Δεν πρέπει κάθε απόφαση να είναι αυτοματοποιημένη. Καθορίστε με σαφήνεια ποιες αποφάσεις μπορούν να εκτελούνται αυτόματα -, όπως εναύσματα αναπλήρωσης για SKU υψηλής-ταχύτητας - και ποιες απαιτούν ανθρώπινο έλεγχο, όπως η διαγραφή ενός προϊόντος από ένα σύμπλεγμα. Τα προστατευτικά κιγκλιδώματα προστατεύουν επίσης από σφάλματα που κάνουν τα αυτοματοποιημένα συστήματα όταν τα δεδομένα είναι ελλιπή. Ένα συνηθισμένο παράδειγμα: ένας αλγόριθμος συνιστά την κατάργηση ενός προϊόντος επειδή οι πωλήσεις του είναι χαμηλές, όταν η πραγματική αιτία είναι τα επίμονα αποθέματα που τα δεδομένα πωλήσεων δεν διακρίνουν από τη χαμηλή ζήτηση.Σφάλματα εμφάνισης τιμής και διαθεσιμότηταςείναι ένας σχετικός τρόπος λειτουργικής αποτυχίας που αξίζει να κατανοηθεί πριν εισαχθεί η αυτοματοποίηση.
Βήμα 5: Μέτρηση, μάθηση και επανάληψη
Η βελτιστοποίηση ποικιλίας είναι μια συνεχής διαδικασία, όχι ένα-ένα έργο. Καθιερώστε έναν τακτικό ρυθμό ανασκόπησης - τουλάχιστον ανά τρίμηνο για στρατηγικές αποφάσεις, μηνιαία για προσαρμογές τακτικής. Δημιουργήστε δομημένους βρόχους σχολίων μεταξύ ομάδων κεντρικών κατηγοριών και αποθηκεύστε-δεδομένα απόδοσης επιπέδου. Αντιμετωπίστε κάθε κύκλο προγραμματισμού ως πείραμα: σχηματίστε μια υπόθεση, εφαρμόστε μια αλλαγή, μετρήστε το αποτέλεσμα, χρησιμοποιήστε αυτή τη μάθηση στον επόμενο κύκλο. Οι οργανισμοί που αντλούν τη μεγαλύτερη αξία από αυτή τη διαδικασία δεν είναι αυτοί με τα πιο εξελιγμένα εργαλεία. Είναι εκείνοι που έχουν δημιουργήσει τη συνήθεια να μαθαίνουν από δεδομένα με συνέπεια.
Έξι KPI για τη μέτρηση της βελτιστοποίησης ποικιλίας
| KPI | Τι Μετρά | Κατεύθυνση | Τρόπος παρακολούθησης |
|---|---|---|---|
| Ποσοστό αποθεμάτων | % του χρόνου που ένα SKU δεν είναι διαθέσιμο κατά τις ώρες λειτουργίας του καταστήματος | ↓ Χαμηλότερα | Κενά POS +αυτοματοποιημένη ανίχνευση αποθεμάτωνμέσω αισθητήρων ραφιών |
| Πώληση-μέσω τιμής | % του αποθέματος που πωλήθηκε πριν από την αναπλήρωση ή τη μείωση | ↑ Ανώτερο | Πωλήθηκαν μονάδες ÷ μονάδες ελήφθησαν, παρακολουθούνται από SKU και αποθήκευση |
| Παραγωγικότητα SKU | Έσοδα ή περιθώριο ανά μονάδα χώρου ραφιού | ↑ Ανώτερο | Έσοδα κατηγορίας ÷ πλάνα ραφιού, συγκριτικά με τον μέσο όρο του συμπλέγματος |
| Ποσοστό συμμόρφωσης πλανογράμματος | % των αποθηκών που εκτελούν σωστά το πλανόγραμμα | ↑ Ανώτερο | Μη αυτόματοι έλεγχοι ή αυτοματοποιημένη ανάλυση εικόνας ραφιού.Ανάπτυξη ESLβελτιώνει τη δυνατότητα μέτρησης |
| Συνεισφορά Περιθωρίου Κατηγορίας | Μεικτό περιθώριο κέρδους που δημιουργείται σε σχέση με τον εκχωρημένο χώρο | ↑ Ανώτερο | Κατηγορία P&L που παρακολουθείται σε σχέση με την κατανομή πλανογραμμάτων ανά σύμπλεγμα |
