A szortiment optimalizálás az a tudományág, amely ezt a hiányt orvosolja. Az adatok, a folyamatos tanulás és a bolti-szintű végrehajtás révén összekapcsolja a központ döntéseit azzal, amit az ügyfelek ténylegesen találnak a polcon -. Ez az útmutató bemutatja, hogy mi ez, miért kudarcot vall a legtöbb megközelítés, hogyan kell megvalósítani, és hogyan mérjük az eredményeket.
Szortiment optimalizálás vs. szortiment tervezés: mi a különbség?
Ezt a két kifejezést gyakran felcserélve használják. Alapvetően különböző folyamatokat írnak le.
| Dimenzió | Szortiment tervezés | Szortiment optimalizálás |
|---|---|---|
| Természet | Statikus, periodikus | Dinamikus, folyamatos |
| Adatbevitelek | Történelmi eladások, kategóriaszabályok | Valós idejű-jelek + előzményadatok |
| Döntési gyakoriság | Szezonális vagy éves felülvizsgálatok | Folyamatos, gyakran automatizált |
| Földrajzi részletesség | Tároljon klasztereket vagy bannereket | Egyéni üzletszint |
| Mi hiányzik belőle | Az -bolti végrehajtás valósága | Semmi, ha jól csinálják |
A tervezés határozza meg, hogy milyen legyen a választék. Az optimalizálás biztosítja, hogy ténylegesen teljesítsen -, és a feltételek változásával folyamatosan javul.
A három réteg, ahol a választékra vonatkozó döntések születnek és elvesznek
A legtöbb kiskereskedő jelentős mértékben fektet be az első rétegbe. A legnagyobb teljesítménybeli hiányosságok a másik kettőben élnek.
Stratégiai réteg: mit adjunk el
Itt születnek a kategóriaszintű döntések{0}: mely termékek keresnek helyet a polcon, hogyan egyensúlyoznak a saját márkák a nemzeti márkákhoz képest, és milyen szerepet töltenek be az egyes kategóriák az üzlet általános stratégiájában. A döntéseket itt a központban hozzák meg, a piaci adatok és a versenyképes benchmarking, valamint a hosszú ciklusok változásai alapján.
A kockázat: az összesített adatok elfedik a helyi eltéréseket. Előfordulhat, hogy egy elfogadható országos értékesítésű termék az üzletek 40%-ában alulteljesít, további 30%-ban pedig túlteljesít. Az átlagok elrejtik a jelet.
Taktikai réteg: hol és hogyan adjuk el
A taktikai réteg a stratégiát hely-{0}}specifikus tervekké fordítja le: üzletcsoportosítás, planogram-tervezés és értékesítési szabályok. Itt válik a választék valóban helyivé - egy nagy-sűrűségű városi üzletnek más a helyszűke, a gyalogos forgalom és a vásárlói küldetés, mint egy külvárosi formátumban.
A kockázat: az ezen a szinten hozott döntések továbbra is nagymértékben feltételezéseken alapulnak, nem pedig tényleges bolti szintű jelzéseken. A választék papíron jól-lokalizáltnak tűnhet, miközben a gyakorlatban nagymértékben eltérnek egymástól.
Működési réteg: Ami ténylegesen eléri az ügyfelet
Itt sikerül vagy csendesen kudarcot vallani a választékoptimalizálás. Az operatív réteg tükrözi azt a fizikai valóságot, amellyel a vásárlók találkoznak: mely termékek vannak a polcon, a planogramok megfelelően vannak-e végrehajtva, láthatóak-e az akciók, és hogy a készletezést gyorsan elkapják-e és megoldják-e.
Az áruház végrehajtásának valós idejű-láthatósága nélkül minden korábbi döntés részben csak találgatás. Olyan technológiák, mintelektronikus polccímkékés az IoT-érzékelőket egyre gyakrabban használják ennek a láthatósági résnek a megszüntetésére -, és automatikusan rögzítik a polc állapotait, ahelyett, hogy manuális ellenőrzésekre hagyatkoznának, amelyek túl ritkán fordulnak elő ahhoz, hogy végrehajthatóak legyenek.
