Какво е оптимизация на асортимента?

Оптимизирането на асортимента е дисциплината, която адресира тази празнина. Той свързва това, което централата решава, с това, което клиентите действително намират на рафта - чрез данни, непрекъснато обучение и-изпълнение на ниво магазин. Това ръководство обхваща какво представлява, защо повечето подходи се провалят, как да го приложите и как да измерите резултатите.

Оптимизация на асортимента срещу планиране на асортимента: каква е разликата?

Тези два термина често се използват взаимозаменяемо. Те описват коренно различни процеси.

Планирането определя как трябва да изглежда вашият асортимент. Оптимизацията гарантира, че действително изпълнява - и продължава да се подобрява с промяната на условията.

Трите нива, където решенията за асортимента се вземат и губят

Повечето търговци на дребно инвестират сериозно в първия слой. Най-големите пропуски в производителността са в другите две.

Стратегически слой: Какво да продадем

Това е мястото, където се вземат-решения на ниво категория: кои продукти печелят място на рафтовете, как частният етикет балансира спрямо националните марки и каква роля играе всяка категория в цялостната стратегия на магазина. Решенията тук се вземат в централата, водени от пазарни данни и конкурентен бенчмаркинг и се променят на дълги цикли.

Рискът: съвкупните данни маскират местните вариации. Продукт с приемливи национални продажби може да не се представя добре в 40% от магазините и да е с по-добри резултати в други 30%. Средните крият сигнала.

Тактически слой: Къде и как да го продадете

Тактическият слой превръща стратегията в-специфични планове за местоположение: групиране на магазини, дизайн на планограма и правила за мърчандайзинг. Това е мястото, където асортиментът става наистина местен - градският магазин с висока-гъстота има различни пространствени ограничения, модели на пешеходен трафик и мисии за пазаруване в сравнение с крайградския формат.

Рискът: решенията на това ниво все още разчитат в голяма степен на предположения, а не на реални сигнали на ниво магазин-. Асортиментите може да изглеждат добре-локализирани на хартия, докато на практика остават като цяло неподравнени.

Оперативен слой: какво всъщност достига до клиента

Това е мястото, където оптимизацията на асортимента успява или тихо се проваля. Оперативният слой отразява физическата реалност, с която се сблъскват клиентите: кои продукти са на рафта, дали планограмите са изпълнени правилно, дали промоциите са видими и дали изчерпването се улавя и разрешава бързо.

Без-видимост в реално време за изпълнението на магазина, всяко решение нагоре по веригата е отчасти догадка. Технологии катоелектронни етикети за рафтовеи IoT сензорите се използват все по-често, за да запълнят тази празнина във видимостта - автоматично да улавят състоянията на рафтовете, вместо да разчитат на ръчни одити, които се случват твърде рядко, за да бъдат предприети действия.

Защо традиционната оптимизация на асортимента се проваля

Повечето стратегии за асортимент са добре-разработени на хартия. Ето къде се развалят на практика.

Режим на отказ 1: Историческите данни се оптимизират за миналото

Историята на продажбите ви казва какво са купили клиентите при условията, които са съществували по това време - с наличния асортимент, на зададените цени. Не може да ви каже какво са искали клиентите, но не са могли да намерят. В бързо-променящите се категории, докато дадена тенденция се появи ясно в историческите данни, периодът за действие често вече е преминал.

Режим на повреда 2: Централизирани решения, местна реалност

Когато решенията за асортимента се вземат изцяло в централата, нюансите-на ниво магазин се осредняват. Продукт с посредствени национални продажби, но силно представяне в определени типове магазини може да бъде премахнат. Стандартизирана планограма се внедрява в магазини със значително различни размери на рафтовете и демография на купувачите.

Режим на повреда 3: Силозите за данни произвеждат непълни решения

Организациите за търговия на дребно генерират данни в множество системи за - точки--продажба, инвентар, лоялност, електронна-търговия и сензори в-магазина. Мениджърите на категории работят от един набор от данни. Веригата за доставки работи от друга. Магазин операции от трети. Нито един от тези изгледи не е завършен и решенията, взети от всеки отделен силоз, ще създадат проблеми, видими само в друг.

