რა არის ასორტიმენტის ოპტიმიზაცია?

ასორტიმენტის ოპტიმიზაცია არის დისციპლინა, რომელიც აგვარებს ამ ხარვეზს. ის აკავშირებს იმას, თუ რას გადაწყვეტს სათაო ოფისი და რას იპოვიან კლიენტები თაროზე - მონაცემების, უწყვეტი სწავლისა და შენახვის- დონის შესრულების გზით. ეს გზამკვლევი მოიცავს რა არის ის, რატომ ვერ ხერხდება მიდგომების უმეტესობა, როგორ განხორციელდეს ის და როგორ გავზომოთ შედეგები.

ასორტიმენტის ოპტიმიზაცია ასორტიმენტის დაგეგმვის წინააღმდეგ: რა განსხვავებაა?

ეს ორი ტერმინი ხშირად ურთიერთშემცვლელად გამოიყენება. ისინი აღწერენ ფუნდამენტურად განსხვავებულ პროცესებს.

დაგეგმვა განსაზღვრავს როგორი უნდა იყოს თქვენი ასორტიმენტი. ოპტიმიზაცია უზრუნველყოფს, რომ ის რეალურად ასრულებს - და განაგრძობს გაუმჯობესებას პირობების შეცვლისას.

სამი ფენა, სადაც ასორტიმენტის გადაწყვეტილებები მიიღება და იკარგება

საცალო ვაჭრობის უმეტესობა დიდ ინვესტიციას ახდენს პირველ ფენაში. შესრულების ყველაზე დიდი ხარვეზები დანარჩენ ორშია.

სტრატეგიული ფენა: რა გავყიდოთ

სწორედ აქ ხდება კატეგორიის-დონის გადაწყვეტილებები: რომელი პროდუქტები იძენს თაროზე ადგილს, როგორ ბალანსდება კერძო ეტიკეტები ეროვნულ ბრენდებთან და რა როლს ასრულებს თითოეული კატეგორია მაღაზიის საერთო სტრატეგიაში. აქ გადაწყვეტილებები მიიღება სათაო ოფისში, ბაზრის მონაცემებით და კონკურენტული ბენჩმარკინგის საფუძველზე და იცვლება გრძელ ციკლებში.

რისკი: მთლიანი მონაცემები ფარავს ადგილობრივ ცვალებადობას. მისაღები ეროვნული გაყიდვების მქონე პროდუქტმა შეიძლება მაღაზიების 40%-ში ნაკლებეფექტური იყოს და სხვა 30%-ში ჭარბი შედეგიანი იყოს. საშუალოები მალავს სიგნალს.

ტაქტიკური ფენა: სად და როგორ გავყიდოთ

ტაქტიკური ფენა გარდაქმნის სტრატეგიას მდებარეობის-სპეციფიკურ გეგმებად: მაღაზიების კლასტერირება, პლანოგრამის დიზაინი და სავაჭრო წესები. ეს არის ადგილი, სადაც ასორტიმენტი ხდება ჭეშმარიტად ადგილობრივი - მაღალი-სიმკვრივის ურბანული მაღაზია აქვს განსხვავებული სივრცის შეზღუდვები, ფეხით მოძრაობის ნიმუშები და მყიდველების მისიები, ვიდრე გარეუბნის ფორმატში.

რისკი: ამ დონეზე გადაწყვეტილებები კვლავ დიდწილად ეყრდნობა ვარაუდებს და არა რეალურ შესანახი-დონის სიგნალებს. ასორტიმენტები შეიძლება კარგად-გამოიყურებოდეს ქაღალდზე ლოკალიზებული, მაგრამ პრაქტიკაში არასწორად დარჩეს.

ოპერაციული ფენა: რა აღწევს რეალურად მომხმარებელს

აქ არის ასორტიმენტის ოპტიმიზაცია წარმატებული ან ჩუმად წარუმატებელი. ოპერაციული ფენა ასახავს იმ ფიზიკურ რეალობას, რომელსაც მომხმარებლები აწყდებიან: რომელი პროდუქტებია თაროზე, არის თუ არა სწორად შესრულებული პლანოგრამები, ჩანს თუ არა აქციები და არის თუ არა მარაგების დაჭერა და სწრაფად გადაჭრა.

მაღაზიის შესრულებაში-რეალური დროის ხილვადობის გარეშე, ყოველი ზემოთ ნაკადის გადაწყვეტილება ნაწილობრივ ვარაუდია. ტექნოლოგიები, როგორიცააელექტრონული თაროების ეტიკეტებიდა IoT სენსორები სულ უფრო ხშირად გამოიყენება ამ ხილვადობის უფსკრულის დასაფარად - შელფის მდგომარეობების ავტომატურად აღბეჭდვის მიზნით, ვიდრე ხელით აუდიტებზე დაყრდნობით, რომლებიც ძალზე იშვიათად ხდება, რომ ქმედითი იყოს.