Miért nem sikerül a hagyományos választékoptimalizálás?
A legtöbb szortiment-stratégia papíron{0}}jól van megtervezve. Itt a gyakorlatban elromlanak.
1. hibamód: A múltbeli adatok optimalizálása a múltra
Az értékesítési előzmények azt mutatják meg, hogy a vásárlók mit vásároltak a(z) - időpontjában fennálló feltételek mellett a rendelkezésre álló választékkal, a beállított árakon. Nem tudja megmondani, mit akartak az ügyfelek, de nem találták meg. A gyorsan mozgó-kategóriákban, mire a trend egyértelműen megjelenik az előzményadatokban, gyakran már eltelt a cselekvés ideje.
2. hibamód: Központosított döntések, helyi valóság
Ha a választékkal kapcsolatos döntéseket teljes egészében a központban hozzák meg, az áruházi{0}}szintű árnyalatok átlagolódnak. Egy közepes országos értékesítéssel rendelkező, de bizonyos üzlettípusokban erős teljesítményű termék kikerülhet a listáról. A szabványosított planogramot a jelentősen eltérő polcméretekkel és vásárlói demográfiai adatokkal rendelkező üzletekben alkalmazzák.
3. hibamód: Az adatsilók hiányos döntéseket hoznak
A kiskereskedelmi szervezetek több rendszerben állítanak elő adatokat - értékesítési pont-értékesítési pont-, készlet-, hűség-, e-kereskedelmi és bolti{4}}érzékelők. A kategóriakezelők egyetlen adatkészletből dolgoznak. Az ellátási lánc mástól működik. Tárolási műveletek egy harmadiktól. Ezen nézetek egyike sem teljes, és az egyetlen silóban hozott döntések csak a másikban látható problémákat okoznak.
4. hibamód: A planogram-megfelelőség alacsonyabb, mint azt a központ gondolná
A planogram csak akkor ad értéket, ha helyesen és következetesen hajtják végre. A legtöbb kiskereskedelmi hálózatban a megfelelőségi arány jelentősen eltér az üzletek között -, és a központ általában nem tudja, amíg meg nem mérik. Ha értékesítési adatok alapján értékeli egy termék polcai teljesítményét, de a termék három hónapja rossz helyen volt üzleteinek 20%-ában, akkor a teljesítményadatai megbízhatatlanok. Megértésmilyen gyakran frissítik a polc adataitközvetlenül kapcsolódik ezeknek a méréseknek a pontosságához.
5. hibamód: A többcsatornás jelek olvasatlanok maradnak
Az online vásárlói magatartás a választékinformáció gazdag forrása, amelyet a legtöbb fizikai kiskereskedő figyelmen kívül hagy. A nulla-eredményes keresések az e-kereskedelmi platformon megmutatják, hogy pontosan mit keresnek az ügyfelek, amelyeket nem visz magával. A sok-böngészés és az alacsony{5}}vásárlási minták felfedik a keresletet, amely a konverzió előtti-bolti értékelést igényelhet. Az az ügyfél, aki az interneten keres egy terméket, azt találja, hogy nem érhető el, és elmegy, nem generál adatokat az in-bolt rendszerében -, de az adatok hiánya önmagában is jelzés, ha létrehozza a rögzítési folyamatot. A kiindulópont az online keresési és böngészési adatok összekapcsolása a kategóriatervezési munkafolyamattal, akár informálisan is.
Hogyan javítja az AI a választékkal kapcsolatos döntéseket
A kézi választékkezelés több száz üzletben és több tízezer termékváltozatban elérte a táblázatok és az időszakos felülvizsgálatok támogatásának határait. Az AI konkrét, mérhető módon járul hozzá.
Üzleti{0}}szintű kereslet-előrejelzés.A hagyományos előrejelzés szalaghirdetés vagy klaszter szinten működik. A gépi tanulási modellek előrejelzéseket generálhatnak az egyes üzletek és cikkszámok szintjén, figyelembe véve a helyi tényezőket - a környék demográfiai adatait, a közeli versenyt, a szezonális mikro-trendeket -, amelyeket a szélesebb modellek átlagosan távolítanak el. Ez a részletesség az, ami a helyi választékkal kapcsolatos döntéseket védhetővé teszi, nem pedig feltételezhetővé.
