Mis on sortimendi optimeerimine?

Sortimendi optimeerimine on distsipliin, mis seda lünka lahendab. See ühendab andmete, pideva õppimise ja poe-taseme täitmise kaudu selle, mida peakontor otsustab, sellega, mida kliendid riiulilt - tegelikult leiavad. See juhend kirjeldab, mis see on, miks enamik lähenemisviise ebaõnnestub, kuidas seda rakendada ja kuidas tulemusi mõõta.

Sortimendi optimeerimine vs sortimendi planeerimine: mis vahe on?

Neid kahte terminit kasutatakse sageli vaheldumisi. Need kirjeldavad põhimõtteliselt erinevaid protsesse.

Planeerimine määrab, milline peaks teie sortiment välja nägema. Optimeerimine tagab selle tegeliku toimimise - ja paraneb tingimuste muutudes.

Kolm kihti, kus sortimendiotsuseid tehakse ja need kaovad

Enamik jaemüüjaid investeerib palju esimesse kihti. Ülejäänud kahes elavad suurimad jõudluslüngad.

Strateegiline kiht: mida müüa

Siin tehakse kategooria{0}}tasandi otsuseid: millised tooted teenivad riiulipinda, kuidas eramärgis tasakaalustab riiklikke kaubamärke ja millist rolli iga kategooria poe üldises strateegias mängib. Siin tehakse otsused peakorteris, mis on ajendatud turuandmetest ja konkurentsipõhisest võrdlusuuringust ning pikkade tsüklite muutumisest.

Risk: koondandmed varjavad kohalikke erinevusi. Vastuvõetava üleriigilise müügiga toode võib 40% poodidest olla kehvem ja veel 30% üle. Keskmised varjavad signaali.

Taktikaline kiht: kus ja kuidas seda müüa

Taktikaline kiht muudab strateegia asukoha{0}}spetsiifilisteks plaanideks: kaupluste rühmitamine, planogrammide kujundus ja müügireeglid. Siin muutub sortiment tõeliselt kohalikuks - suure-tihedusega linnakauplustes on ruumipiirangud, jalakäijate liikumisharjumused ja ostjate ülesanded erinevad kui äärelinna vormingus.

Risk: selle taseme otsused põhinevad siiski suuresti oletustel, mitte tegelikel poe{0}}taseme signaalidel. Paberil võivad sortimendid tunduda hästi-lokaliseeritud, kuid praktikas võivad need olla suurel määral valesti joondatud.

Operatiivne kiht: mis tegelikult kliendini jõuab

See on koht, kus sortimendi optimeerimine õnnestub või vaikselt ebaõnnestub. Operatiivne kiht peegeldab füüsilist reaalsust, millega kliendid kokku puutuvad: millised tooted on riiulil, kas planogrammid on õigesti täidetud, kas reklaamid on nähtavad ning kas laoseisud tabatakse ja lahendatakse kiiresti.

Kui poe elluviimist{0}}reaalajas ei näe, on iga ülesvoolu otsus osaliselt oletuslik. Tehnoloogiad naguelektroonilised riiulisildidja IoT andureid kasutatakse üha enam selle nähtavuse lünga kaotamiseks -, jäädvustades riiuliolekud automaatselt, selle asemel, et toetuda käsitsi audititele, mis toimuvad liiga harva, et neid saaks kasutada.

Miks traditsiooniline sortimendi optimeerimine ebaõnnestub?

Enamik sortimendistrateegiaid on{0}}paberil hästi välja töötatud. Siin need praktikas lagunevad.

1. tõrkerežiim: ajaloolised andmed optimeerivad mineviku jaoks

Müügiajalugu ütleb teile, mida kliendid ostsid hetkel - kehtinud tingimustel saadaoleva sortimendiga määratud hindadega. See ei saa teile öelda, mida kliendid tahtsid, kuid ei leidnud. Kiiresti-liikuvates kategooriates on selleks ajaks, kui trend ajaloolistes andmetes selgelt ilmneb, sageli tegutsemisaeg juba möödas.