| Ευθυγράμμιση ζήτησης συμπλέγματος | Διακύμανση μεταξύ προγραμματισμένης ποικιλίας και πραγματικής πώλησης κατηγορίας-σε επίπεδο συμπλέγματος | ↓ Χαμηλότερη διακύμανση | Συγκρίνετε την αναλογία πωλήσεων-με βάση τα cluster. κενά εντοπισμού σημάτων υψηλής διακύμανσης |
Παρακολουθήστε και τις έξι μετρήσεις σε επίπεδο καταστήματος, όχι μόνο συγκεντρωτικά. Οι μέσοι όροι επιπέδου δικτύου-συχνά κρύβουν τα καταστήματα όπου τα προβλήματα είναι πιο έντονα - και όπου υπάρχουν οι μεγαλύτερες ευκαιρίες βελτιστοποίησης.
Βελτιστοποίηση ποικιλίας σε διαδικτυακά και φυσικά κανάλια
Για τους λιανοπωλητές που δραστηριοποιούνται σε φυσικά και ψηφιακά κανάλια, η διαχείριση των αποφάσεων ποικιλίας δεν μπορεί να γίνει μεμονωμένα.Το περιβάλλον λιανικήςέχει αλλάξει: οι πελάτες μετακινούνται μεταξύ καναλιών ομαλά και τα δεδομένα από κάθε κανάλι μπορούν να λάβουν αποφάσεις στο άλλο.
Online ως σήμα ποικιλίας.Οι μηδενικές αναζητήσεις-αποτελεσμάτων στην-πλατφόρμα ηλεκτρονικού εμπορίου σας είναι μια άμεση ένδειξη των κενών ποικιλίας - πελατών που σας λένε ακριβώς τι θέλουν και δεν έχετε μαζί σας. Τα μοτίβα αγορών υψηλής-περιήγησης, χαμηλών-μπορεί να υποδεικνύουν προϊόντα που οι πελάτες θέλουν να αξιολογήσουν αυτοπροσώπως πριν από την αγορά, κάτι που έχει επιπτώσεις στην-σειρά καταστημάτων. Σύμφωνα μεΈρευνα McKinsey, πάνω από το 70% των καταναλωτών αναμένουν πλέον εξατομικευμένες εμπειρίες - μια προσδοκία που ισχύει τόσο για τη διαθεσιμότητα των προϊόντων όσο και για τις επικοινωνίες.
Ενοποιημένη έναντι διαφοροποιημένης ποικιλίας.Το εάν οι ποικιλίες σας στο διαδίκτυο και στο-κατάστημά σας θα πρέπει να ευθυγραμμιστούν εξαρτάται από τη μορφή του καταστήματός σας και τη συμπεριφορά των πελατών. Μια ενοποιημένη συλλογή απλοποιεί τις λειτουργίες και παράγει καθαρότερα δεδομένα ζήτησης, αλλά αναγκάζει τα φυσικά καταστήματα να φέρουν την πολυπλοκότητα ενός διαδικτυακού καταλόγου που οι περισσότερες μορφές δεν μπορούν να φιλοξενήσουν. Μια διαφοροποιημένη προσέγγιση - όπου τα φυσικά καταστήματα διαθέτουν έναν επιμελημένο,-πυρήνα υψηλής ταχύτητας ενώ το διαδικτυακό κανάλι χειρίζεται τη μακριά ουρά - λειτουργεί καλά όταν τα δύο κανάλια εξυπηρετούν πραγματικά διαφορετικές αποστολές αγορών. Το πλαίσιο απόφασης είναι απλό: εάν οι πελάτες πραγματοποιούν τακτικά αναζήτηση στο διαδίκτυο και πραγματοποιούν μετατροπές στο-κατάστημα, η ευθυγράμμιση έχει σημασία. Εάν οι αγοραστές στο Διαδίκτυο και στα καταστήματα-είναι σε μεγάλο βαθμό ξεχωριστό κοινό, η διαφοροποίηση μπορεί να είναι πιο αποτελεσματική.