რატომ ვერ ხერხდება ტრადიციული ასორტიმენტის ოპტიმიზაცია

ასორტიმენტის სტრატეგიების უმეტესობა კარგად-შემუშავებულია ქაღალდზე. აი, სად იშლება ისინი პრაქტიკაში.

წარუმატებლობის რეჟიმი 1: ისტორიული მონაცემები ოპტიმიზებულია წარსულისთვის

გაყიდვების ისტორია გეტყვით, თუ რა იყიდეს მომხმარებლებმა იმ დროს არსებულ პირობებში - ხელმისაწვდომი ასორტიმენტით, დაწესებული ფასებით. ის ვერ გეტყვით რა სურდათ მომხმარებელს, მაგრამ ვერ იპოვეს. სწრაფად-მოძრავ კატეგორიებში, როდესაც ტენდენცია აშკარად გამოჩნდება ისტორიულ მონაცემებში, მოქმედების ფანჯარა ხშირად უკვე გავიდა.

წარუმატებლობის რეჟიმი 2: ცენტრალიზებული გადაწყვეტილებები, ადგილობრივი რეალობა

როდესაც ასორტიმენტის გადაწყვეტილებები მიიღება მთლიანად სათაო ოფისში, მაღაზიის-დონის ნიუანსი მცირდება საშუალოდ. პროდუქტი, რომელსაც აქვს საშუალო ეროვნული გაყიდვები, მაგრამ ძლიერი ეფექტურობა მაღაზიის სპეციფიკურ ტიპებში, შეიძლება ამოღებულ იქნეს სიიდან. სტანდარტიზებული პლანოგრამა განლაგებულია მაღაზიებში მნიშვნელოვნად განსხვავებული თაროების ზომებით და მყიდველების დემოგრაფიით.

წარუმატებლობის რეჟიმი 3: მონაცემთა სილოსები აწარმოებენ არასრულ გადაწყვეტილებებს

საცალო ვაჭრობის ორგანიზაციები აწარმოებენ მონაცემებს მრავალი სისტემის -{{1}-გაყიდვის-პუნქტის, ინვენტარის, ლოიალობის, ელექტრონული-კომერციისა და{4}}მაღაზიის სენსორების მიხედვით. კატეგორიის მენეჯერები მუშაობენ ერთი მონაცემთა ნაკრებიდან. მიწოდების ჯაჭვი მუშაობს სხვაგან. შენახვის ოპერაციები მესამედან. არცერთი ეს ხედვა არ არის დასრულებული და ნებისმიერი ცალკეული სილოდან მიღებული გადაწყვეტილებები შექმნის პრობლემებს, რომლებიც ჩანს მხოლოდ მეორეში.

მარცხის რეჟიმი 4: პლანოგრამის შესაბამისობა იმაზე დაბალია, ვიდრე შტაბ-ბინა ფიქრობს

პლანოგრამა აწვდის მნიშვნელობას მხოლოდ იმ შემთხვევაში, თუ ის სწორად და თანმიმდევრულად არის შესრულებული. საცალო ქსელების უმეტესობაში, შესაბამისობის განაკვეთები მნიშვნელოვნად განსხვავდება მაღაზიებში - და შტაბ-ოფისმა, როგორც წესი, არ იცის, სანამ არ მოხდება მისი შეფასება. თუ თქვენ აფასებთ პროდუქტის თაროზე მუშაობას გაყიდვების მონაცემებზე დაყრდნობით, მაგრამ ეს პროდუქტი თქვენი მაღაზიების 20%-ში სამი თვის განმავლობაში არასწორ ადგილზე იყო, თქვენი მუშაობის მონაცემები არასანდოა. გაგებარამდენად ხშირად განახლდება თაროზე მონაცემებიპირდაპირ არის დაკავშირებული ამ გაზომვების სიზუსტეზე.

წარუმატებლობის რეჟიმი 5: მრავალარხიანი სიგნალები წაუკითხავი რჩება

ონლაინ მომხმარებელთა ქცევა ასორტიმენტის დაზვერვის მდიდარი წყაროა, რომელსაც ფიზიკური საცალო ვაჭრობის უმეტესობა უგულებელყოფს. ნულოვანი-შედეგების ძიება თქვენს ელექტრონულ-კომერციის პლატფორმაზე ზუსტად გაჩვენებთ, თუ რას ეძებენ მომხმარებლები, რასაც თქვენ არ ატარებთ. მაღალი-დათვალიერების, დაბალი-შესყიდვის ნიმუშები ავლენს მოთხოვნას, რომელიც შეიძლება მოითხოვდეს-მაღაზიის შეფასებას კონვერტაციამდე. მომხმარებელი, რომელიც ეძებს პროდუქტს ონლაინ, აღმოაჩენს, რომ ის მიუწვდომელია და ტოვებს, არ წარმოქმნის მონაცემებს -მაღაზიის სისტემაში -, მაგრამ მონაცემთა არარსებობა თავისთავად არის სიგნალი, თუ თქვენ ააწყობთ პროცესს მის დასაჭერად. ამოსავალი წერტილი არის თქვენი ონლაინ ძიების და დათვალიერების მონაცემების დაკავშირება თქვენი კატეგორიის დაგეგმვის სამუშაო პროცესთან, თუნდაც არაფორმალურად.

