Kaj je optimizacija sortimenta?

Optimizacija asortimana je disciplina, ki naslavlja to vrzel. Povezuje tisto, o čemer se odloči sedež, s tem, kaj kupci dejansko najdejo na polici - prek podatkov, stalnega učenja in-izvajanja na ravni trgovine. Ta vodnik pokriva, kaj je to, zakaj večina pristopov ne uspe, kako ga izvajati in kako meriti rezultate.

Optimizacija asortimana v primerjavi z načrtovanjem asortimana: Kakšna je razlika?

Ta dva izraza se pogosto uporabljata zamenljivo. Opisujejo bistveno različne procese.

Načrtovanje definira, kakšen mora biti vaš asortiman. Optimizacija zagotavlja, da dejansko izvaja - in se nenehno izboljšuje, ko se pogoji spreminjajo.

Trije nivoji, kjer se sprejemajo in izgubljajo odločitve o izboru

Večina trgovcev veliko vlaga v prvi sloj. Največje vrzeli v uspešnosti so v drugih dveh.

Strateška plast: Kaj prodati

Tukaj se sprejemajo-odločitve na ravni kategorije: kateri izdelki si zaslužijo prostor na policah, kako se zasebna blagovna znamka uravnoteži z nacionalnimi blagovnimi znamkami in kakšno vlogo ima posamezna kategorija v splošni strategiji trgovine. Odločitve se sprejemajo na sedežu, na podlagi tržnih podatkov in konkurenčnih primerjalnih analiz ter se spreminjajo v dolgih ciklih.

Tveganje: zbirni podatki prikrivajo lokalne razlike. Izdelek s sprejemljivo nacionalno prodajo je lahko slabši v 40 % trgovin in presežen v nadaljnjih 30 %. Povprečja skrijejo signal.

Taktični sloj: kje in kako ga prodati

Taktična plast prevede strategijo v-specifične načrte za lokacijo: združevanje trgovin v skupine, načrtovanje planogramov in pravila trgovanja. Tukaj izbor postane resnično lokalni - visoka-urbana trgovina ima drugačne prostorske omejitve, vzorce pešcev in naloge nakupovalca kot primestni format.

Tveganje: odločitve na tej ravni se še vedno močno zanašajo na predpostavke in ne na dejanske{0}}signale na ravni trgovine. Sortimenti so lahko videti dobro-lokalizirani na papirju, medtem ko v praksi ostanejo na splošno neporavnani.

Operativni sloj: kaj dejansko doseže stranko

Tu uspe ali tiho spodleti optimizacija asortimana. Operativni sloj odraža fizično realnost, s katero se stranke srečujejo: kateri izdelki so na policah, ali so planogrami pravilno izvedeni, ali so promocije vidne in ali so zaloge ulovljene in hitro rešene.

Brez-vpogleda v izvajanje trgovine v realnem času je vsaka odločitev navzgor delno ugibanje. Tehnologije, kot soelektronske nalepke na policahsenzorji interneta stvari pa se vse pogosteje uporabljajo za zapolnitev te vrzeli v vidnosti - samodejno zajemajo stanja na policah, namesto da bi se zanašali na ročne revizije, ki se zgodijo preredko, da bi jih bilo mogoče ukrepati.

Zakaj tradicionalna optimizacija sortimenta ne uspe

Večina strategij izbora je dobro-zasnovanih na papirju. Tu se v praksi zalomi.

Način napake 1: zgodovinski podatki se optimizirajo za preteklost

Zgodovina prodaje vam pove, kaj so kupci kupili pod pogoji, ki so obstajali v času - z asortimanom, ki je bil na voljo, po cenah, ki so bile določene. Ne more vam povedati, kaj so stranke želele, a niso mogle najti. V hitro spreminjajočih se kategorijah je čas za ukrepanje pogosto že mimo, ko se trend jasno pojavi v zgodovinskih podatkih.