Режим на повреда 4: Съответствието с планограмата е по-ниско, отколкото смята централата

Планограмата носи стойност само ако се изпълнява правилно и последователно. В повечето мрежи за търговия на дребно нивата на съответствие варират значително в различните магазини - и централата обикновено не знае, докато не бъде измерена. Ако оценявате ефективността на рафта на даден продукт въз основа на данни за продажбите, но този продукт е бил в грешна позиция в 20% от магазините ви в продължение на три месеца, вашите данни за ефективността са ненадеждни. разбиранеколко често се опресняват данните на рафтае пряко свързано с точността на тези измервания.

Режим на повреда 5: Омниканалните сигнали остават непрочетени

Поведението на онлайн клиентите е богат източник на информация за асортимента, която повечето физически търговци на дребно пренебрегват. Търсенията с нулеви-резултати във вашата-платформа за електронна{2}}търговия ви показват точно какво търсят клиентите, а вие не предлагате. Моделите на високо-разглеждане, ниско-покупуване разкриват търсене, което може да изисква-оценка в магазина преди реализация. Клиент, който търси продукт онлайн, намира го за недостъпен и си тръгва, не генерира данни в -системата на магазина -, но тази липса на данни сама по себе си е сигнал, ако изградите процеса, за да го улови. Началната точка е свързването на вашето онлайн търсене и данни за сърфиране с вашия работен процес за планиране на категории, дори неофициално.

Как AI подобрява решенията за асортимент

Ръчното управление на асортимента в стотици магазини и десетки хиляди SKU достигна границите на това, което електронните таблици и периодичните прегледи могат да поддържат. AI допринася по специфични, измерими начини.

Прогнозиране на търсенето-на ниво магазин.Традиционното прогнозиране работи на ниво банер или клъстер. Моделите за машинно обучение могат да генерират прогнози на ниво отделен магазин и SKU, като отчитат местните фактори - демографските данни на квартала, близката конкуренция, сезонните микро{2}}тенденции -, които по-широките модели осредняват. Тази детайлност е това, което прави решенията за локализирания асортимент по-скоро защитими, отколкото предполагаеми.

Рационализация на SKU.Не всеки продукт печели своето място. Моделите с изкуствен интелект могат да идентифицират кои складови единици консумират недвижимо имущество и инвентарен капитал без пропорционална възвръщаемост -, отчитаща приноса на маржа, ефектите на заместване и влиянието на кошницата. Критичното разграничение е между бавно-движещи се, които обслужват лоялна ниша, и бавно-движещи се, които просто се представят слабо. AI може да прави разлика между двете в мащаб, в който ръчният анализ не може.

Динамично съгласуване на цените и промоциите.Решенията за асортимент не съществуват изолирано от ценообразуването. Управляван-изкуствен интелектдинамично ценообразуванеможе да съгласува промоционалната дейност с ефективността на асортимента в реално време -, намалявайки несъответствието между планираното и това, на което клиентите действително реагират на ниво рафт.

Мониторинг на изпълнението.Компютърното зрение и сензорните данни могат да идентифицират отклонения в планограмата, без да се изискват пълни ръчни проверки. Напредък втехнология за етикетиране на рафтовенаправиха автоматизирания мониторинг на-състоянието на рафтовете все по-достъпен за средни{1}}търговци на дребно, не само за големи вериги.

Рамка от пет-стъпки за внедряване

Повечето търговци на дребно знаят, че оптимизацията на асортимента има значение. По-малко имат ясна отправна точка. Тази рамка е проектирана да може да се използва във всякакъв мащаб.

Стъпка 1: Проверете текущия си асортимент

Преди да оптимизирате нещо, установете честна базова линия. Какъв е текущият ви процент на изчерпване по категория и по магазин? Кои SKU генерират долния децил от продажбите на квадратен фут? Къде са най-големите разлики между планирания асортимент и реалната наличност на рафтовете? Ако не можете да отговорите на тези въпроси с надеждни данни, това само по себе си е най-важното откритие - и сигналът да инвестирате във видимост, преди да инвестирате в инструменти за оптимизация. Структуриранизчисляване на базовата ROIможе да помогне да се определи количествено къде са най--пропуските във въздействието, преди да се ангажирате с какъвто и да е подход.