SKU-racionalizálás.Nem minden termék keresi meg a helyét. Az AI-modellek képesek azonosítani, hogy mely cikkszámú termékek fogyasztanak a polcon lévő ingatlanokat és készlettőkét, arányos megtérülés nélkül -, figyelembe véve a haszonkulcsot, a helyettesítési hatásokat és a kosárhatást. A kritikus különbség a hűséges rést kiszolgáló lassú-és a lassú{4}}ak között, amelyek egyszerűen alulteljesítenek. A mesterséges intelligencia olyan mértékben képes megkülönböztetni a kettőt, mint a kézi elemzés.
Dinamikus árképzés és promóciós összehangolás.A választékra vonatkozó döntések nem léteznek az árképzéstől elkülönítve. AI-vezéreltdinamikus árképzésvalós időben összehangolhatja a promóciós tevékenységet a választék teljesítményével -, csökkentve az eltérést a tervezett és a polcszinten az ügyfelek tényleges reakciói között.
Végrehajtás monitorozása.A számítógépes látás és az érzékelő adatok teljes kézi ellenőrzés nélkül azonosíthatják a planogram eltéréseit. Előrelépésekpolccímke technológiaaz automatizált polc{0}}állapot-figyelést egyre inkább elérhetővé tették a közepes méretű-kereskedők számára, nem csak a nagy láncok számára.
Öt{0}}lépéses keretrendszer a megvalósításhoz
A legtöbb kiskereskedő ismeri a választékoptimalizálási kérdéseket. Kevesebbnek van egyértelmű kiindulópontja. Ezt a keretet úgy tervezték, hogy bármilyen léptékben használható legyen.
1. lépés: Vizsgálja át jelenlegi választékát
Mielőtt bármit is optimalizálna, alakítson ki egy őszinte alapállást. Mennyi a jelenlegi készletezési aránya kategóriánként és üzletenként? Mely cikkszámok generálják a négyzetlábra jutó eladások alsó decilisét? Hol vannak a legnagyobb eltérések a tervezett választék és a tényleges polcok rendelkezésre állása között? Ha nem tud megbízható adatokkal válaszolni ezekre a kérdésekre, az már önmagában a legfontosabb megállapítás -, és az optimalizálási eszközökbe való befektetés előtt a láthatóságba való befektetés. Egy strukturáltalap ROI számítássegíthet számszerűsíteni, hol vannak a legnagyobb-hatáshézagok, mielőtt bármilyen megközelítés mellett elkötelezné magát.
2. lépés: Határozza meg az üzletcsoportokat
Nem kellene minden üzletben ugyanazt a szortimentet, de minden üzlet számára teljesen egyedi szortiment működésileg kezelhetetlen. A boltok klaszterezése áthidalja ezeket a szélsőségeket azáltal, hogy a jelentőségteljesen hasonló keresleti profillal rendelkező helyeket csoportosítja. A hatékony klaszterezés a tényleges vásárlási magatartáson - a kosár összetételén, a kategória sebességén, a vásárlói küldetési mintákon -, nem pedig a feltételezett demográfiai adatokon alapul. A legtöbb kiskereskedő négy-nyolc klaszterrel működik, a hálózat méretétől és a formátumok sokféleségétől függően. A megfelelő szám az, ahol az egyes fürtök valóban eltérően viselkednek ahhoz, hogy külön terméksablont biztosítsanak.
3. lépés: Integrálja adatforrásait
A választékoptimalizálás csak annyira jó, amennyire az adatok táplálják. Legalább SKU{1}}szintű értékesítési adatokra van szüksége üzletenként, legalább 12 hónapos múlttal, jelenlegi készletszinttel és bizonyos mértékig a polcok elérhetőségével. A polcadatok rögzítésének módja - akár manuális jelentésekkel, ESL-rendszerekkel vagy IoT-érzékelőkkel - közvetlenül befolyásolja az adatok frissességét és megbízhatóságát. Megértése acsatlakozási lehetőségek a polcra vonatkozó adatrögzítéshezgyakorlati korai döntés. A tökéletes adatintegráció nem előfeltétele a(z) - elindításának, de meg kell értenie az adatok hiányosságait és várakozási idejét, mielőtt megbízhat a kimenetében.