Način napake 2: Centralizirane odločitve, lokalna resničnost

Ko se odločitve o asortimentu v celoti sprejemajo na sedežu, se nianse-na ravni trgovine povprečijo. Izdelek s povprečno nacionalno prodajo, vendar dobrimi rezultati v določenih vrstah trgovin se lahko umakne s seznama. Standardiziran planogram se uporablja v trgovinah z bistveno različnimi dimenzijami polic in demografskimi podatki kupcev.

Način okvare 3: silosi podatkov proizvajajo nepopolne odločitve

Maloprodajne organizacije ustvarjajo podatke v več sistemih - --prodajnih mest, inventarja, zvestobe, e-trgovine in-senzorjev v trgovinah. Upravitelji kategorij delujejo iz enega nabora podatkov. Dobavna veriga deluje iz drugega. Poslovanje trgovine od tretjine. Noben od teh pogledov ni popoln in odločitve, sprejete iz katerega koli posameznega silosa, bodo povzročile težave, vidne le v drugem.

Način okvare 4: Skladnost planograma je nižja, kot meni sedež

Planogram prinaša vrednost le, če je izveden pravilno in dosledno. V večini maloprodajnih mrež se stopnje skladnosti močno razlikujejo med trgovinami - in sedež običajno ne ve, dokler se ne izmeri. Če ocenjujete učinkovitost izdelka na policah na podlagi podatkov o prodaji, vendar je bil ta izdelek v 20 % vaših trgovin tri mesece v napačnem položaju, so vaši podatki o uspešnosti nezanesljivi. Razumevanjekako pogosto se osvežujejo podatki o policahje neposredno povezana z natančnostjo teh meritev.

Način napake 5: večkanalni signali ostanejo neprebrani

Spletno vedenje strank je bogat vir obveščevalnih podatkov o asortimanu, ki ga večina fizičnih trgovcev na drobno ignorira. Iskanja brez-rezultatov na vaši platformi za e-trgovino vam pokažejo točno tisto, kar stranke iščejo, česar vi nimate. Visoko-brskanje, nizko-nakupovalni vzorci razkrivajo povpraševanje, ki bo morda zahtevalo-ocenjevanje v trgovini pred konverzijo. Stranka, ki išče izdelek na spletu, ugotovi, da ni na voljo in ga zapusti, ne ustvari nobenih podatkov v-sistemu trgovine -, vendar je ta odsotnost podatkov sama po sebi signal, če zgradite postopek, da jih zajamete. Začetna točka je povezovanje podatkov o spletnem iskanju in brskanju s potekom dela za načrtovanje kategorij, tudi neformalno.

Kako AI izboljša izborne odločitve

Ročno upravljanje asortimana v stotinah trgovin in na desettisoče SKU je doseglo meje, ki jih lahko podpirajo preglednice in redni pregledi. AI prispeva na posebne, merljive načine.

Napovedovanje povpraševanja-na ravni trgovine.Tradicionalno napovedovanje deluje na ravni pasice ali grozda. Modeli strojnega učenja lahko ustvarijo napovedi na ravni posamezne trgovine in SKU, pri čemer upoštevajo lokalne dejavnike - demografske podatke soseske, bližnjo konkurenco, sezonske mikro-trende -, ki jih širši modeli upoštevajo v povprečju. Ta razdrobljenost je tisto, zaradi česar so odločitve glede lokaliziranega asortimana upravičljive in ne domnevne.

Racionalizacija SKU.Vsak izdelek ne zasluži svojega prostora. Modeli umetne inteligence lahko prepoznajo, kateri SKU-ji porabljajo nepremičnine na policah in zaloge kapitala brez sorazmernih donosov -, ki upoštevajo prispevek marže, učinke zamenjave in vpliv košarice. Bistvena razlika je med počasnimi-motorji, ki služijo zvesti niši, in počasnimi-motorji, ki preprosto niso uspešni. AI lahko razlikuje med obema v obsegu, ki ga ročna analiza ne more.

Dinamično usklajevanje cen in promocije.Odločitve glede asortimana ne obstajajo ločeno od oblikovanja cen. Poganja-umetna inteligencadinamično oblikovanje cenlahko uskladi promocijsko dejavnost z uspešnostjo asortimana v realnem času - in tako zmanjša neskladje med načrtovanim in tem, na kar se stranke dejansko odzivajo na ravni polic.