Стъпка 2: Дефинирайте клъстерите на вашите магазини

Не всички магазини трябва да предлагат един и същ асортимент, но напълно уникален асортимент за всеки магазин е оперативно неуправляем. Клъстерирането на магазини преодолява тези крайности чрез групиране на местоположения със смислено подобни профили на търсене. Ефективното групиране се основава на действителното поведение при покупка - състав на кошницата, скорост на категорията, модели на мисията на купувача - не на предполагаеми демографски данни. Повечето търговци на дребно работят с четири до осем клъстера, в зависимост от размера на мрежата и разнообразието на форматите. Правилното число е това, при което всеки клъстер наистина се държи достатъчно различно, за да гарантира различен продуктов шаблон.

Стъпка 3: Интегрирайте вашите източници на данни

Оптимизирането на асортимента е толкова добро, колкото и данните, които го захранват. Най-малко се нуждаете от данни за продажби на ниво SKU-по магазин с поне 12-месечна история, текущи нива на наличности и известна мярка за наличност на рафтове. Въпросът как се улавят данните от рафта - дали чрез ръчни отчети, ESL системи или IoT сензори - пряко засяга актуалността и надеждността на данните. Разбиране наопции за свързване за улавяне на данни от рафтае практично ранно решение. Перфектната интеграция на данни не е предпоставка за стартиране на -, но трябва да разберете пропуските и забавянето на вашите данни, преди да се доверите на изхода им.

Стъпка 4: Задайте правила за оптимизация и предпазни огради

AI моделите и оптимизационните алгоритми се нуждаят от ограничения. Не всяко решение трябва да бъде автоматизирано. Дефинирайте ясно кои решения могат да се изпълняват автоматично - като задействания за попълване за високо-скоростни SKU - и кои изискват проверка от човек, като премахване на продукт от клъстер. Парапетите също така предпазват от грешки, които автоматизираните системи правят, когато данните са непълни. Често срещан пример: алгоритъм препоръчва премахване на продукт, тъй като продажбите му са ниски, когато действителната причина е постоянно изчерпване, което данните за продажбите не разграничават от ниското търсене.Грешки при показване на цена и наличностса свързан режим на оперативна повреда, който си струва да се разбере, преди да се въведе автоматизацията.

Стъпка 5: Измерете, научете и итерирайте

Оптимизирането на асортимента е непрекъснат процес, а не-еднократен проект. Установете редовен ритъм на преглед - поне на тримесечие за стратегически решения, месечно за тактически корекции. Изградете структурирани вериги за обратна връзка между централните екипи по категории и съхранявайте-данни за ефективността на ниво. Отнасяйте се към всеки цикъл на планиране като към експеримент: формирайте хипотеза, приложете промяна, измерете резултата, използвайте това обучение в следващия цикъл. Организациите, които извличат най-голяма стойност от този процес, не са тези с най-сложните инструменти. Те са тези, които са изградили навика да се учат от данни последователно.

Шест KPI за измерване на оптимизацията на асортимента

Проследявайте всичките шест показателя на ниво магазин, а не само обобщено. Средните стойности на-мрежово ниво често крият магазините, където проблемите са най-остри - и където съществуват най-големите възможности за оптимизация.

Оптимизиране на асортимента в онлайн и физически канали

За търговците на дребно, работещи във физически и цифрови канали, решенията за асортимент не могат да се управляват изолирано.Търговската средасе промени: клиентите преминават плавно между каналите и данните от всеки канал могат да информират решенията в другия.

Онлайн като сигнал за асортимент.Търсенията с нулеви-резултати във вашата-платформа за електронна{1}}търговия са пряк индикатор за пропуски в асортимента - клиенти, които ви казват точно какво искат, а вие не носите. Високо-разглеждане, ниско-модели на покупка може да показват продукти, които клиентите искат да оценят лично, преди да купят, което има отражение върху-класирането в магазина. СпоредИзследване на McKinsey, над 70% от потребителите сега очакват персонализирани изживявания - очакване, което се отнася както за наличността на продуктите, така и за комуникациите.

Унифициран срещу диференциран асортимент.Дали онлайн и-асортиментите ви в магазина трябва да съвпадат зависи от формата на магазина ви и поведението на клиентите. Унифицираният асортимент опростява операциите и произвежда по-чисти данни за търсенето, но принуждава физическите магазини да носят сложността на онлайн каталог, който повечето формати не могат да поемат. Диференциран подход -, при който физическите магазини носят подбрано, високо-скоростно ядро, докато онлайн каналът управлява дългата опашка - работи добре, когато двата канала обслужват наистина различни мисии за пазаруване. Рамката за вземане на решения е проста: ако клиентите редовно търсят онлайн и извършват реализации в-магазина, подравняването има значение. Ако пазаруващите онлайн и-в магазините са до голяма степен различни аудитории, разграничаването може да е по-ефективно.