Από πού να ξεκινήσετε.Το πιο πρακτικό σημείο εισόδου είναι να συνδέσετε τα δεδομένα αναζήτησης μηδενικών αποτελεσμάτων-ecommerce- με τον έλεγχο σχεδιασμού κατηγορίας. Δεν απαιτείται νέα τεχνολογία - μια μηνιαία εξαγωγή αποτυχημένων ερωτημάτων αναζήτησης που ελέγχονται από τους διαχειριστές κατηγοριών μπορεί να εμφανίσει κενά ποικιλίας που-τα δεδομένα πωλήσεων καταστημάτων δεν θα αποκαλύψουν ποτέ. Συνδυάζοντας αυτό μεβελτιωμένη λήψη δεδομένων σε επίπεδο-ράφιστα φυσικά καταστήματα δημιουργεί έναν κλειστό βρόχο μεταξύ των σημάτων στο διαδίκτυο και της εκτέλεσης στο-κατάστημα.
Πώς φαίνεται αυτό στην πράξη
Τα παρακάτω σενάρια δείχνουν πώς εφαρμόζονται οι αρχές βελτιστοποίησης ποικιλίας σε όλες τις μορφές λιανικής. Αυτά είναι ενδεικτικά παραδείγματα, όχι συγκεκριμένες περιπτωσιολογικές μελέτες εταιρείας.
Παντοπωλείο: κάλυψη τοπικής ζήτησης σε συγκεντρωτικά δεδομένα.Μια περιφερειακή αλυσίδα παντοπωλείων σχεδιάζει ποικιλίες χρησιμοποιώντας συγκεντρωτικά δεδομένα κατηγορίας. Κατηγορίες εθνοτικών τροφίμων - με ισχυρές επιδόσεις σε συγκεκριμένες γειτονιές - υποεκπροσωπούνται σταθερά επειδή οι πωλήσεις τους μειώνονται όταν ανεβαίνουν στο επίπεδο του banner. Μια προσέγγιση βασισμένη σε ομάδες{4}}που βασίζεται στην πραγματική σύνθεση του καλαθιού αποκαλύπτει ότι αυτό που έμοιαζε με χαμηλή ζήτηση κατηγορίας σε ορισμένες ομάδες καταστημάτων ήταν αντίθετα ένα πρόβλημα δομικής συγκέντρωσης δεδομένων. Η προσαρμογή των προτύπων αυτών των καταστημάτων ώστε να αντικατοπτρίζει την τοπική συμπεριφορά αγορών κλείνει το κενό. Ο παράγοντας ενεργοποίησης δεν είναι η νέα τεχνολογία - είναι ο διαχωρισμός των δεδομένων ζήτησης ανά κατάστημα και όχι ανά banner. Καλύτερη ορατότητα μέσω εργαλείων όπωςηλεκτρονικές ετικέτες ραφιών σε παντοπωλείαυποστηρίζει τη συνεχή μέτρηση του κατά πόσον αυτές οι προσαρμοσμένες ποικιλίες εκτελούνται πράγματι.
