Kas ir sortimenta optimizācija?

Sortimenta optimizācija ir disciplīna, kas novērš šo trūkumu. Tas savieno galvenās mītnes lēmumu ar to, ko klienti faktiski atrod plauktā -, izmantojot datus, nepārtrauktu mācīšanos un veikala-līmeņa izpildi. Šajā rokasgrāmatā ir aprakstīts, kas tas ir, kāpēc lielākā daļa pieeju neizdodas, kā to īstenot un kā izmērīt rezultātus.

Sortimenta optimizācija salīdzinājumā ar sortimenta plānošanu: kāda ir atšķirība?

Šie divi termini bieži tiek lietoti kā sinonīmi. Tie apraksta principiāli atšķirīgus procesus.

Plānošana nosaka, kādam jābūt jūsu sortimentam. Optimizācija nodrošina, ka tā faktiski darbojas - un turpina uzlaboties, mainoties apstākļiem.

Trīs slāņi, kuros tiek pieņemti un pazaudēti sortimenta lēmumi

Lielākā daļa mazumtirgotāju iegulda lielus līdzekļus pirmajā līmenī. Vislielākās veiktspējas nepilnības dzīvo pārējās divās.

Stratēģiskais slānis: ko pārdot

Šeit tiek pieņemti kategorijas{0}}līmeņa lēmumi: kuri produkti nopelna vietu plauktā, kā privātais preču zīmols ir līdzsvarots ar nacionālajiem zīmoliem un kāda nozīme katrai kategorijai ir vispārējā veikala stratēģijā. Šeit lēmumi tiek pieņemti galvenajā mītnē, pamatojoties uz tirgus datiem un konkurētspējīgu salīdzinošo novērtēšanu, kā arī izmaiņām ilgos ciklos.

Risks: apkopotie dati maskē vietējās atšķirības. Produktam ar pieņemamu pārdošanas apjomu valstī var būt zemāka veiktspēja 40% veikalu un labāki vēl 30%. Vidējie paslēpj signālu.

Taktiskais slānis: kur un kā to pārdot

Taktiskais slānis pārvērš stratēģiju atrašanās vietas{0}}konkrētos plānos: veikalu klasteru veidošanā, planogrammu dizainā un tirdzniecības noteikumos. Šeit sortiments kļūst patiesi vietējs - liela-blīvuma pilsētas veikalam ir atšķirīgi telpu ierobežojumi, gājēju plūsmas modeļi un pircēju uzdevumi nekā piepilsētas formātā.

Risks: lēmumi šajā līmenī joprojām lielā mērā ir balstīti uz pieņēmumiem, nevis faktiskiem veikala{0}}līmeņa signāliem. Uz papīra sortimenti var izskatīties labi-lokalizēti, bet praksē tie joprojām ir ļoti atšķirīgi.

Darbības slānis: kas patiesībā sasniedz klientu

Šeit sortimenta optimizācija izdodas vai klusi neizdodas. Operacionālais slānis atspoguļo fizisko realitāti, ar kuru saskaras klienti: kādi produkti atrodas plauktā, vai planogrammas ir pareizi izpildītas, vai ir redzamas akcijas un vai krājumi tiek ātri uztverti un atrisināti.

Ja reāllaikā nav redzama{0}}veikala izpilde, katrs iepriekšējais lēmums ir daļēji minējums. Tādas tehnoloģijas kāelektroniskās plauktu etiķetesun IoT sensori arvien vairāk tiek izmantoti, lai novērstu šo redzamības trūkumu, - automātiski tverot plaukta stāvokļus, nevis paļaujoties uz manuālām pārbaudēm, kas notiek pārāk reti, lai tos varētu izmantot.

Kāpēc tradicionālā sortimenta optimizācija neizdodas

Lielākā daļa sortimenta stratēģiju ir labi{0}}izstrādātas uz papīra. Lūk, kur tie praksē sabojājas.

1. kļūmes režīms: vēsturiskie dati tiek optimizēti pagātnei

Pārdošanas vēsture parāda, ko klienti iegādājās saskaņā ar nosacījumiem, kas pastāvēja laikā -, izmantojot pieejamo sortimentu par noteiktajām cenām. Tas nevar pateikt, ko klienti vēlējās, bet nevarēja atrast. Ātri mainīgajās kategorijās līdz brīdim, kad tendence skaidri parādās vēsturiskajos datos, darbības laiks bieži vien jau ir pagājis.