როგორ აუმჯობესებს AI ასორტიმენტის გადაწყვეტილებებს

ასორტიმენტის ხელით მართვა ასობით მაღაზიასა და ათიათასობით SKU-ში მიაღწია ელცხრილებისა და პერიოდული მიმოხილვების მხარდაჭერის ზღვრებს. AI ხელს უწყობს კონკრეტული, გაზომვადი გზებით.

შეინახეთ-დონის მოთხოვნის პროგნოზირება.ტრადიციული პროგნოზირება მოქმედებს ბანერის ან კლასტერის დონეზე. მანქანათმცოდნეობის მოდელებს შეუძლიათ შექმნან პროგნოზები ინდივიდუალური მაღაზიისა და SKU დონეზე, ადგილობრივი ფაქტორების აღრიცხვა - სამეზობლო დემოგრაფიის, ახლომდებარე კონკურენციის, სეზონური მიკრო-ტენდენციების - შესახებ, რომლებსაც უფრო ფართო მოდელები საშუალოდ აშორებენ. ეს არის ის, რაც ლოკალიზებული ასორტიმენტის გადაწყვეტილებებს დასაცავად ხდის და არა ვარაუდს.

SKU რაციონალიზაცია.ყველა პროდუქტი არ იძენს თავის ადგილს. ხელოვნური ინტელექტის მოდელებს შეუძლიათ განსაზღვრონ, თუ რომელი SKU მოიხმარს თაროზე არსებულ უძრავ ქონებას და ინვენტარის კაპიტალს პროპორციული ანაზღაურების გარეშე -, რაც ითვალისწინებს მარჟის წვლილს, ჩანაცვლების ეფექტებს და კალათის ზემოქმედებას. კრიტიკული განსხვავებაა ნელ-მოძრავებს შორის, რომლებიც ემსახურებიან ლოიალურ ნიშას და ნელ-მოძრავებს შორის, რომლებიც უბრალოდ აკლდებიან. AI-ს შეუძლია განასხვავოს ეს ორი ისეთი მასშტაბით, როგორიც ხელით ანალიზს არ შეუძლია.

დინამიური ფასები და სარეკლამო გასწორება.ასორტიმენტის გადაწყვეტილებები არ არსებობს ფასებისგან იზოლირებულად. AI-მართულიდინამიური ფასიშეუძლია გააერთიანოს სარეკლამო აქტივობა ასორტიმენტის შესრულებასთან რეალურ დროში -, რაც შეამცირებს შეუსაბამობას დაგეგმილსა და რაზეც კლიენტები რეალურად რეაგირებენ თაროების დონეზე.

შესრულების მონიტორინგი.კომპიუტერული ხედვისა და სენსორის მონაცემებს შეუძლიათ პლანოგრამის გადახრების იდენტიფიცირება სრული ხელით აუდიტის საჭიროების გარეშე. მიღწევებითაროების ეტიკეტების ტექნოლოგიაგახადა ავტომატური თაროების-სახელმწიფო მონიტორინგის ხელმისაწვდომობა საშუალო ზომის-საცალო ვაჭრობისთვის და არა მხოლოდ დიდი ქსელებისთვის.

ხუთ-საფეხურიანი ჩარჩო განხორციელებისთვის

საცალო ვაჭრობის უმეტესობამ იცის ასორტიმენტის ოპტიმიზაციის საკითხები. ნაკლებს აქვს მკაფიო საწყისი წერტილი. ეს ჩარჩო შექმნილია ნებისმიერი მასშტაბის გამოსაყენებლად.

ნაბიჯი 1: აუდიტი თქვენი მიმდინარე ასორტიმენტი

რაიმეს ოპტიმიზაციამდე ჩამოაყალიბეთ გულწრფელი საბაზისო ხაზი. როგორია თქვენი ამჟამინდელი მარაგების მაჩვენებელი კატეგორიის და მაღაზიის მიხედვით? რომელი SKU-ები აწარმოებენ გაყიდვების ქვედა დეცილს კვადრატულ ფუტზე? სად არის ყველაზე დიდი ხარვეზები დაგეგმილ ასორტიმენტსა და შელფის რეალურ ხელმისაწვდომობას შორის? თუ ვერ უპასუხებთ ამ კითხვებს სანდო მონაცემებით, ეს თავისთავად ყველაზე მნიშვნელოვანი აღმოჩენაა - და სიგნალი ხილვადობაში ინვესტირების ოპტიმიზაციის ინსტრუმენტებში ინვესტირებამდე. სტრუქტურირებულისაბაზისო ROI გაანგარიშებაშეუძლია დაეხმაროს რაოდენობრივად განსაზღვროს, თუ სად არის ყველაზე მაღალი-გავლენის ხარვეზები ნებისმიერი მიდგომის შესრულებამდე.