Μόδα: διαχείριση SKU με μακριά-ουρά.Ένας ειδικός λιανοπωλητής ενδυμάτων μεταφέρει αρκετές χιλιάδες ενεργές SKU ανά σεζόν. Μια ανασκόπηση παραγωγικότητας αποκαλύπτει ότι ένα σημαντικό μέρος της σειράς δημιουργεί ένα δυσανάλογα μικρό μερίδιο εσόδων ενώ καταναλώνει πόρους προγραμματισμού, αποθέματος και αναπλήρωσης. Η ανάλυση διαχωρίζει δύο ομάδες ατόμων με χαμηλή απόδοση: SKU χωρίς αναγνωρίσιμη βάση πιστών πελατών και αρνητικό χώρο-σε-συμβολή περιθωρίου και SKU με χαμηλό συνολικό όγκο αλλά υψηλά ποσοστά επανάληψης αγορών μεταξύ ενός συγκεκριμένου τμήματος αγοραστών. Η πρώτη ομάδα καταργείται σταδιακά. Το δεύτερο διατηρείται με προσαρμοσμένη κατανομή χώρου. Το αποτέλεσμα είναι ένα στενότερο εύρος που είναι πιο εύκολο να εκτελεστεί και λιγότερο πιθανό να δημιουργήσει κόπωση απόφασης σε επίπεδο ραφιού.
Ευκολία λιανικής: ταχύτητα εκτέλεσης ως διαφοροποιητής.Μια μικρή-αλυσίδα ευκολίας μορφής λειτουργεί σε τοποθεσίες όπου κάθε τετραγωνικό πόδι έχει υψηλό-ποντάρισμα και το κόστος μιας αποθήκης μεγεθύνεται από χαμηλά αποθέματα προσωρινής αποθήκευσης. Ο περιοριστικός παράγοντας δεν είναι το πλάνο συλλογής - είναι ο χρόνος που μεσολαβεί μεταξύ της εξάντλησης και της ανταπόκρισης ενός συνεργάτη καταστήματος σε αυτό. Η μείωση αυτού του κενού μέσω της αυτοματοποιημένης παρακολούθησης ραφιών, αντί να βασίζεται σε προγραμματισμένους μη αυτόματους ελέγχους, έχει άμεσο και μετρήσιμο αντίκτυπο στη διαθεσιμότητα στο κατάστημα για κατηγορίες ώθησης υψηλού-περιθωρίου.
Συχνές Ερωτήσεις
Τι είναι η βελτιστοποίηση ποικιλίας στη λιανική;
Η βελτιστοποίηση ποικιλίας είναι η διαδικασία συνεχούς επιλογής και βελτίωσης του μείγματος προϊόντων που προσφέρεται σε κάθε κατάστημα για τη μεγιστοποίηση των πωλήσεων, του περιθωρίου κέρδους και της ικανοποίησης των πελατών. Σε αντίθεση με έναν-χρονο προγραμματισμό συλλογής, ενσωματώνει δεδομένα πραγματικού-χρόνου και συνεχείς αξιολογήσεις απόδοσης για να διατηρεί την επιλογή προϊόντων ευθυγραμμισμένη με την πραγματική ζήτηση.
Ποια είναι η διαφορά μεταξύ σχεδιασμού ποικιλίας και βελτιστοποίησης ποικιλίας;
Ο σχεδιασμός ποικιλίας είναι μια περιοδική, κεντρική διαδικασία - συνήθως εποχιακή ή ετήσια - που ορίζει ποια προϊόντα θα μεταφέρονται με βάση ιστορικά δεδομένα. Η βελτιστοποίηση της ποικιλίας είναι συνεχής. Ενσωματώνει-σήματα πραγματικού χρόνου και αποθηκεύει-δεδομένα απόδοσης επιπέδου για να προσαρμόσει την ποικιλία καθώς αλλάζουν οι συνθήκες. Ο προγραμματισμός θέτει την αρχική κατεύθυνση. Η βελτιστοποίηση το διατηρεί βαθμονομημένο.