2. kļūmes režīms: centralizēti lēmumi, vietējā realitāte

Kad lēmumi par sortimentu tiek pieņemti tikai galvenajā mītnē, veikala{0}}līmeņa nianses tiek aprēķinātas vidēji. Produkts ar viduvēju pārdošanas apjomu valstī, bet labi veiktspējas konkrētos veikalu veidos var tikt noņemts. Standartizēta planogramma tiek izvietota veikalos ar ievērojami atšķirīgiem plauktu izmēriem un pircēju demogrāfiskajiem datiem.

3. atteices režīms: datu tvertnes rada nepilnīgus lēmumus

Mazumtirdzniecības organizācijas ģenerē datus par vairākām - pārdošanas punktu-sistēmām-pārdošanai, krājumiem, lojalitātei, e-komercijai un-veikala sensoriem. Kategoriju pārvaldnieki strādā no vienas datu kopas. Piegādes ķēde strādā no cita. Veikala darbības no trešdaļas. Neviens no šiem uzskatiem nav pilnīgs, un lēmumi, kas pieņemti no jebkura atsevišķa tvertnes, radīs problēmas, kas redzamas tikai citā.

4. atteices režīms: Planogrammu atbilstība ir zemāka, nekā domā štābs

Planogramma nodrošina vērtību tikai tad, ja tā tiek izpildīta pareizi un konsekventi. Lielākajā daļā mazumtirdzniecības tīklu atbilstības rādītāji ievērojami atšķiras veikalos -, un galvenais birojs parasti nezina, kamēr tas nav novērtēts. Ja novērtējat produkta plaukta veiktspēju, pamatojoties uz pārdošanas datiem, bet šis produkts trīs mēnešus ir bijis nepareizā pozīcijā 20% jūsu veikalu, jūsu veiktspējas dati nav uzticami. Sapratnecik bieži tiek atsvaidzināti plaukta datiir tieši saistīta ar šo mērījumu precizitāti.

5. kļūmes režīms: daudzkanālu signāli paliek nelasīti

Klientu uzvedība tiešsaistē ir bagātīgs sortimenta informācijas avots, ko lielākā daļa fizisko mazumtirgotāju ignorē. Nulles-rezultātu meklēšana jūsu e-komercijas platformā parāda tieši to, ko klienti meklē, kas jums nav līdzi. Liela-pārlūkošana, zema{5}}iepirkšanās tendence atklāj pieprasījumu, kas var būt nepieciešams-veikalā novērtēt pirms reklāmguvuma. Klients, kurš meklē produktu tiešsaistē, konstatē, ka tas nav pieejams un aiziet, neģenerē datus veikala sistēmā -veikalā -, taču datu trūkums pats par sevi ir signāls, ja veidojat procesu, lai tos iegūtu. Sākuma punkts ir tiešsaistes meklēšanas un pārlūkošanas datu savienošana ar kategoriju plānošanas darbplūsmu, pat neoficiāli.

Kā AI uzlabo sortimenta lēmumus

Manuāla sortimenta pārvaldība simtiem veikalu un desmitiem tūkstošu SKU ir sasniegusi izklājlapu un periodisko pārskatu atbalsta robežas. AI sniedz ieguldījumu īpašos, izmērāmos veidos.

Veikala{0}}līmeņa pieprasījuma prognozēšana.Tradicionālā prognozēšana darbojas reklāmkarogu vai kopu līmenī. Mašīnmācīšanās modeļi var ģenerēt prognozes atsevišķa veikala un SKU līmenī, ņemot vērā vietējos faktorus - apkaimes demogrāfiskos datus, tuvumā esošo konkurenci, sezonālās mikro-tendences -, kas plašākiem modeļiem ir vidējais rādītājs. Šī precizitāte padara lokalizētus sortimenta lēmumus par pamatotiem, nevis pieņemtiem.

SKU racionalizācija.Ne katrs produkts nopelna savu vietu. AI modeļi var noteikt, kuri SKU patērē plauktu nekustamo īpašumu un krājumu kapitālu bez samērīgas atdeves -, ņemot vērā peļņas daļu, aizstāšanas efektu un groza ietekmi. Būtiskākā atšķirība ir starp lēnām-kustībām, kas kalpo lojālai nišai, un lēnām{4}}, kurām vienkārši ir zema veiktspēja. AI var atšķirt šos divus tādā mērogā, kādu nevar veikt manuālā analīze.

Dinamiskā cenu noteikšana un veicināšanas pasākumu saskaņošana.Lēmumi par sortimentu nepastāv atrauti no cenu noteikšanas. AI-vadītsdinamiska cenu noteikšanavar saskaņot reklāmas aktivitātes ar sortimenta veiktspēju reāllaikā -, samazinot neatbilstību starp plānoto un to, uz ko klienti faktiski reaģē plaukta līmenī.