Spremljanje izvajanja.Podatki računalniškega vida in senzorjev lahko prepoznajo odstopanja planograma, ne da bi zahtevali popolne ročne revizije. Napredek vtehnologija etiket na policahso naredili avtomatiziran-nadzor stanja polic vedno bolj dostopen za srednje{1}}trgovce na drobno, ne le za velike verige.

Pet{0}}ogrodje za implementacijo

Večina trgovcev na drobno pozna optimizacijo asortimana. Manj jih ima jasno izhodišče. To ogrodje je zasnovano tako, da ga je mogoče uporabiti v katerem koli obsegu.

1. korak: Preverite svoj trenutni izbor

Preden kar koli optimizirate, določite pošteno izhodišče. Kakšna je vaša trenutna stopnja zaloge glede na kategorijo in trgovino? Katere SKU-je ustvarjajo spodnji decil prodaje na kvadratni čevelj? Kje so največji razkoraki med načrtovanim asortimanom in dejansko razpoložljivostjo na policah? Če na ta vprašanja ne morete odgovoriti z zanesljivimi podatki, je to samo po sebi najpomembnejša ugotovitev - in signal, da investirate v prepoznavnost, preden investirate v orodja za optimizacijo. Strukturiranoosnovni izračun ROIlahko pomaga kvantificirati, kje so vrzeli-v vplivu največje, preden se zavežejo kateremu koli pristopu.

2. korak: Določite gruče svojih trgovin

Vse trgovine ne bi smele imeti enakega asortimana, vendar je popolnoma edinstven asortiman za vsako trgovino operativno neobvladljiv. Grozdenje trgovin premosti te ekstreme z združevanjem lokacij s smiselno podobnimi profili povpraševanja. Učinkovito združevanje je zgrajeno na dejanskem nakupovalnem vedenju - sestavi košarice, hitrosti kategorije, vzorcih poslanstva nakupovalca - ne na domnevnih demografskih podatkih. Večina trgovcev na drobno deluje s štirimi do osmimi grozdi, odvisno od velikosti omrežja in raznolikosti formatov. Prava številka je tista, kjer se vsaka gruča resnično obnaša dovolj drugače, da upravičuje posebno predlogo izdelka.

3. korak: Integrirajte svoje vire podatkov

Optimizacija asortimana je tako dobra, kot so dobri podatki, ki jo napajajo. Potrebujete vsaj podatke o prodaji na ravni -SKU po trgovinah z vsaj 12-mesečno zgodovino, trenutne ravni zalog in določeno količino razpoložljivosti na policah. Vprašanje, kako so zajeti podatki na policah - prek ročnih poročil, sistemov ESL ali IoT senzorjev -, neposredno vpliva na ažurnost in zanesljivost podatkov. Razumevanjemožnosti povezovanja za zajem podatkov s policje praktična zgodnja odločitev. Popolna integracija podatkov ni predpogoj za zagon -, vendar morate razumeti vrzeli in zakasnitev vaših podatkov, preden zaupate njihovim rezultatom.

4. korak: Nastavite pravila za optimizacijo in zaščitne ograje

Modeli AI in optimizacijski algoritmi potrebujejo omejitve. Vsaka odločitev ne bi smela biti avtomatizirana. Jasno določite, katere odločitve se lahko izvajajo samodejno -, kot so sprožilci dopolnjevanja za -hitre SKU -, in katere zahtevajo človeški pregled, kot je odstranitev izdelka iz gruče. Zaščitne ograje ščitijo tudi pred napakami, ki jih naredijo avtomatizirani sistemi, ko so podatki nepopolni. Pogost primer: algoritem priporoča odstranitev izdelka, ker je njegova prodaja nizka, ko je dejanski vzrok stalna zaloga, ki je podatki o prodaji ne ločijo od nizkega povpraševanja.Napake pri prikazu cene in razpoložljivostiso povezani načini obratovalnih napak, ki jih je vredno razumeti, preden se uvede avtomatizacija.