4. lépés: Állítsa be az optimalizálási szabályokat és a korlátokat
Az AI modelleknek és optimalizálási algoritmusoknak megkötésekre van szükségük. Nem szabad minden döntést automatizálni. Határozza meg egyértelműen, hogy mely döntések futhatnak automatikusan -, mint például a nagy-sebességű cikkszámok feltöltése -, és amelyek emberi felülvizsgálatot igényelnek, például egy termék eltávolítása a klaszterből. A védőkorlátok védelmet nyújtanak az automatizált rendszerek által elkövetett hibák ellen is, amikor az adatok hiányosak. Gyakori példa: egy algoritmus azt javasolja, hogy távolítsunk el egy terméket, mert alacsony az eladása, amikor a tényleges ok a tartós készlethiány, amelyet az értékesítési adatok nem különböztetnek meg az alacsony kereslettől.Ár és elérhetőség megjelenítési hibákegy kapcsolódó működési hibamód, amelyet érdemes megérteni az automatizálás bevezetése előtt.
5. lépés: Mérjen, tanuljon és iteráljon
A választék optimalizálása folyamatos folyamat, nem pedig egyszeri{0}}projekt. Rendszeres felülvizsgálati ritmust alakítson ki - legalább negyedévente a stratégiai döntésekhez, havonta a taktikai kiigazításokhoz. Építsen strukturált visszacsatolási hurkokat a központi kategória csapatai között, és tárolja a -szintű teljesítményadatokat. Kezelje minden tervezési ciklust kísérletként: állítson fel hipotézist, hajtson végre változtatást, mérje meg az eredményt, és használja fel ezt a tanulást a következő ciklusban. Nem azok a szervezetek nyerik ki a legtöbb értéket ebből a folyamatból, amelyek rendelkeznek a legkifinomultabb eszközökkel. Ők azok, akik kialakították azt a szokást, hogy következetesen tanuljanak az adatokból.
Hat KPI a választékoptimalizálás mérésére
| KPI | Mit mér | Irány | Hogyan kell nyomon követni |
|---|---|---|---|
| Készletkivételi arány | Az esetek %-a, amikor egy cikkszám nem érhető el az üzlet nyitvatartási idejében | ↓ Alsó | POS rések +automatizált raktárkészlet-észleléspolcérzékelőkkel |
| Eladási-átmeneti ár | Az eladott készlet %-a feltöltés vagy leértékelés előtt | ↑ Magasabb | Eladott egységek ÷ érkezett egységek, SKU és bolt által nyomon követve |
| SKU termelékenység | Bevétel vagy árrés egységnyi polcterületre vetítve | ↑ Magasabb | Kategória bevétel ÷ polcfelvételek, a klaszter átlagához viszonyítva |
| Planogram megfelelőségi arány | A planogramot helyesen végrehajtó üzletek %-a | ↑ Magasabb | Kézi auditok vagy automatizált polcképelemzés;ESL telepítésejavítja a mérhetőséget |
| Kategória árrés-hozzájárulás | Bruttó árrés a kiosztott területhez viszonyítva | ↑ Magasabb | Kategória P&L nyomon követve a klaszter szerinti planogram-allokáció alapján |
| Cluster Demand Alignment | Szórás a tervezett választék és a tényleges kategóriaértékesítés között,{0}}a fürt szintjén | ↓ Alacsonyabb szórás | Hasonlítsa össze az eladási{0}}átmeneti arányt a klaszterek között; nagy szórású jelek lokalizációs rések |
Kövesse nyomon mind a hat mutatót üzletszinten, nem csak összesítve. A hálózati-szintű átlagok gyakran elrejtik azokat az üzleteket, ahol a problémák a legégetőbbek -, és ahol a legnagyobb az optimalizálási lehetőség.