Izpildes uzraudzība.Datorredzes un sensoru dati var noteikt planogrammas novirzes, neprasot pilnīgu manuālu auditu. Virzība iekšāplauktu etiķešu tehnoloģijair padarījuši automatizētu plauktu{0}}stāvokļa uzraudzību arvien pieejamāku vidēja lieluma-mazumtirgotājiem, ne tikai lielajām ķēdēm.

Piecu{0}}pakāpju sistēma ieviešanai

Lielākā daļa mazumtirgotāju zina sortimenta optimizācijas jautājumus. Mazākiem ir skaidrs sākumpunkts. Šis ietvars ir paredzēts lietošanai jebkurā mērogā.

1. darbība: pārbaudiet savu pašreizējo sortimentu

Pirms kaut ko optimizēt, izveidojiet godīgu bāzes līniju. Kāds ir jūsu pašreizējais krājumu izpārdošanas līmenis pēc kategorijas un veikala? Kuri SKU veido zemāko pārdošanas decili uz kvadrātpēdu? Kur ir lielākās atšķirības starp plānoto sortimentu un faktisko plauktu pieejamību? Ja nevarat atbildēt uz šiem jautājumiem ar uzticamiem datiem, tas pats par sevi ir vissvarīgākais atklājums - un signāls, lai ieguldītu redzamībā, pirms investēt optimizācijas rīkos. Strukturētabāzes ROI aprēķinsvar palīdzēt kvantitatīvi noteikt, kur ir vislielākās{0}}ietekmes nepilnības, pirms veicat jebkādu pieeju.

2. darbība: definējiet veikalu kopas

Ne visos veikalos ir jābūt vienādam sortimentam, taču pilnīgi unikāls sortiments katram veikalam ir funkcionāli nepārvaldāms. Veikalu klasterizācija novērš šīs galējības, grupējot vietas ar jēgpilni līdzīgiem pieprasījuma profiliem. Efektīvas klasteru veidošanas pamatā ir faktiskā pirkuma uzvedība - groza sastāvs, kategorijas ātrums, pircēja misijas modeļi -, nevis pieņemtie demogrāfiskie dati. Lielākā daļa mazumtirgotāju darbojas ar četrām līdz astoņām kopām atkarībā no tīkla lieluma un formātu daudzveidības. Pareizais skaitlis ir tas, kurā katra klastera darbība patiešām ir pietiekami atšķirīga, lai garantētu atšķirīgu produkta veidni.

3. darbība: integrējiet savus datu avotus

Sortimenta optimizācija ir tik laba, cik labi ir dati, kas to baro. Jums ir nepieciešami vismaz SKU{1}}līmeņa pārdošanas dati pa veikaliem ar vismaz 12 mēnešu vēsturi, pašreizējiem krājumu līmeņiem un zināmiem plauktu pieejamības rādītājiem. Jautājums par to, kā tiek tverti plauktu dati, - neatkarīgi no tā, vai tiek izmantoti manuāli pārskati, ESL sistēmas vai IoT sensori -, tieši ietekmē datu svaigumu un uzticamību. Izpratne parsavienojamības iespējas plauktu datu tveršanaiir praktisks agrīns lēmums. Ideāla datu integrācija nav priekšnoteikums, lai sāktu lietotni -, taču jums ir jāsaprot datu nepilnības un latentums, lai varētu uzticēties to izvadei.

4. darbība: iestatiet optimizācijas noteikumus un aizsargmargas

AI modeļiem un optimizācijas algoritmiem ir nepieciešami ierobežojumi. Ne katram lēmumam jābūt automatizētam. Skaidri definējiet, kuri lēmumi var tikt izpildīti automātiski -, piemēram, papildināšanas aktivizētāji liela-ātruma SKU - un kuriem ir nepieciešama cilvēka pārbaude, piemēram, produkta noņemšana no kopas. Aizsargmargas aizsargā arī pret kļūdām, ko rada automatizētās sistēmas, kad dati ir nepilnīgi. Izplatīts piemērs: algoritms iesaka izņemt produktu, jo tā pārdošanas apjomi ir zemi, ja faktiskais iemesls ir pastāvīgi krājumi, ko pārdošanas dati neatšķir no zemā pieprasījuma.Cenas un pieejamības displeja kļūdasir saistīti darbības kļūmes režīms, kuru vērts saprast pirms automatizācijas ieviešanas.