Rikkerežiim 2: tsentraliseeritud otsused, kohalik reaalsus

Kui sortimendiotsused tehakse täielikult peakorteris, võetakse poe{0}}taseme nüansid arvesse. Toote, mille üleriigiline müük on kesine, kuid teatud tüüpi kauplustes on hea tulemus, võidakse loendist eemaldada. Standardiseeritud planogramm võetakse kasutusele kauplustes, mille riiulid ja ostjate demograafia on oluliselt erinevad.

3. tõrkerežiim: andmesiilid teevad mittetäielikke otsuseid

Jaemüügiorganisatsioonid loovad andmeid mitme süsteemi - müügipunkti--müügi, laoseisu, lojaalsus-, e-e-kaubanduse ja-poe andurite kohta. Kategooriahaldurid töötavad ühest andmekogumist. Tarneahel töötab teisest. Poe toimingud kolmandikust. Ükski neist vaadetest ei ole täielik ja ühest silost tehtud otsused tekitavad probleeme, mis on nähtavad ainult teises.

Rikkerežiim 4: Planogrammi vastavus on madalam, kui peakorter arvab

Planogramm annab väärtust ainult siis, kui seda täidetakse õigesti ja järjepidevalt. Enamikus jaemüügivõrkudes on vastavuse määrad kauplustes - märkimisväärselt erinevad ja peakontor ei tea tavaliselt enne, kui seda mõõdetakse. Kui hindate toote riiuli toimivust müügiandmete põhjal, kuid see toode on kolm kuud 20% teie poodidest vales positsioonis olnud, on teie toimivusandmed ebausaldusväärsed. Arusaaminekui sageli riiuliandmeid värskendatakseon otseselt seotud nende mõõtmiste täpsusega.

Rikkerežiim 5: omnikanali signaalid jäävad lugemata

Klientide veebikäitumine on rikkalik sortimendi allikas, mida enamik füüsilisi jaemüüjaid ignoreerib. Null-tulemuse otsingud teie e-kaubandusplatvormil näitavad teile täpselt seda, mida kliendid otsivad, mida te ei kanna. Suure-sirvimise ja madala-ostumustrid näitavad nõudlust, mis võib nõuda enne konversiooni-poes hindamist. Klient, kes otsib toodet veebist, leiab selle kättesaamatuks ja lahkub, ei loo poesüsteemis -poe süsteemis - andmeid, kuid andmete puudumine on iseenesest signaal, kui loote protsessi selle salvestamiseks. Lähtepunktiks on veebiotsingu ja sirvimisandmete ühendamine kategooriate planeerimise töövooga, isegi mitteametlikult.

Kuidas AI parandab valikuotsuseid

Sadade poodide ja kümnete tuhandete SKU-de käsitsi sortimendi haldamine on jõudnud arvutustabelite ja perioodiliste ülevaatuste toetamise piirini. AI panustab konkreetsel ja mõõdetaval viisil.

Poe{0}}taseme nõudluse prognoosimine.Traditsiooniline prognoosimine toimib bänneri või klastri tasemel. Masinõppemudelid võivad koostada prognoose üksikute kaupluste ja SKU tasemel, võttes arvesse kohalikke tegureid - naabruskonna demograafia, lähedalasuv konkurents, hooajalised mikro-trendid -, mis laiematel mudelitel keskmiselt eemalduvad. See detailsus muudab lokaliseeritud sortimendi otsused pigem kaitstavaks kui eeldatuks.

SKU ratsionaliseerimine.Mitte iga toode ei teeni oma ruumi. Tehisintellekti mudelid suudavad tuvastada, millised SKU-d tarbivad riiulikinnisvara ja varude kapitali ilma proportsionaalse tuluta -, võttes arvesse marginaali, asendusefekte ja ostukorvi mõju. Kriitiline erinevus seisneb aeglaste-liikujate vahel, kes teenivad lojaalset niši, ja aeglaste-liikujate vahel, kes lihtsalt ei toimi. AI suudab neid kahte eristada skaalal, mida käsitsi analüüs ei suuda.

Dünaamiline hinnakujundus ja reklaamide ühtlustamine.Sortimendiotsused ei eksisteeri hinnakujundusest lahus. AI-juhituddünaamiline hinnakujundussuudab viia reklaamitegevused reaalajas vastavusse sortimendi toimivusega -, vähendades mittevastavust kavandatu ja klientide tegeliku reaktsiooni vahel riiuli tasemel.