Πώς η τεχνητή νοημοσύνη βελτιώνει τη βελτιστοποίηση της ποικιλίας;
Η τεχνητή νοημοσύνη επιτρέπει-την πρόβλεψη ζήτησης επιπέδου αποθήκευσης που υπερβαίνει τους μέσους όρους συμπλέγματος, εντοπίζει SKU με χαμηλή απόδοση ενώ υπολογίζονται τα εφέ αντικατάστασης, δημιουργεί προτάσεις πλανογράμματος με βάση την τρέχουσα ταχύτητα πωλήσεων και επεξεργάζεται πραγματικό-σήματα χρόνου - καιρού, τοπικά συμβάντα, δραστηριότητα ανταγωνιστών {{3} δεν μπορεί να ενεργήσει σε αυτόν τον μη αυτόματο σχεδιασμό.
Ποιοι είναι οι πιο συνηθισμένοι λόγοι για τους οποίους αποτυγχάνει η βελτιστοποίηση της ποικιλίας;
Οι πέντε πιο συνηθισμένοι τρόποι αποτυχίας: υπερβολική-εξάρτηση από ιστορικά δεδομένα που δεν μπορούν να συλλάβουν την τρέχουσα ζήτηση. συγκεντρωτική λήψη αποφάσεων-που παραλείπει την τοπική παραλλαγή. συστήματα δεδομένων που παράγουν ελλιπή εικόνα. Συμμόρφωση πλανογράμματος χαμηλότερη από ό,τι υποθέτει τα κεντρικά. και αποτυχία ενσωμάτωσης σημάτων ζήτησης στο διαδίκτυο που αποκαλύπτουν κενά που δεν είναι ορατά μόνο στα δεδομένα πωλήσεων-καταστημάτων.
Τι KPI πρέπει να παρακολουθώ για βελτιστοποίηση ποικιλίας;
Οι πιο χρήσιμες μετρήσεις είναι το ποσοστό αποθεμάτων, η τιμή πώλησης-μέσω, η παραγωγικότητα SKU (έσοδα ή περιθώριο ανά μονάδα χώρου στο ράφι), το ποσοστό συμμόρφωσης με πλανογράμματα, η συνεισφορά περιθωρίου κατηγορίας και η ευθυγράμμιση της ζήτησης συμπλέγματος (διακύμανση μεταξύ προγραμματισμένης ποικιλίας και πραγματικής πώλησης-σε επίπεδο συμπλέγματος). Παρακολουθήστε όλα αυτά σε επίπεδο καταστήματος, όχι μόνο συγκεντρωτικά.
Πόσο χρόνο διαρκεί η υλοποίηση;
Ένας βασικός έλεγχος και ένα πλαίσιο βελτιστοποίησης{0}}που βασίζεται σε συμπλέγματα μπορεί συνήθως να αναπτυχθεί εντός μερικών μηνών χρησιμοποιώντας υπάρχοντα δεδομένα. Η πιο εξελιγμένη συνεχής βελτιστοποίηση-που βασίζεται στην τεχνητή νοημοσύνη απαιτεί ισχυρότερη βάση δεδομένων και ενδέχεται να χρειαστούν 12 έως 18 μήνες για να λειτουργήσει πλήρως. Ξεκινώντας με τον έλεγχο σχεδόν πάντα αποκαλύπτει γρήγορες νίκες διαθέσιμες πριν χρειαστεί οποιαδήποτε νέα τεχνολογία.