5. korak: Izmerite, naučite se in ponovite

Optimizacija asortimana je stalen proces in ne enkraten-projekt. Vzpostavite redni ritem pregledov - najmanj četrtletno za strateške odločitve, mesečno za taktične prilagoditve. Zgradite strukturirane povratne zanke med ekipami osrednje kategorije in shranite-podatke o uspešnosti na ravni. Vsak cikel načrtovanja obravnavajte kot poskus: oblikujte hipotezo, izvedite spremembo, izmerite rezultat, uporabite to učenje v naslednjem ciklu. Organizacije, ki iz tega procesa pridobijo največ vrednosti, niso tiste z najbolj izpopolnjenimi orodji. So tisti, ki so si pridobili navado doslednega učenja iz podatkov.

Šest KPI-jev za merjenje optimizacije asortimana

Sledite vsem šestim meritvam na ravni trgovine, ne samo v agregatu. Povprečja-na ravni omrežja pogosto skrivajo trgovine, kjer so težave najbolj akutne - in kjer obstaja največ možnosti za optimizacijo.

Optimizacija asortimana v spletnih in fizičnih kanalih

Za trgovce na drobno, ki delujejo prek fizičnih in digitalnih kanalov, odločitev glede asortimana ni mogoče upravljati ločeno.Maloprodajno okoljese je spremenilo: stranke se tekoče premikajo med kanali in podatki iz vsakega kanala lahko prispevajo k odločitvam v drugem.

Na spletu kot signal za izbor.Iskanja z nič-rezultati na vaši platformi za e-trgovino so neposreden pokazatelj vrzeli v asortimanu - strank, ki vam povedo točno tisto, kar želijo, vi pa nimate. Visoko-brskanje, nizko-nakupovalni vzorci lahko nakazujejo izdelke, ki jih želijo stranke osebno oceniti pred nakupom, kar vpliva na-razpon v trgovinah. Glede naMcKinseyjeva raziskava, zdaj več kot 70 % potrošnikov pričakuje prilagojene izkušnje - pričakovanje, ki velja tako za razpoložljivost izdelkov kot za komunikacijo.

Poenoten vs. diferenciran sortiment.Ali naj se vaš izbor v spletni in-trgovini ujemata, je odvisno od oblike vaše trgovine in vedenja strank. Enoten asortiman poenostavi delovanje in ustvari čistejše podatke o povpraševanju, vendar sili fizične trgovine v zapletenost spletnega kataloga, ki ga večina formatov ne zmore. Diferenciran pristop -, kjer imajo fizične trgovine izbrano,-hitrostno jedro, medtem ko spletni kanal obravnava dolgi rep -, deluje dobro, ko oba kanala služita resnično različnima nakupovalnima nalogama. Okvir odločitve je preprost: če stranke redno iščejo v spletu in izvajajo konverzije v-trgovini, je usklajenost pomembna. Če so nakupovalci v spletu in-trgovinah v veliki meri različni ciljni skupini, je razlikovanje morda učinkovitejše.

Kje začeti.Najbolj praktična vstopna točka je povezovanje podatkov o iskanju vaših -rezultatov e-trgovine- z vašim pregledom načrtovanja kategorij. Nova tehnologija ni potrebna - mesečni izvoz neuspešnih iskalnih poizvedb, ki jih pregledajo upravitelji kategorij, lahko prikaže vrzeli v asortimanu, ki jih-podatki o prodaji v trgovinah ne bodo nikoli razkrili. Seznanjanje tega zizboljšan zajem podatkov-na ravni policev fizičnih trgovinah ustvari zaprto zanko med spletnimi signali in-izvršitvijo v trgovini.

Kako je to videti v praksi

Naslednji scenariji prikazujejo, kako se načela optimizacije asortimana uporabljajo v maloprodajnih formatih. To so ilustrativni primeri, ne konkretne študije primerov podjetij.