Täitmise jälgimine.Arvutinägemise ja andurite andmed suudavad tuvastada planogrammi kõrvalekaldeid ilma täielikku käsitsi kontrollimist nõudmata. Edasiminek sisseriiulisiltide tehnoloogiaon muutnud automaatse riiulioleku-jälgimise üha kättesaadavamaks ka keskmise suurusega-jaemüüjatele, mitte ainult suurtele kettidele.

Viie{0}}etapiline rakendamise raamistik

Enamik jaemüüjaid teab sortimendi optimeerimise küsimusi. Vähestel on selge lähtepunkt. See raamistik on loodud kasutamiseks mis tahes ulatuses.

1. samm: kontrollige oma praegust sortimenti

Enne millegi optimeerimist looge aus lähtepunkt. Milline on teie praegune laoprotsent kategooriate ja kaupluste kaupa? Millised SKU-d genereerivad ruutmeetri müügi alumise detsiili? Kus on suurimad vahed planeeritud sortimendi ja tegeliku riiulite saadavuse vahel? Kui te ei saa neile küsimustele usaldusväärsete andmetega vastata, on see iseenesest kõige olulisem leid - ja signaal investeerimiseks nähtavusse enne optimeerimistööriistadesse investeerimist. Struktureeritudalgtaseme ROI arvutamineaitab enne mis tahes lähenemisviisi kasutuselevõttu kvantifitseerida, kus on suurimad{0}}mõjupuudused.

2. samm: määrake oma poeklastrid

Kõikides kauplustes ei peaks olema sama sortiment, kuid iga poe täiesti unikaalne sortiment on operatiivselt juhitav. Kaupluste rühmitamine ületab need äärmused, rühmitades asukohad, mille nõudlusprofiilid on sisuliselt sarnased. Tõhus rühmitamine põhineb tegelikul ostukäitumisel - ostukorvi koostisel, kategooria kiirusel, ostja missioonimustritel -, mitte oletataval demograafilisel teabel. Enamik jaemüüjaid tegutseb nelja kuni kaheksa klastriga, olenevalt võrgu suurusest ja vormingu mitmekesisusest. Õige number on see, mille puhul iga klaster käitub piisavalt erinevalt, et tagada erinev tootemall.

3. samm: integreerige oma andmeallikad

Sortimendi optimeerimine on täpselt nii hea, kui hästi on seda toidavad andmed. Teil on vaja vähemalt SKU{1}}taseme müügiandmeid kaupluste kaupa, millel on vähemalt 12-kuuline ajalugu, praegused laoseisud ja riiulite saadavus. Küsimus, kuidas riiuliandmeid kogutakse - kas käsitsi aruannete, ESL-süsteemide või asjade Interneti-andurite kaudu -, mõjutab otseselt andmete värskust ja usaldusväärsust. Mõistesühenduvusvõimalused riiuliandmete kogumisekson praktiline varajane otsus. Täiuslik andmete integreerimine ei ole - käivitamise eeltingimus, kuid enne nende väljundi usaldamist peate mõistma oma andmete lünki ja latentsust.

4. samm: määrake optimeerimisreeglid ja kaitsepiirded

AI mudelid ja optimeerimisalgoritmid vajavad piiranguid. Iga otsust ei tohiks automatiseerida. Määratlege selgelt, milliseid otsuseid saab käivitada automaatselt -, näiteks suure-kiirusega SKU-de - täiendamise käivitajad ja mis nõuavad inimese ülevaatamist, nt toote eemaldamine klastrist. Kaitsepiirded kaitsevad ka vigade eest, mida automatiseeritud süsteemid teevad, kui andmed on puudulikud. Levinud näide: algoritm soovitab toote eemaldada, kuna selle müük on madal, kui tegelik põhjus on pidev laos, mida müügiandmed ei erista madalast nõudlusest.Hindade ja saadavuse kuvamise veadon seotud töötõrke režiim, mida tasub enne automatiseerimise kasutuselevõttu mõista.