Откъде да започна.Най-практичната входна точка е свързването на вашите-данни за търсене с нулеви{1}}резултати за електронна търговия с вашия преглед на планиране на категории. Не се изисква нова технология - месечно експортиране на неуспешни заявки за търсене, прегледани от мениджъри на категории, може да извади наяве пропуски в асортимента, които в-данните за продажбите в магазините никога няма да разкрият. Сдвояване на това сподобрено улавяне на данни-на ниво рафтвъв физическите магазини създава затворен цикъл между онлайн сигналите и-изпълнението в магазина.

Как изглежда това на практика

Следните сценарии илюстрират как принципите за оптимизиране на асортимента се прилагат във форматите за продажба на дребно. Това са илюстративни примери, а не конкретни фирмени казуси.

Хранителни стоки: маскиране на местното търсене в обобщени данни.Регионална верига за хранителни стоки планира асортименти, използвайки обобщени данни за категория. Етническите категории храни - силно представящи се в конкретни квартали - постоянно са недостатъчно представени, тъй като продажбите им намаляват, когато се натрупат до ниво банер. Подход, базиран на клъстер-, изграден върху действителния състав на кошницата, разкрива, че това, което изглежда като търсене на ниска категория в определени групи магазини, вместо това е структурен проблем с агрегирането на данни. Коригирането на шаблоните на тези магазини, за да отразяват местното поведение при покупка, затваря празнината. Благоприятният фактор не е нова технология -, а разпределяне на данните за търсенето по магазин, а не по банер. По-добра видимост чрез инструменти катоелектронни етикети за рафтове в хранителни магазиниподдържа текущото измерване дали тези коригирани асортименти действително се изпълняват.

Мода: дълго{0}}управление на SKU.Търговец на специализирано облекло предлага няколко хиляди активни SKU на сезон. Прегледът на производителността разкрива, че значителна част от гамата генерира непропорционално малък дял от приходите, докато изразходва ресурси за планиране, инвентар и попълване. Анализът разделя две групи слабо представящи се: складови единици без разпознаваема лоялна клиентска база и отрицателен принос-към-марж и складови единици с нисък общ обем, но високи проценти на повторни покупки сред конкретен сегмент от купувачи. Първата група се премахва. Вторият се запазва с коригирано разпределение на пространството. Резултатът е по-тесен диапазон, който е по-лесен за изпълнение и е по-малко вероятно да предизвика умора при вземане на решения на ниво рафт.

Удобна търговия на дребно: скоростта на изпълнение като отличителна черта.Верига за удобство в малък-формат работи на места, където всеки квадратен фут е висок-залог и цената на изчерпване се увеличава от ниските резерви за инвентар. Ограничаващият фактор не е планът за асортимент -, а времето между възникването на изчерпване и реакцията на сътрудника на магазина. Намаляването на тази празнина чрез автоматизирано наблюдение на рафтовете, вместо да се разчита на планирани ръчни проверки, има пряко и измеримо въздействие върху-наличността в магазина за категории с висок-маржин импулс.

Често задавани въпроси

Какво е оптимизиране на асортимента в търговията на дребно?

Оптимизирането на асортимента е процесът на непрекъснато подбиране и усъвършенстване на продуктовия микс, предлаган във всеки магазин, за да се увеличат максимално продажбите, маржът и удовлетвореността на клиентите. За разлика от еднократното-планиране на асортимента, то интегрира-данни в реално време и текущи прегледи на ефективността, за да поддържа избора на продукти в съответствие с действителното търсене.

Каква е разликата между планирането на асортимента и оптимизирането на асортимента?

Планирането на асортимента е периодичен, централизиран процес - обикновено сезонен или годишен -, който определя кои продукти да се доставят въз основа на исторически данни. Оптимизацията на асортимента е непрекъсната. Той включва сигнали-в реално време и данни за ефективността-на ниво магазин, за да адаптира асортимента при промяна на условията. Планирането определя първоначалната посока; оптимизацията го поддържа калибриран.