Trgovina z živili: maskiranje lokalnega povpraševanja v zbirnih podatkih.Regionalna veriga trgovin z živili načrtuje sortimente z uporabo zbirnih podatkov o kategorijah. Etnične kategorije hrane - uspešni v določenih soseskah - so dosledno premalo zastopane, ker se njihova prodaja zmanjša, ko se združijo na raven pasice. Pristop-, ki temelji na grozdu in temelji na dejanski sestavi košarice, razkriva, da je bilo tisto, kar je bilo videti kot povpraševanje po nizki kategoriji v določenih skupinah trgovin, namesto tega problem strukturnega združevanja podatkov. Prilagoditev predlog teh trgovin, da odražajo lokalno nakupovalno vedenje, zapolni vrzel. Spodbujevalni dejavnik ni nova tehnologija -, temveč razčlenitev podatkov o povpraševanju po trgovini in ne po pasici. Boljša vidljivost z orodji, kot jeelektronske nalepke na policah v trgovinah z živilipodpira stalno merjenje, ali se ti prilagojeni asortimani dejansko izvajajo.

Moda: dolgo{0}}upravljanje SKU.Trgovec s posebnimi oblačili ponuja več tisoč aktivnih SKU-jev na sezono. Pregled produktivnosti razkriva, da velik del ponudbe ustvarja nesorazmerno majhen delež prihodkov, medtem ko porablja sredstva za načrtovanje, zaloge in dopolnjevanje. Analiza ločuje dve skupini slabše uspešnih: SKU brez prepoznavne baze zvestih strank in negativnim prispevkom-do-marže ter SKU z nizkim skupnim obsegom, vendar visokimi stopnjami ponavljajočih se nakupov med določenim segmentom kupcev. Prva skupina je postopno opuščena. Drugi se ohrani s prilagojeno razporeditvijo prostora. Rezultat je ožji obseg, ki ga je lažje izvesti in je manj verjetno, da bo povzročil utrujenost pri odločanju na ravni police.

Priročna maloprodaja: hitrost izvajanja kot razlika.Priročna veriga-majhnega formata deluje na lokacijah, kjer je vsak kvadratni čevelj velik-vložek in se stroški zmanjkanja zalog povečajo zaradi nizkih blažilnikov zalog. Omejitveni dejavnik ni asortimentni načrt -, temveč čas med razpadom zaloge in odzivom sodelavca v trgovini. Zmanjšanje te vrzeli s samodejnim spremljanjem polic namesto z zanašanjem na načrtovana ročna preverjanja ima neposreden in merljiv vpliv na-razpoložljivost v trgovinah za-kategorije z visokim-maržnim impulzom.

Pogosto zastavljena vprašanja

Kaj je optimizacija asortimana v maloprodaji?

Optimizacija asortimana je proces nenehnega izbiranja in izpopolnjevanja nabora izdelkov, ki so na voljo v vsaki trgovini, da bi povečali prodajo, maržo in zadovoljstvo strank. Za razliko od-enkratnega načrtovanja asortimana združuje-podatke v realnem času in stalne preglede uspešnosti, da je izbira izdelkov usklajena z dejanskim povpraševanjem.

Kakšna je razlika med načrtovanjem sortimenta in optimizacijo asortimana?

Načrtovanje asortimana je periodični, centraliziran proces - običajno sezonsko ali letno -, ki na podlagi preteklih podatkov določa, katere izdelke je treba imeti. Optimizacija asortimana poteka nenehno. Vključuje signale v-realnem času in-podatke o uspešnosti na ravni trgovine za prilagajanje asortimana glede na spremembe pogojev. Načrtovanje določa začetno smer; optimizacija ga ohranja umerjenega.

Kako AI izboljša optimizacijo asortimana?

Umetna inteligenca omogoča-napovedovanje povpraševanja na ravni trgovine, ki presega povprečja grozdov, prepozna neuspešne SKU-je ob upoštevanju učinkov zamenjave, ustvari priporočila planograma na podlagi trenutne hitrosti prodaje in obdela-časovne signale - vreme, lokalne dogodke, dejavnost konkurentov -, ki jih ročni cikli načrtovanja ne morejo pravočasno vključiti za ukrepanje.

Kateri so najpogostejši razlogi za neuspeh optimizacije asortimana?