5. samm: mõõtke, õppige ja korrake

Sortimendi optimeerimine on pidev protsess, mitte ühekordne{0}}projekt. Looge regulaarne ülevaatuse rütm - vähemalt kord kvartalis strateegiliste otsuste tegemiseks, kord kuus taktikaliste muudatuste tegemiseks. Looge kesksete kategooriatiimide vahel struktureeritud tagasisideahelaid ja salvestage -tasemel toimivusandmeid. Käsitlege iga planeerimistsüklit kui katset: püstitage hüpotees, rakendage muudatus, mõõtke tulemust, kasutage seda õppimist järgmises tsüklis. Organisatsioonid, kes saavad sellest protsessist kõige rohkem väärtust, ei ole need, kellel on kõige keerukamad tööriistad. Just nemad on loonud harjumuse järjekindlalt andmetest õppida.

Kuus KPI-d sortimendi optimeerimise mõõtmiseks

Jälgige kõiki kuut mõõdikut poe tasemel, mitte ainult koondatult. Võrgu-taseme keskmised peidavad sageli kauplusi, kus probleemid on kõige teravamad - ja kus on suurimad optimeerimisvõimalused.

Sortimendi optimeerimine võrgu- ja füüsilistes kanalites

Füüsilistes ja digitaalsetes kanalites tegutsevate jaemüüjate puhul ei saa sortimendiotsuseid hallata eraldi.Jaemüügikeskkondon muutunud: kliendid liiguvad kanalite vahel sujuvalt ja iga kanali andmed võivad anda teavet teise kanali otsuste tegemisel.

Internetis sortimendi signaalina.Null-tulemusega otsingud teie e-kaubandusplatvormil on otsene näitaja sortimendist - kliendid, kes ütlevad teile täpselt, mida nad tahavad, kuid te ei kanna seda. Sage-sirvimine, madal{5}}ostumustrid võivad viidata toodetele, mida kliendid soovivad enne ostmist isiklikult hinnata, mis mõjutab-poe valikut. VastavaltMcKinsey uuringudNüüd ootavad üle 70% tarbijatest isikupärastatud kogemusi -, mis kehtib nii toodete saadavuse kui ka suhtluse kohta.

Ühtne vs diferentseeritud sortiment.See, kas teie veebi- ja{0}}poe sortiment peaksid ühtima, sõltub teie poe vormingust ja klientide käitumisest. Ühtne sortiment lihtsustab toiminguid ja toodab puhtamaid nõudlusandmeid, kuid sunnib füüsilisi poode kandma veebikataloogi keerukust, mida enamik vorminguid ei mahuta. Diferentseeritud lähenemine -, kus füüsilised kauplused kannavad kureeritud suure kiirusega-tuuma, samas kui võrgukanal tegeleb pika sabaga -, toimib hästi, kui kaks kanalit täidavad tõeliselt erinevaid ostuülesandeid. Otsustamise raamistik on lihtne: kui kliendid otsivad regulaarselt veebist ja teevad{7}}poes konversiooni, on joondamine oluline. Kui veebis ja poes{9}}ostlejad on suures osas erinevad vaatajaskonnad, võib eristamine olla tõhusam.

Kust alustada.Kõige praktilisem sisenemispunkt on ühendada oma e-kaubanduse nulltulemuste-otsingu andmed kategooria planeerimise ülevaatusega. Uut tehnoloogiat pole vaja - igakuine ebaõnnestunud otsingupäringute eksport, mille kategooriahaldurid üle vaatavad, võib paljastada sortimendi lünki, mida-poemüügiandmed kunagi ei paljasta. Selle siduminetäiustatud riiuli{0}}taseme andmehõivefüüsilistes poodides loob suletud ahela võrgusignaalide ja{0}}poes toimuva täitmise vahel.

Kuidas see praktikas välja näeb

Järgmised stsenaariumid illustreerivad, kuidas sortimendi optimeerimise põhimõtted jaemüügivormingutes kehtivad. Need on illustreerivad näited, mitte konkreetsed ettevõtte juhtumiuuringud.