ნაბიჯი 2: განსაზღვრეთ თქვენი მაღაზიის კლასტერები

ყველა მაღაზიას არ უნდა ჰქონდეს ერთი და იგივე ასორტიმენტი, მაგრამ ყველა მაღაზიისთვის სრულიად უნიკალური ასორტიმენტი ოპერაციულად უმართავია. მაღაზიის კლასტერირება ახდენს ამ უკიდურესობებს მდებარეობების დაჯგუფებით მნიშვნელოვანი მოთხოვნის პროფილებით. ეფექტური კლასტერირება აგებულია შესყიდვის ფაქტობრივ ქცევაზე - კალათის შემადგენლობაზე, კატეგორიის სიჩქარეზე, მყიდველების მისიის შაბლონებზე - და არა სავარაუდო დემოგრაფიულ მონაცემებზე. საცალო ვაჭრობის უმეტესობა მუშაობს ოთხიდან რვა კლასტერთან, რაც დამოკიდებულია ქსელის ზომაზე და ფორმატის მრავალფეროვნებაზე. სწორი რიცხვი არის ის, სადაც თითოეული კლასტერი საკმარისად განსხვავებულად იქცევა, რათა გარანტირებული იყოს პროდუქტის განსხვავებული შაბლონი.

ნაბიჯი 3: თქვენი მონაცემთა წყაროების ინტეგრირება

ასორტიმენტის ოპტიმიზაცია მხოლოდ ისეთივე კარგია, როგორც მონაცემები, რომლებიც მას კვებავს. მინიმუმ, გჭირდებათ SKU-დონის გაყიდვების მონაცემები მაღაზიის მიხედვით მინიმუმ 12 თვიანი ისტორიით, ინვენტარის მიმდინარე დონეებით და შელფის ხელმისაწვდომობის გარკვეული საზომით. კითხვა, თუ როგორ ხდება თაროს მონაცემების დაფიქსირება - ხელით მოხსენებების, ESL სისტემების ან IoT სენსორების მეშვეობით - პირდაპირ გავლენას ახდენს მონაცემთა სიახლესა და სანდოობაზე. გააზრებადაკავშირების ვარიანტები თაროზე მონაცემების აღრიცხვისთვისპრაქტიკული ადრეული გადაწყვეტილებაა. მონაცემთა სრულყოფილი ინტეგრაცია არ არის წინაპირობა --ის დასაწყებად, მაგრამ თქვენ უნდა გესმოდეთ თქვენი მონაცემების ხარვეზები და შეყოვნება, სანამ ენდობით მის გამომავალს.

ნაბიჯი 4: დააყენეთ ოპტიმიზაციის წესები და დამცავი ზოლები

ხელოვნური ინტელექტის მოდელებსა და ოპტიმიზაციის ალგორითმებს სჭირდებათ შეზღუდვები. ყველა გადაწყვეტილება არ უნდა იყოს ავტომატიზირებული. მკაფიოდ განსაზღვრეთ რომელი გადაწყვეტილებები შეიძლება იყოს ავტომატურად გაშვებული - როგორიცაა შევსების ტრიგერები მაღალი-სიჩქარის SKU-ებისთვის - და რომლებიც საჭიროებენ ადამიანის განხილვას, როგორიცაა პროდუქტის ამოღება კლასტერიდან. დაცვა ასევე იცავს შეცდომებისგან, რომლებსაც ავტომატური სისტემები უშვებენ, როდესაც მონაცემები არასრულია. ჩვეულებრივი მაგალითი: ალგორითმი რეკომენდაციას უწევს პროდუქტის ამოღებას, რადგან მისი გაყიდვები დაბალია, როდესაც რეალური მიზეზი არის მუდმივი მარაგები, რასაც გაყიდვების მონაცემები არ განასხვავებს დაბალი მოთხოვნილებისგან.ფასების და ხელმისაწვდომობის ჩვენების შეცდომებიარის დაკავშირებული ოპერაციული წარუმატებლობის რეჟიმი, რომლის გაგებაც ღირს ავტომატიზაციის შემოღებამდე.