Szortiment optimalizálása online és fizikai csatornákon keresztül
A fizikai és digitális csatornákon működő kiskereskedők esetében a választékra vonatkozó döntéseket nem lehet elszigetelten kezelni.A kiskereskedelmi környezetmegváltozott: az ügyfelek gördülékenyen mozognak a csatornák között, és az egyes csatornákból származó adatok megalapozhatják a másikban a döntéseket.
Online választékjelzésként.Az Ön e-kereskedelmi platformján végzett keresések nulla-eredményei közvetlenül jelzik, hogy az ügyfelek - választékhiányban szenvednek, és pontosan elmondják, mit akarnak, de nem visz magával. A nagy-böngészés és az alacsony{5}}vásárlási minták olyan termékeket jelezhetnek, amelyeket a vásárlók személyesen szeretnének értékelni a vásárlás előtt, ami hatással van az -bolti választékra. SzerintMcKinsey kutatás, a fogyasztók több mint 70%-a személyre szabott élményt vár -, amely elvárás éppúgy vonatkozik a termékek elérhetőségére, mint a kommunikációra.
Egységes vs. differenciált szortiment.Az, hogy az online és a bolti{0}}választék igazodjon-e az üzlet formátumától és vásárlói viselkedésétől függ. Az egységes kínálat leegyszerűsíti a műveleteket és tisztább keresletadatokat állít elő, de a fizikai üzleteket arra kényszeríti, hogy az online katalógus bonyolultságát elviseljék, amelyet a legtöbb formátum nem képes befogadni. Az a differenciált megközelítés -, ahol a fizikai üzletek egy válogatott, nagy-sebességű magot hordoznak, míg az online csatorna a hosszú farkát - jól működik, ha a két csatorna valóban eltérő vásárlási feladatokat lát el. A döntési keret egyszerű: ha az ügyfelek rendszeresen keresnek az interneten, és az üzletben{7}}konvertálnak, akkor az igazodás számít. Ha az online és{9}}bolti vásárlók nagyrészt eltérő közönséget alkotnak, a megkülönböztetés hatékonyabb lehet.
Hol kezdjem.A legpraktikusabb belépési pont az, ha összekapcsolja az e{0}}nullás e-kereskedelem-eredményekkel kapcsolatos keresési adatait a kategóriatervezési áttekintéssel. Nincs szükség új technológiára - a sikertelen keresési lekérdezések havi exportálása, amelyet a kategóriamenedzserek ellenőriznek, olyan hézagokat fedezhet fel a választékban, amelyekre az -bolti értékesítési adatok soha nem derülnek ki. Ezt párosítva ezzeltovábbfejlesztett polc{0}}szintű adatrögzítésa fizikai áruházakban zárt hurkot hoz létre az online jelek és az{0}}bolti végrehajtás között.
Hogy néz ki ez a gyakorlatban
A következő forgatókönyvek bemutatják, hogyan érvényesülnek a választékoptimalizálási elvek a kiskereskedelmi formátumokban. Ezek szemléltető példák, nem konkrét vállalati esettanulmányok.
Élelmiszerbolt: helyi kereslet maszkolása az összesített adatokban.Egy regionális élelmiszerbolt lánc összesített kategóriaadatok alapján tervezi a választékot. Az etnikai élelmiszer-kategóriák - bizonyos körzetekben erősen teljesítők - folyamatosan alulreprezentáltak, mert eladásaik felhígulnak a szalaghirdetés szintjéig. A tényleges kosárösszetételre épülő klaszter-alapú megközelítés azt mutatja, hogy ami bizonyos üzletcsoportokban alacsony kategóriájú keresletnek tűnt, az inkább strukturális adatgyűjtési probléma volt. Az üzletek sablonjainak a helyi vásárlási szokásokat tükröző módosítása megszünteti a szakadékot. Az engedélyezési tényező nem az új technológia -, hanem a keresleti adatok üzletenkénti lebontása, nem pedig szalaghirdetés. Jobb láthatóság olyan eszközökön keresztül, mint plelektronikus polccímkék az élelmiszerboltokbantámogatja annak folyamatos mérését, hogy a kiigazított szortimenteket ténylegesen végrehajtják-e.