Toidukaubad: kohaliku nõudluse varjamine koondandmetes.Piirkondlik toidupoekett kavandab sortimente kategooriate koondandmete põhjal. Etniliste toiduainete kategooriad - kindlates naabruskondades - tugevad esinejad on pidevalt alaesindatud, kuna nende müük lahjeneb bänneri tasemele kerimisel. Klastri-põhine lähenemine, mis põhineb tegelikul korvi koostisel, näitab, et see, mis näis teatud kaupluste rühmade madala kategooria nõudlusena, oli hoopis struktuurne andmete koondamise probleem. Nende kaupluste mallide kohandamine kohaliku ostukäitumise järgi katab tühimiku. Võimaldav tegur ei ole uus tehnoloogia -, see jaotab nõudluse andmed kaupluste, mitte bänneri järgi. Parem nähtavus selliste tööriistade abil naguelektroonilised riiulisildid toidupoodidestoetab pidevat mõõtmist selle kohta, kas neid kohandatud sortimente tegelikult täidetakse.

Mood: pika-saba SKU haldus.Erirõivaste jaemüüjal on mitu tuhat aktiivset SKU-d hooaja kohta. Tootlikkuse ülevaade näitab, et märkimisväärne osa tootevalikust toodab ebaproportsionaalselt väikese osa tuludest, kulutades samal ajal planeerimis-, laoseisu- ja täiendamisressursse. Analüüs eraldab kaks kehvemini toimijate rühma: SKU-d, millel puudub tuvastatav püsikliendibaas ja negatiivne ruumi-to-marginaali panus, ning SKU-d, mille üldine maht on väike, kuid konkreetse ostjasegmendi korduvate ostude määr on kõrge. Esimene rühm kaotatakse järk-järgult. Teine säilib kohandatud ruumijaotusega. Tulemuseks on kitsam valik, mida on lihtsam teostada ja mis ei tekita riiulitasandil otsustusväsimust.

Mugav jaemüük: täitmiskiirus kui erinevus.Väike -vormingus mugavuskett tegutseb kohtades, kus iga ruutjalga panus on suur-ja laovarude maksumust suurendavad madalad laovarude puhvrid. Piiravaks teguriks ei ole sortimendiplaan -, vaid aeg, mis kulub lao lõppemise ja sellele reageeriva kaupluse partneri vahel. Selle tühimiku vähendamine riiulite automaatse jälgimise abil, selle asemel, et toetuda ajastatud käsitsi kontrollimisele, mõjutab otseselt ja mõõdetavalt suure-marginaaliga impulsside kategooriate saadavust poes.

Korduma kippuvad küsimused

Mis on sortimendi optimeerimine jaemüügis?

Sortimendi optimeerimine on protsess, mille käigus valitakse ja täiustatakse pidevalt igas kaupluses pakutavat tootevalikut, et maksimeerida müüki, marginaali ja klientide rahulolu. Erinevalt ühekordsest-sortimendi planeerimisest integreerib see reaalajas-andmed ja jooksvad toimivusülevaatused, et hoida tootevalik vastavuses tegeliku nõudlusega.

Mis vahe on sortimendi planeerimisel ja sortimendi optimeerimisel?

Sortimendi planeerimine on perioodiline tsentraliseeritud protsess - tavaliselt hooajaline või iga-aastane -, mis määrab ajalooandmete põhjal, milliseid tooteid kaasas kanda. Sortimendi optimeerimine on pidev. See sisaldab reaalajas-signaale ja salvestab-taseme jõudlusandmeid, et kohandada sortimenti vastavalt tingimuste muutumisele. Planeerimine määrab esialgse suuna; optimeerimine hoiab selle kalibreerituna.

Kuidas AI parandab sortimendi optimeerimist?

Tehisintellekt võimaldab poe{0}}taseme nõudluse prognoosimist, mis ületab klastri keskmisi, tuvastab kehvasti toimivad SKU-d, võttes arvesse asendusefekte, genereerib praegusel müügikiirusel põhinevaid planogrammisoovitusi ja töötleb reaalajas-signaale - ilma, kohalikke sündmusi, konkurentide tegevust -, mida käsitsi planeerimise tsüklid ei suuda tegutsemiseks õigeaegselt arvesse võtta.

Millised on kõige levinumad põhjused, miks sortimendi optimeerimine ebaõnnestub?