Как AI подобрява оптимизацията на асортимента?

AI дава възможност за прогнозиране на търсенето на ниво-магазин, което надхвърля средните стойности на клъстера, идентифицира слабо представящи се SKU, като отчита ефектите на заместване, генерира планограмни препоръки въз основа на текущата скорост на продажбите и обработва сигнали в реално-време - време, местни събития, активност на конкуренти -, които ръчните цикли на планиране не могат да се включат навреме, за да се предприемат действия.

Кои са най-честите причини за неуспех при оптимизирането на асортимента?

Петте най-често срещани режима на повреда: прекомерно-разчитане на исторически данни, които не могат да обхванат текущото търсене; централизирано вземане на-решения, което пропуска местните вариации; изолирани системи за данни, които създават непълна картина; съответствие на планограмата е по-ниско от очакваното от централата; и невъзможност за включване на онлайн сигнали за търсене, които разкриват пропуски, невидими само в-данните за продажбите в магазина.

Какви KPI трябва да проследявам за оптимизиране на асортимента?

Най-полезните показатели са процент на изчерпване, процент на-продажби, производителност на SKU (приходи или марж на единица рафтово пространство), процент на съответствие на планограмата, принос на маржа на категорията и изравняване на търсенето на клъстер (разлика между планирания асортимент и действителната-продажба на ниво клъстер). Проследявайте всичко това на ниво магазин, а не само обобщено.

Колко време отнема внедряването?

Основен одит и рамка за-базирана на клъстер оптимизация обикновено могат да бъдат разработени в рамките на няколко месеца, като се използват съществуващи данни. По-усъвършенстваната непрекъсната оптимизация,-задвижвана от изкуствен интелект, изисква по-стабилна база от данни и може да отнеме от 12 до 18 месеца, за да влезе в действие напълно. Започването с одита почти винаги разкрива налични бързи печалби, преди да е необходима нова технология.

Могат ли по-малките търговци да се възползват от оптимизирането на асортимента?

да Принципите се прилагат независимо от мащаба - разбирането кои продукти печелят своето пространство, проследяването на честотата на изчерпване и изграждането на вериги за обратна връзка между данните за продажбите и продуктовите решения са от значение за операция с всякакъв размер. По-малките търговци на дребно може да не се нуждаят от корпоративни AI платформи; безплатни или евтини-инструменти за анализ могат да поддържат полезна оптимизация въз основа на данните, които вече имат. Изборът нарешение за етикет на десния рафте една практическа отправна точка за подобряване на събирането на данни без значителна инфраструктурна инвестиция.

Какви данни са ми необходими, за да започна?

Най-малко: Данни за продажби на ниво SKU- по магазин с поне 12-месечна история, текущи нива на наличности и известна мярка за наличност на рафтове - дори ръчни отчети за изчерпване. От тази основа можете да проведете смислен одит, да идентифицирате възможностите си за най-голямо-въздействие и да изградите пътна карта за подобряване на данните. Перфектните данни не са предпоставка. Полезната оптимизация е възможна с несъвършени данни, стига да разбирате и отчитате пропуските им.

Откъде да започнете

Оптимизирането на асортимента осигурява най-голяма стойност, когато работи като непрекъснат цикъл - анализира ефективността, коригира продуктовия микс, изпълнява в-магазина, измерва резултатите и повтаря. Търговците на дребно, които изграждат тази способност най-ефективно, не са непременно тези, които първо инвестират в най-модерните инструменти. Те са тези, които започват с честни данни за това къде текущият им асортимент се проваля и изграждат организационните навици да действат последователно въз основа на тези данни.

Ако започвате от нулата, четири действия могат да бъдат предприети незабавно: изпълнете одит на изчерпването и SKU производителността, като използвате данни, които вече имате; прегледайте дефинициите на вашите магазинни клъстери спрямо действителното поведение при покупка, а не към предполагаемите демографски данни; свържете вашите данни за търсене в-електронна търговия с нулеви-резултати с вашия работен процес за планиране на категории; и дефинирайте кои решения за асортимент трябва да бъдат автоматизирани или прегледани от човек преди изпълнение.

Всяко от тях може да бъде направено преди да бъде осигурена нова технология - и всяко от тях ще създаде по-ясна видимост за това къде технологичната инвестиция всъщност би преместила иглата.