ნაბიჯი 5: გაზომეთ, ისწავლეთ და გაიმეორეთ

ასორტიმენტის ოპტიმიზაცია უწყვეტი პროცესია და არა ერთჯერადი-პროექტი. ჩამოაყალიბეთ რეგულარული მიმოხილვის რიტმი - კვარტალში მინიმუმ სტრატეგიული გადაწყვეტილებებისთვის, ყოველთვიურად ტაქტიკური კორექტირებისთვის. შექმენით სტრუქტურირებული უკუკავშირის მარყუჟები ცენტრალური კატეგორიის გუნდებს შორის და შეინახეთ-დონეზე მუშაობის მონაცემები. განიხილეთ თითოეული დაგეგმვის ციკლი, როგორც ექსპერიმენტი: შექმენით ჰიპოთეზა, განახორციელეთ ცვლილება, გაზომეთ შედეგი, გამოიყენეთ ეს სწავლება შემდეგ ციკლში. ორგანიზაციები, რომლებიც ამ პროცესიდან ყველაზე დიდ მნიშვნელობას იღებენ, არ არიან ყველაზე დახვეწილი ინსტრუმენტების მქონე ორგანიზაციები. ისინი არიან ისეთებიც, რომლებმაც შექმნეს მონაცემებიდან თანმიმდევრულად სწავლის ჩვევა.

ექვსი KPI ასორტიმენტის ოპტიმიზაციის გასაზომად

აკონტროლეთ ექვსივე მეტრიკა მაღაზიის დონეზე და არა მხოლოდ მთლიანობაში. ქსელის-საშუალო დონეები ხშირად მალავს მაღაზიებს, სადაც პრობლემები ყველაზე მწვავეა - და სადაც არის ყველაზე დიდი ოპტიმიზაციის შესაძლებლობები.

ასორტიმენტის ოპტიმიზაცია ონლაინ და ფიზიკურ არხებზე

საცალო ვაჭრობისთვის, რომლებიც მუშაობენ ფიზიკურ და ციფრულ არხებზე, ასორტიმენტის გადაწყვეტილებების ცალ-ცალკე მართვა შეუძლებელია.საცალო გარემოშეიცვალა: მომხმარებლები მოძრაობენ არხებს შორის თხევადად და თითოეული არხის მონაცემებს შეუძლიათ გადაწყვეტილების მიღება მეორეზე.

ონლაინ, როგორც ასორტიმენტის სიგნალი.ნულოვანი-შედეგების ძიება თქვენს ელექტრონულ-კომერციის პლატფორმაზე არის ასორტიმენტის ხარვეზების პირდაპირი ინდიკატორი - კლიენტები, რომლებიც გეუბნებიან ზუსტად რა უნდათ, რაც თქვენ არ გაქვთ. მაღალი-დათვალიერების, დაბალი-შესყიდვის ნიმუშები შეიძლება მიუთითებდეს პროდუქტებზე, რომლებიც მომხმარებელს სურს პირადად შეაფასოს ყიდვამდე, რაც გავლენას ახდენს მაღაზიის დიაპაზონზე-. მიხედვითმაკკინსის კვლევა, მომხმარებელთა 70%-ზე მეტი ახლა მოელის პერსონალიზებულ გამოცდილებას -, რომელიც ეხება პროდუქტის ხელმისაწვდომობას ისევე როგორც კომუნიკაციებს.

ერთიანი და დიფერენცირებული ასორტიმენტი.უნდა მოერგოს თუ არა თქვენი ონლაინ და-მაღაზიის ასორტიმენტი, ეს დამოკიდებულია თქვენი მაღაზიის ფორმატზე და მომხმარებელთა ქცევაზე. ერთიანი ასორტიმენტი ამარტივებს ოპერაციებს და აწარმოებს უფრო სუფთა მოთხოვნის მონაცემებს, მაგრამ აიძულებს ფიზიკურ მაღაზიებს ატარონ ონლაინ კატალოგის სირთულე, რომელსაც ფორმატების უმეტესობა ვერ ახერხებს. დიფერენცირებული მიდგომა - სადაც ფიზიკურ მაღაზიებს აქვთ კურირებული, მაღალი-სიჩქარის ბირთვი, ხოლო ონლაინ არხი ამუშავებს გრძელ კუდს - კარგად მუშაობს, როდესაც ორი არხი ემსახურება ჭეშმარიტად განსხვავებულ სავაჭრო მიზნებს. გადაწყვეტილების ჩარჩო მარტივია: თუ კლიენტები რეგულარულად ეძებენ ონლაინ და კონვერტირებენ-მაღაზიაში, გასწორება მნიშვნელოვანია. თუ ონლაინ და მაღაზიებში მყიდველები დიდწილად განსხვავებული აუდიტორიაა, დიფერენციაცია შეიძლება უფრო ეფექტური იყოს.