Divat: long{0}}tail SKU-kezelés.Egy speciális ruházati kiskereskedő több ezer aktív SKU-t szállít szezononként. A termelékenységi áttekintésből kiderül, hogy a termékpaletta jelentős része aránytalanul kis bevételt termel, miközben tervezési, készletezési és utánpótlási erőforrásokat fogyaszt. Az elemzés a gyengén teljesítők két csoportját különíti el: az azonosítható hűséges ügyfélbázissal és negatív térközzel-a-maradékhoz való hozzájárulással nem rendelkező cikkszámokat, valamint az alacsony összmennyiségű, de magas ismétlődő vásárlási arányú cikkszámokat egy adott vásárlói szegmensben. Az első csoport fokozatosan megszűnik. A második megmaradt helykiosztással. Az eredmény egy szűkebb tartomány, amely könnyebben kivitelezhető, és kevésbé valószínű, hogy a polc szintjén döntési fáradtságot okoz.
Kényelmi kiskereskedelem: a végrehajtási sebesség a különbségtétel.Egy kis-formátumú kényelmi lánc olyan helyeken működik, ahol minden négyzetláb nagy-téttel bír, és a készletezés költségét az alacsony készletpufferek növelik. A korlátozó tényező nem a választékterv -, hanem a készletkimaradás bekövetkezése és az üzlettárs reagálása között eltelt idő. Ennek a szakadéknak az automatizált polcfigyelés révén történő csökkentése az ütemezett kézi ellenőrzések helyett közvetlen és mérhető hatással van a bolti -elérhetőségre a magas árrésű impulzuskategóriák esetén.
Gyakran Ismételt Kérdések
Mit jelent a szortiment optimalizálás a kiskereskedelemben?
A választékoptimalizálás az a folyamat, amely során folyamatosan kiválasztják és finomítják az egyes üzletekben kínált termékösszetételt az eladások, az árrés és a vásárlói elégedettség maximalizálása érdekében. Az egyszeri-választéktervezéstől eltérően a valós idejű-adatokat és a folyamatos teljesítményértékeléseket integrálja, hogy a termékválasztékot a tényleges kereslethez igazítsa.
Mi a különbség a szortiment tervezés és a szortiment optimalizálás között?
A választéktervezés egy időszakos, központosított folyamat, - jellemzően szezonális vagy éves -, amely előzményadatok alapján határozza meg, hogy mely termékeket kell szállítani. A szortiment optimalizálás folyamatos. Valós idejű-jeleket tartalmaz, és tárol-szintű teljesítményadatokat, hogy a feltételek változásához igazodjon a választékhoz. A tervezés meghatározza a kezdeti irányt; az optimalizálás kalibrálva tartja.
Hogyan javítja az AI a választék optimalizálását?
A mesterséges intelligencia lehetővé teszi a bolti-szintű kereslet-előrejelzést, amely túlmutat a fürtátlagokon, azonosítja az alulteljesítő SKU-kat, miközben figyelembe veszi a helyettesítési hatásokat, az aktuális értékesítési sebesség alapján planogramjavaslatokat generál, és feldolgozza azokat a valós idejű -jeleket, - az időjárást, a helyi eseményeket, a versenytársak tevékenységét -, amelyeket a kézi tervezési ciklusok nem tudnak időben beépíteni a cselekvéshez.
Melyek a leggyakoribb okok, amelyek miatt a választékoptimalizálás sikertelen?
Az öt leggyakoribb meghibásodási mód: a túlzott-előzményadatokra támaszkodás, amelyek nem képesek kielégíteni az aktuális keresletet; központosított döntéshozatal-, amely figyelmen kívül hagyja a helyi eltéréseket; siled adatrendszerek, amelyek nem teljes képet adnak; a planogram megfelelősége alacsonyabb, mint amennyit a központ feltételez; és az olyan online keresleti jelzések beépítésének elmulasztása, amelyek láthatatlan hiányosságokat tárnak fel pusztán a bolti értékesítési adatokban.