Pet najpogostejših načinov napake: pretirano-zanašanje na pretekle podatke, ki ne morejo zajeti trenutnega povpraševanja; centralizirano odločanje,-ki ne upošteva lokalnih variacij; izolirani podatkovni sistemi, ki ustvarjajo nepopolno sliko; skladnost planograma je nižja, kot predvideva sedež; in nezmožnost vključitve signalov spletnega povpraševanja, ki razkrivajo vrzeli, nevidne samo v-podatkih o prodaji v trgovini.

Katere KPI-je naj spremljam za optimizacijo asortimana?

Najbolj uporabne meritve so stopnja razprodaje, stopnja-prodaje, produktivnost SKU (prihodek ali marža na enoto prostora police), stopnja skladnosti s planogramom, prispevek marže kategorije in uskladitev povpraševanja v grozdu (razlika med načrtovanim asortimanom in dejansko -prodajo na ravni grozda). Sledite vsem tem na ravni trgovine, ne le skupaj.

Kako dolgo traja implementacija?

Osnovno revizijo in okvir-optimizacije, ki temelji na gruči, je mogoče običajno razviti v nekaj mesecih z uporabo obstoječih podatkov. Bolj izpopolnjena neprekinjena optimizacija,-ki jo poganja umetna inteligenca, zahteva močnejšo podatkovno podlago in lahko traja od 12 do 18 mesecev, da se popolnoma uveljavi. Začetek z revizijo skoraj vedno razkrije hitre zmage, ki so na voljo, preden je potrebna nova tehnologija.

Ali lahko optimizacija asortimana koristi manjšim trgovcem?

ja Načela veljajo ne glede na obseg - razumevanje, kateri izdelki si zaslužijo svoj prostor, sledenje pogostosti zalog in vzpostavljanje povratnih zank med prodajnimi podatki in odločitvami o izdelkih je pomembno za operacijo katere koli velikosti. Manjši trgovci na drobno morda ne bodo potrebovali poslovnih platform AI; brezplačna ali poceni-orodja za analitiko lahko podpirajo koristno optimizacijo na podlagi podatkov, ki jih že imajo. Izbirarešitev nalepke na desni policije eno praktično izhodišče za izboljšanje zajema podatkov brez znatnih naložb v infrastrukturo.

Katere podatke potrebujem za začetek?

Vsaj: podatki o prodaji na ravni SKU- po trgovinah z vsaj 12-mesečno zgodovino, trenutne ravni zalog in določena mera razpoložljivosti na policah - celo ročna poročila o zalogi. Na tej podlagi lahko izvedete smiselno revizijo, prepoznate svoje-priložnosti z največjim vplivom in sestavite načrt za izboljšanje podatkov. Popolni podatki niso pogoj. Koristna optimizacija je mogoča z nepopolnimi podatki, če razumete in upoštevate njihove vrzeli.

Kje začeti

Optimizacija asortimana prinaša največjo vrednost, ko deluje kot neprekinjena zanka - analizira uspešnost, prilagaja mešanico izdelkov, izvaja v-trgovini, meri rezultate in ponavlja. Trgovci na drobno, ki najbolj učinkovito gradijo to zmogljivost, niso nujno tisti, ki najprej vlagajo v najnaprednejša orodja. So tisti, ki začnejo z iskrenimi podatki o tem, kje njihov trenutni asortiman ne uspe, in razvijejo organizacijske navade, da dosledno ukrepajo na podlagi teh podatkov.

Če začenjate iz nič, so štiri dejanja izvedljiva takoj: zaženite revizijo zaloge in produktivnosti SKU z uporabo podatkov, ki jih že imate; preglejte definicije gruče svojih trgovin glede na dejansko nakupovalno vedenje in ne na domnevne demografske podatke; povežite podatke o iskanju svojih -rezultatov e-trgovine- z delovnim potekom načrtovanja kategorij; in opredelite, katere odločitve glede sortimenta naj bodo avtomatizirane in katere naj bi jih pred izvedbo pregledal človek.

Vsako od teh je mogoče izvesti, preden se nabavi kakršna koli nova tehnologija -, in vsaka bo zagotovila jasnejšo vidljivost, kam bi tehnološka naložba dejansko premaknila iglo.