სად უნდა დაიწყოს.ყველაზე პრაქტიკული შესვლის წერტილი არის თქვენი -ელექტრონული კომერციის ნულოვანი-ძიების შედეგების დაკავშირება თქვენი კატეგორიის დაგეგმვის მიმოხილვასთან. ახალი ტექნოლოგია არ არის საჭირო - კატეგორიის მენეჯერების მიერ განხილული წარუმატებელი საძიებო მოთხოვნების ყოველთვიური ექსპორტი შეიძლება აღმოაჩინოს ასორტიმენტის ხარვეზები, რომლებსაც-მაღაზიის გაყიდვების მონაცემები არასოდეს გამოავლენს. ამის დაწყვილებაგაუმჯობესებული თაროების-დონის მონაცემთა აღრიცხვაფიზიკურ მაღაზიებში ქმნის დახურულ ციკლს ონლაინ სიგნალებსა და-მაღაზიაში შესრულებას შორის.

როგორ გამოიყურება ეს პრაქტიკაში

შემდეგი სცენარები ასახავს, ​​თუ როგორ გამოიყენება ასორტიმენტის ოპტიმიზაციის პრინციპები საცალო ვაჭრობის ფორმატებში. ეს არის საილუსტრაციო მაგალითები და არა კონკრეტული კომპანიის შემთხვევის შესწავლა.

სასურსათო მაღაზიები: ადგილობრივი მოთხოვნის დაფარვა მთლიან მონაცემებში.რეგიონალური სასურსათო ქსელი გეგმავს ასორტიმენტებს მთლიანი კატეგორიის მონაცემების გამოყენებით. ეთნიკური საკვების კატეგორიები - ძლიერი შემსრულებლები კონკრეტულ უბნებში - მუდმივად ნაკლებად არიან წარმოდგენილი, რადგან მათი გაყიდვები მცირდება ბანერის დონეზე გადაყვანისას. კასეტური-დაფუძნებული მიდგომა, რომელიც აგებულია კალათის რეალურ შემადგენლობაზე, ცხადყოფს, რომ ის, რაც გამოიყურებოდა დაბალი კატეგორიის მოთხოვნად მაღაზიების გარკვეულ ჯგუფებში, სანაცვლოდ, იყო სტრუქტურული მონაცემთა აგრეგაციის პრობლემა. ამ მაღაზიების შაბლონების მორგება ადგილობრივი შესყიდვების ქცევის ასახვაზე ხსნის ხარვეზს. გამაძლიერებელი ფაქტორი არ არის ახალი ტექნოლოგია - ეს არის მოთხოვნის მონაცემების დაშლა მაღაზიის მიხედვით და არა ბანერის მიხედვით. უკეთესი ხილვადობა ისეთი ხელსაწყოების საშუალებით, როგორიცააელექტრონული თაროების ეტიკეტები სასურსათო მაღაზიებშიმხარს უჭერს მიმდინარე გაზომვას, არის თუ არა ეს კორექტირებული ასორტიმენტები რეალურად შესრულებული.

მოდა: გრძელი-კუდის SKU მართვა.სპეციალიზებული ტანსაცმლის საცალო ვაჭრობა ატარებს რამდენიმე ათას აქტიურ SKU-ს სეზონზე. პროდუქტიულობის მიმოხილვა ცხადყოფს, რომ დიაპაზონის მნიშვნელოვანი ნაწილი წარმოქმნის შემოსავლის არაპროპორციულად მცირე წილს დაგეგმვის, ინვენტარის და შევსების რესურსების მოხმარებისას. ანალიზი გამოყოფს არასაკმარისი შემსრულებლების ორ ჯგუფს: SKU-ები, რომლებსაც არ აქვთ იდენტიფიცირებული ლოიალური კლიენტების ბაზა და უარყოფითი სივრცე--მიღების კონტრიბუციისთვის, და SKU-ები დაბალი საერთო მოცულობით, მაგრამ მაღალი განმეორებითი შესყიდვების ტარიფებით კონკრეტულ მყიდველთა სეგმენტში. პირველი ჯგუფი ეტაპობრივად გამოირიცხება. მეორე შენარჩუნებულია სივრცის მორგებული გამოყოფით. შედეგი არის უფრო მჭიდრო დიაპაზონი, რომელიც უფრო ადვილია შესასრულებელი და ნაკლებად სავარაუდოა, რომ შექმნას გადაწყვეტილების დაღლილობა თაროების დონეზე.

კომფორტული საცალო ვაჭრობა: შესრულების სიჩქარე, როგორც დიფერენციატორი.მცირე-ფორმატიანი მოხერხებულობის ჯაჭვი მუშაობს ისეთ ადგილებში, სადაც ყოველი კვადრატული ფუტი მაღალია-ფსონებით და მარაგის ღირებულება იზრდება დაბალი მარაგის ბუფერებით. შემზღუდველი ფაქტორი არ არის ასორტიმენტის გეგმა - ეს არის დრო მარაგის დადგომასა და მასზე მაღაზიის პარტნიორის რეაგირებას შორის. ამ ხარვეზის შემცირება თაროების ავტომატური მონიტორინგის მეშვეობით, ვიდრე დაგეგმილი ხელით შემოწმებებზე დაყრდნობით, პირდაპირ და გაზომვად გავლენას ახდენს-მაღაზიის ხელმისაწვდომობაზე მაღალი-მიზანის იმპულსების კატეგორიებისთვის.