Milyen KPI-ket kell követnem a választék optimalizálásához?
A leghasznosabb mutatók a készletezési arány, az átadási arány-, az SKU termelékenység (bevétel vagy árrés egységnyi polcterületre), a planogram megfelelési aránya, a kategória árrésének hozzájárulása és a fürt keresleti igazodása (a tervezett választék és a tényleges eladás közötti eltérés a fürt szintjén). Kövesse nyomon mindezt bolti szinten, ne csak összesítve.
Mennyi ideig tart a megvalósítás?
Egy alapszintű audit és fürt{0}}alapú optimalizálási keretrendszer jellemzően néhány hónapon belül kidolgozható a meglévő adatok felhasználásával. A kifinomultabb, mesterséges intelligencia-vezérelt folyamatos optimalizálás erősebb adatalapot igényel, és 12-18 hónapig tarthat a teljes működés. Az audittal kezdve szinte mindig feltárja a gyors nyeremények elérhetőségét, mielőtt bármilyen új technológiára lenne szükség.
Előnyösek lehetnek-e a kisebb kereskedők a választékoptimalizálásból?
Igen. Az alapelvek mérettől függetlenül érvényesek -, annak megértése, hogy mely termékek keresik a helyüket, a készletezés gyakoriságának nyomon követése, valamint az értékesítési adatok és a termékekkel kapcsolatos döntések közötti visszacsatolási hurkok kiépítése bármilyen méretű műveletnél jelentőségteljes. Lehetséges, hogy a kisebb kereskedőknek nincs szükségük vállalati mesterséges intelligencia platformokra; az ingyenes vagy alacsony költségű-elemző eszközök hasznos optimalizálást támogathatnak a már meglévő adatok alapján. Kiválasztva ajobb polc címke megoldásEz az egyik gyakorlati kiindulópont az adatrögzítés javításához jelentős infrastrukturális beruházások nélkül.
Milyen adatokra van szükségem az indításhoz?
Legalább: Cikkszám{0}}szintű értékesítési adatok üzletenként legalább 12 hónapos múlttal, jelenlegi készletszintekkel és bizonyos mértékig a polcok rendelkezésre állásáról -, akár kézi raktárkészleti jelentésekkel is. Ebből az alapból érdemi auditot hajthat végre, azonosíthatja a legnagyobb hatású-lehetőségeket, és összeállíthat egy adatfejlesztési ütemtervet. A tökéletes adatok nem előfeltételek. Hasznos optimalizálás lehetséges tökéletlen adatokkal, feltéve, hogy megérti és figyelembe veszi a hiányosságokat.
Hol kezdjem
A választékoptimalizálás akkor nyújtja a legtöbb értéket, ha folyamatos ciklusként működik, - elemzi a teljesítményt, állítja be a termékösszetételt, hajtja végre az -üzletben, méri az eredményeket és ismételje meg. Nem feltétlenül azok a kiskereskedők építik ki ezt a képességet a leghatékonyabban, akik először a legfejlettebb eszközökbe fektetnek be. Ők azok, akik őszinte adatokkal kezdik azt illetően, hogy hol hibázik jelenlegi kínálatuk, és kialakítják a szervezeti szokásokat, hogy ezek alapján következetesen cselekedjenek.
Ha a nulláról kezdi, négy művelet azonnal végrehajtható: futtasson le egy raktárkészletet és egy SKU termelékenységi auditot a már meglévő adatok felhasználásával; tekintse át az üzletcsoport definícióit a tényleges vásárlási magatartáshoz, nem pedig a feltételezett demográfiai adatokhoz; kapcsolja össze az e-kereskedelem nulla-eredményeinek keresési adatait a kategóriatervezési munkafolyamattal; és meghatározza, hogy mely választékkal kapcsolatos döntéseket kell automatizálni, szemben a végrehajtás előtt ember általi felülvizsgálattal.
Ezek mindegyike elvégezhető még az új technológia beszerzése előtt -, és mindegyik tisztább képet ad arról, hogy a technológiai beruházások ténylegesen hova mozdítanák el a tűt.