Viis kõige levinumat tõrkerežiimi: liigne{0}}tugimine ajaloolistele andmetele, mis ei suuda praegust nõudlust katta; tsentraliseeritud otsustus-, mis eirab kohalikke erinevusi; siled andmesüsteemid, mis annavad mittetäieliku pildi; planogrammi vastavus on madalam, kui peakorter eeldab; ja suutmatus kaasata veebinõudluse signaale, mis paljastavad nähtamatud lüngad ainuüksi poemüügiandmetes.

Milliseid KPI-sid peaksin sortimendi optimeerimiseks jälgima?

Kõige kasulikumad mõõdikud on laomäär, -müügimäär, SKU tootlikkus (tulu või marginaal riiulipinna ühiku kohta), plaani järgimise määr, kategooria marginaali panus ja klastri nõudluse vastavus (hälve plaanitud sortimendi ja tegeliku müügi vahel-klastri tasemel). Jälgige neid kõiki poe tasemel, mitte ainult koondatult.

Kui kaua rakendamine aega võtab?

Algtaseme auditi- ja{0}}klastripõhise optimeerimise raamistiku saab olemasolevaid andmeid kasutades tavaliselt välja töötada mõne kuu jooksul. Keerulisem AI-põhine pidev optimeerimine nõuab tugevamat andmebaasi ja selle täielikuks kasutuselevõtuks võib kuluda 12–18 kuud. Auditiga alustades selgub peaaegu alati kiired võidud, enne kui uut tehnoloogiat vaja läheb.

Kas väiksemad jaemüüjad saavad sortimendi optimeerimisest kasu?

Jah. Põhimõtted kehtivad olenemata mastaabist -, et aru saada, millised tooted teenivad oma ruumi, jälgida laovarude sagedust ning luua tagasisideahelaid müügiandmete ja tooteotsuste vahel, on igas suuruses toimingu puhul mõttekas. Väiksemad jaemüüjad ei pruugi vajada ettevõtte tehisintellekti platvorme; tasuta või madala hinnaga-analüütikatööriistad võivad toetada kasulikku optimeerimist, mis põhineb neil juba olemasolevatel andmetel. Validesparempoolse riiuli sildi lahenduson üks praktiline lähtepunkt andmete kogumise parandamiseks ilma märkimisväärsete infrastruktuuriinvesteeringuteta.

Milliseid andmeid pean alustamiseks?

Vähemalt: SKU{0}}taseme müügiandmed kaupluste kaupa, millel on vähemalt 12-kuuline ajalugu, praegused laoseisud ja teatud riiulite saadavuse mõõdik -, isegi käsitsi laoaruanded. Selle aluse põhjal saate läbi viia sisuka auditi, tuvastada oma suurima-mõju võimalused ja koostada andmete parandamise tegevuskava. Täiuslikud andmed ei ole eeltingimus. Kasulik optimeerimine on võimalik ebatäiuslike andmetega, kui mõistate nende lünki ja arvestate nendega.

Kust alustada

Sortimendi optimeerimine pakub kõige rohkem väärtust, kui see toimib pideva tsüklina - analüüsib toimivust, kohandab tootevalikut, teostab-poes, mõõdab tulemusi ja kordab. Jaemüüjad, kes seda võimalust kõige tõhusamalt loovad, ei pruugi olla need, kes investeerivad kõigepealt kõige arenenumatesse tööriistadesse. Need on need, kes alustavad ausate andmetega selle kohta, kus nende praegune sortiment ebaõnnestub, ja loovad organisatsioonilised harjumused, et nende andmete põhjal järjepidevalt tegutseda.

Kui alustate nullist, on kohe rakendatavad neli toimingut: käivitage laovaru ja SKU tootlikkuse audit, kasutades teil juba olemasolevaid andmeid; vaadake oma kaupluste klastri määratlusi üle tegeliku ostukäitumise, mitte oletatava demograafilise teabe põhjal; ühendage oma e-kaubanduse nulltulemuste-otsinguandmed oma kategooria planeerimise töövooga; ja määratleda, millised sortimendiotsused tuleks automatiseerida või inimese poolt enne täitmist üle vaadata.

Kõiki neid saab teha enne uue tehnoloogia hankimist - ja igaüks neist annab selgema ülevaate sellest, kuhu tehnoloogiainvesteeringud tegelikult nõela liigutavad.