Μπορούν οι μικρότεροι λιανοπωλητές να επωφεληθούν από τη βελτιστοποίηση της ποικιλίας;
Ναί. Οι αρχές ισχύουν ανεξάρτητα από την κλίμακα -, η κατανόηση των προϊόντων που κερδίζουν το χώρο τους, η παρακολούθηση της συχνότητας των αποθεμάτων και η δημιουργία βρόχων ανατροφοδότησης μεταξύ των δεδομένων πωλήσεων και των αποφάσεων προϊόντων έχουν νόημα για οποιαδήποτε λειτουργία μεγέθους. Οι μικρότεροι έμποροι λιανικής ενδέχεται να μην χρειάζονται εταιρικές πλατφόρμες τεχνητής νοημοσύνης. Τα δωρεάν ή χαμηλού{3}}εργαλείων ανάλυσης κόστους μπορούν να υποστηρίξουν χρήσιμη βελτιστοποίηση με βάση τα δεδομένα που έχουν ήδη. Επιλέγοντας τοδεξιά λύση ετικέτας ραφιούείναι ένα πρακτικό σημείο εκκίνησης για τη βελτίωση της συλλογής δεδομένων χωρίς σημαντικές επενδύσεις σε υποδομές.
Τι δεδομένα χρειάζομαι για να ξεκινήσω;
Τουλάχιστον: SKU-επίπεδο δεδομένων πωλήσεων ανά κατάστημα με τουλάχιστον 12 μήνες ιστορικό, τρέχοντα επίπεδα αποθέματος και κάποιο μέτρο διαθεσιμότητας ραφιού - ακόμη και μη αυτόματες αναφορές αποθεμάτων. Από αυτή τη βάση, μπορείτε να εκτελέσετε έναν ουσιαστικό έλεγχο, να προσδιορίσετε τις ευκαιρίες με τον υψηλότερο αντίκτυπό σας και να δημιουργήσετε έναν οδικό χάρτη βελτίωσης δεδομένων. Τα τέλεια δεδομένα δεν είναι προαπαιτούμενο. Χρήσιμη βελτιστοποίηση είναι δυνατή με ατελή δεδομένα, αρκεί να κατανοήσετε και να λάβετε υπόψη τα κενά τους.
Από πού να ξεκινήσετε
Η βελτιστοποίηση ποικιλίας αποδίδει τη μεγαλύτερη αξία όταν λειτουργεί ως συνεχής βρόχος - αναλύει την απόδοση, προσαρμόζει το μείγμα προϊόντων, εκτελεί-στο κατάστημα, μετράει τα αποτελέσματα και επαναλαμβάνει. Οι έμποροι λιανικής που αναπτύσσουν αυτή τη δυνατότητα πιο αποτελεσματικά δεν είναι απαραίτητα αυτοί που επενδύουν πρώτοι στα πιο προηγμένα εργαλεία. Είναι εκείνοι που ξεκινούν με ειλικρινή δεδομένα σχετικά με το πού αποτυγχάνει η τρέχουσα ποικιλία τους και χτίζουν τις οργανωτικές συνήθειες για να ενεργούν με συνέπεια σε αυτά τα δεδομένα.
Εάν ξεκινάτε από το μηδέν, τέσσερις ενέργειες είναι άμεσα εφαρμόσιμες: εκτελέστε έναν έλεγχο παραγωγικότητας αποθεμάτων και SKU χρησιμοποιώντας δεδομένα που έχετε ήδη. Ελέγξτε τους ορισμούς του συμπλέγματος καταστήματός σας με βάση την πραγματική συμπεριφορά αγορών και όχι τα υποτιθέμενα δημογραφικά στοιχεία. συνδέστε τα δεδομένα αναζήτησης -μηδενικών-αποτελεσμάτων ηλεκτρονικού εμπορίου στη ροή εργασιών σχεδιασμού κατηγορίας. και να ορίσετε ποιες αποφάσεις ποικιλίας θα πρέπει να αυτοματοποιούνται έναντι της αναθεώρησης από άνθρωπο πριν από την εκτέλεση.
Καθένα από αυτά μπορεί να γίνει πριν από την προμήθεια οποιασδήποτε νέας τεχνολογίας - και το καθένα θα παράγει σαφέστερη ορατότητα σχετικά με το πού η επένδυση στην τεχνολογία θα μετακινούσε πραγματικά τη βελόνα.