ხშირად დასმული კითხვები

რა არის ასორტიმენტის ოპტიმიზაცია საცალო ვაჭრობაში?

ასორტიმენტის ოპტიმიზაცია არის თითოეულ მაღაზიაში შემოთავაზებული პროდუქტის მიქსის მუდმივი შერჩევისა და დახვეწის პროცესი, რათა მაქსიმალურად გაზარდოს გაყიდვები, მარჟა და მომხმარებელთა კმაყოფილება. ასორტიმენტის ერთჯერადი დაგეგმვისგან განსხვავებით, ის აერთიანებს რეალურ-დროის მონაცემებს და შესრულების მიმდინარე მიმოხილვებს, რათა პროდუქტის არჩევანი რეალურ მოთხოვნასთან შესაბამისობაში იყოს.

რა განსხვავებაა ასორტიმენტის დაგეგმვასა და ასორტიმენტის ოპტიმიზაციას შორის?

ასორტიმენტის დაგეგმვა არის პერიოდული, ცენტრალიზებული პროცესი -, როგორც წესი, სეზონური ან წლიური -, რომელიც განსაზღვრავს თუ რომელი პროდუქტების ტარება უნდა მოხდეს ისტორიული მონაცემების საფუძველზე. ასორტიმენტის ოპტიმიზაცია უწყვეტია. ის აერთიანებს რეალურ-დროის სიგნალებს და ინახავს-დონეზე მუშაობის მონაცემებს, რათა მოერგოს ასორტიმენტს პირობების შეცვლასთან ერთად. დაგეგმვა ადგენს საწყის მიმართულებას; ოპტიმიზაცია ინარჩუნებს მას დაკალიბრებულს.

როგორ აუმჯობესებს AI ასორტიმენტის ოპტიმიზაციას?

AI იძლევა შესანახად-მოთხოვნის დონის პროგნოზირებას, რომელიც სცილდება კლასტერულ საშუალო მაჩვენებლებს, განსაზღვრავს არაეფექტურ SKU-ებს ჩანაცვლების ეფექტების აღრიცხვისას, წარმოქმნის პლანოგრამათა რეკომენდაციებს გაყიდვების მიმდინარე სიჩქარეზე დაფუძნებული და ამუშავებს რეალურ-დროის სიგნალებს - ამინდს, ლოკალურ მოვლენებს, კონკურენტის აქტივობას {{3} დროში არ შეუძლია მოქმედებდეს ხელით დაგეგმვისას.

რა არის ყველაზე გავრცელებული მიზეზები, რის გამოც ასორტიმენტის ოპტიმიზაცია ვერ ხერხდება?

წარუმატებლობის ხუთი ყველაზე გავრცელებული რეჟიმი: ისტორიულ მონაცემებზე მეტი-დამოკიდებულება, რომელიც ვერ ახერხებს მიმდინარე მოთხოვნის დაფიქსირებას; ცენტრალიზებული გადაწყვეტილების მიღება-რომელიც გამოტოვებს ლოკალურ ცვალებადობას; გამოსახული მონაცემთა სისტემები, რომლებიც წარმოქმნიან არასრულ სურათს; პლანოგრამის შესაბამისობა უფრო დაბალია, ვიდრე შტაბ-ბინა ვარაუდობს; და ონლაინ მოთხოვნის სიგნალების შეუთავსებლობა, რომლებიც ავლენენ უხილავ ხარვეზებს მხოლოდ მაღაზიის გაყიდვების მონაცემებში-.

რა KPI-ებს უნდა მივადევნო თვალი ასორტიმენტის ოპტიმიზაციისთვის?

ყველაზე სასარგებლო მეტრიკაა მარაგის მაჩვენებელი, გაყიდვის-განაკვეთი, SKU პროდუქტიულობა (შესავალი ან ზღვარი თაროზე სივრცის ერთეულზე), პლანოგრამის შესაბამისობის მაჩვენებელი, კატეგორიის ზღვრული წვლილი და კლასტერული მოთხოვნის გასწორება (ვარიაცია დაგეგმილ ასორტიმენტსა და რეალურ გაყიდვას შორის-კლასტერულ დონეზე). თვალყური ადევნეთ ამ ყველაფერს მაღაზიის დონეზე და არა მხოლოდ მთლიანობაში.

რამდენი დრო სჭირდება განხორციელებას?

საბაზისო აუდიტი და კლასტერზე{0}}დაფუძნებული ოპტიმიზაციის ჩარჩო, როგორც წესი, შეიძლება შეიქმნას რამდენიმე თვეში არსებული მონაცემების გამოყენებით. უფრო დახვეწილი AI-მიმართული უწყვეტი ოპტიმიზაცია მოითხოვს მონაცემთა უფრო ძლიერ საფუძველს და სრულ ფუნქციონირებას შეიძლება 12-დან 18 თვემდე დასჭირდეს. აუდიტით დაწყებული თითქმის ყოველთვის ავლენს სწრაფ მოგებას, სანამ რაიმე ახალი ტექნოლოგია იქნება საჭირო.

შეუძლიათ თუ არა მცირე საცალო ვაჭრობას ისარგებლონ ასორტიმენტის ოპტიმიზაციით?

დიახ. პრინციპები გამოიყენება მასშტაბის მიუხედავად - იმის გაგება, თუ რომელი პროდუქტები იღებენ ადგილს, მარაგის სიხშირის თვალყურის დევნება და გაყიდვების მონაცემებსა და პროდუქტის გადაწყვეტილებებს შორის უკუკავშირის შექმნა მნიშვნელოვანია ნებისმიერი ზომის ოპერაციისთვის. მცირე საცალო ვაჭრობას შეიძლება არ დასჭირდეს საწარმოს AI პლატფორმები; უფასო ან დაბალი-ღირებულების ანალიტიკის ხელსაწყოებს შეუძლიათ სასარგებლო ოპტიმიზაციის მხარდაჭერა მათ მიერ უკვე არსებული მონაცემების საფუძველზე. არჩევამარჯვენა თაროზე ეტიკეტის ხსნარიარის ერთი პრაქტიკული საწყისი წერტილი მონაცემთა აღების გასაუმჯობესებლად მნიშვნელოვანი ინფრასტრუქტურული ინვესტიციების გარეშე.

რა მონაცემები მჭირდება დასაწყებად?

მინიმუმ: SKU-გაანაწილეთ გაყიდვების მონაცემები მაღაზიის მიხედვით მინიმუმ 12 თვიანი ისტორიით, მარაგის ამჟამინდელი დონეებით და შელფის ხელმისაწვდომობის გარკვეული საზომით - თუნდაც ხელით მარაგების ანგარიშებით. ამ საფუძვლიდან შეგიძლიათ ჩაატაროთ მნიშვნელოვანი აუდიტი, განსაზღვროთ თქვენი ყველაზე მაღალი-გავლენის შესაძლებლობები და შექმნათ მონაცემთა გაუმჯობესების საგზაო რუკა. სრულყოფილი მონაცემები არ არის წინაპირობა. სასარგებლო ოპტიმიზაცია შესაძლებელია არასრულყოფილი მონაცემებით, თუ გესმით და გაითვალისწინებთ მის ხარვეზებს.

სად უნდა დაიწყოს

ასორტიმენტის ოპტიმიზაცია იძლევა ყველაზე მეტ მნიშვნელობას, როდესაც ის მუშაობს უწყვეტი მარყუჟის სახით - აანალიზებს ეფექტურობას, არეგულირებს პროდუქტის მიქსს, შეასრულებს-შენახვას, გაზომავს შედეგებს და იმეორებს. საცალო მოვაჭრეები, რომლებიც ამ შესაძლებლობებს ყველაზე ეფექტურად აშენებენ, სულაც არ არიან ისინი, ვინც პირველ რიგში ინვესტირებას ახდენენ ყველაზე მოწინავე ინსტრუმენტებში. ისინი არიან ისინი, ვინც იწყებენ გულწრფელი მონაცემებით იმის შესახებ, თუ სად არის წარუმატებელი მათი ამჟამინდელი ასორტიმენტი და აყალიბებენ ორგანიზაციულ ჩვევებს, რომ იმოქმედონ ამ მონაცემებზე თანმიმდევრულად.

თუ თქვენ იწყებთ ნულიდან, ოთხი ქმედება დაუყოვნებლივ მოქმედებს: ჩაატარეთ მარაგი და SKU პროდუქტიულობის აუდიტი უკვე არსებული მონაცემების გამოყენებით; გადახედეთ თქვენი მაღაზიის კლასტერის განმარტებებს, შეძენის ფაქტობრივი ქცევის მიხედვით, ვიდრე სავარაუდო დემოგრაფიული მონაცემების მიხედვით; დააკავშირეთ თქვენი ელ.-ნულოვანი კომერციის-შედეგების ძიების მონაცემები თქვენი კატეგორიის დაგეგმვის სამუშაო პროცესთან; და განსაზღვრეთ, რომელი ასორტიმენტის გადაწყვეტილებები უნდა იყოს ავტომატიზირებული ადამიანის მიერ განხილვამდე აღსრულებამდე.

თითოეული მათგანი შეიძლება გაკეთდეს ახალი ტექნოლოგიის შესყიდვამდე - და თითოეული მათგანი უფრო მკაფიო ხილვადობას მისცემს იმას, თუ სად ტექნოლოგიური ინვესტიცია რეალურად ამოძრავებს ნემსს.