5. darbība: mēriet, mācieties un atkārtojiet

Sortimenta optimizācija ir nepārtraukts process, nevis vienreizējs{0}}projekts. Iestatiet regulāru pārskatīšanas ritmu - vismaz reizi ceturksnī stratēģiskiem lēmumiem, reizi mēnesī taktiskajiem pielāgojumiem. Veidojiet strukturētas atgriezeniskās saites cilpas starp centrālo kategoriju komandām un uzglabājiet -līmeņa veiktspējas datus. Uztveriet katru plānošanas ciklu kā eksperimentu: izveidojiet hipotēzi, ieviesiet izmaiņas, novērtējiet rezultātu, izmantojiet šo mācīšanos nākamajā ciklā. Organizācijas, kas iegūst vislielāko vērtību no šī procesa, nav tās, kurām ir vismodernākie rīki. Tie ir tie, kas ir izveidojuši ieradumu konsekventi mācīties no datiem.

Seši KPI mērīšanas sortimenta optimizācijai

Izsekojiet visas sešas metrikas veikala līmenī, nevis tikai apkopotā veidā. Tīkla-līmeņa vidējie rādītāji bieži slēpj veikalus, kur problēmas ir visakūtākās - un kur ir vislielākās optimizācijas iespējas.

Sortimenta optimizācija tiešsaistes un fiziskajos kanālos

Mazumtirgotājiem, kas darbojas fiziskajos un digitālajos kanālos, lēmumus par sortimentu nevar pārvaldīt atsevišķi.Mazumtirdzniecības videir mainījies: klienti nepārtraukti pārvietojas starp kanāliem, un dati no katra kanāla var palīdzēt pieņemt lēmumus citā kanālā.

Tiešsaistē kā sortimenta signāls.Nulles-rezultātu meklēšana jūsu e-komercijas platformā ir tiešs rādītājs sortimenta nepilnībām - klientiem, kas precīzi norāda, ko viņi vēlas, bet jums nav līdzi. Liela-pārlūkošana, zema-iepirkšanās tendence var norādīt uz produktiem, kurus klienti vēlas klātienē novērtēt pirms pirkšanas, un tas ietekmē-veikalu klāstu. Saskaņā arMcKinsey pētījums, tagad vairāk nekā 70% patērētāju sagaida personalizētu pieredzi -, kas attiecas gan uz produktu pieejamību, gan uz saziņu.

Vienots pret diferencētu sortimentu.Tas, vai jūsu tiešsaistes un{0}}veikala sortimentam ir jāsakrīt, ir atkarīgs no jūsu veikala formāta un klientu uzvedības. Vienots sortiments vienkāršo darbības un nodrošina tīrākus pieprasījuma datus, bet liek fiziskajiem veikaliem veikt tiešsaistes kataloga sarežģītību, ko nevar uzņemt lielākajā daļā formātu. Diferencēta pieeja -, kurā fiziskie veikali nodrošina augstas{4}}ātruma kodolu, savukārt tiešsaistes kanāls apstrādā garo asti -, darbojas labi, ja abi kanāli pilda patiesi atšķirīgus iepirkšanās uzdevumus. Lēmuma ietvars ir vienkāršs: ja klienti regulāri meklē tiešsaistē un veic reklāmguvumus-veikalā, līdzināšanai ir nozīme. Ja tiešsaistes un-veikalu pircēji lielā mērā ir atšķirīgas mērķauditorijas, diferencēšana var būt efektīvāka.

Kur sākt.Vispraktiskākais ievades punkts ir e-{0}}nulles e-komercijas-rezultātu meklēšanas datu savienošana ar kategoriju plānošanas pārskatu. Nav nepieciešamas jaunas tehnoloģijas - kategoriju pārvaldnieku pārskatīto neveiksmīgo meklēšanas vaicājumu ikmēneša eksportēšana var atklāt sortimenta nepilnības, kuras{4}}veikala pārdošanas dati nekad neatklās. Savienojot to pārī aruzlabota plaukta{0}}līmeņa datu tveršanafiziskajos veikalos rada slēgtu cilpu starp tiešsaistes signāliem un veikala izpildi{0}}.

Kā tas izskatās praksē

Tālāk minētie scenāriji parāda, kā sortimenta optimizācijas principi tiek piemēroti visos mazumtirdzniecības formātos. Šie ir ilustratīvi piemēri, nevis konkrētu uzņēmumu gadījumu izpēte.

Pārtikas preces: vietējā pieprasījuma maskēšana apkopotos datos.Reģionālā pārtikas preču ķēde plāno sortimentu, izmantojot apkopotus kategoriju datus. Etnisko pārtikas produktu kategorijas - konkrētos apkaimēs - ir pastāvīgi pārstāvētas nepietiekami, jo to pārdošanas apjomi samazinās, sasniedzot reklāmkaroga līmeni. Uz klasteriem- balstīta pieeja, kas balstīta uz faktisko groza sastāvu, atklāj, ka tas, kas izskatījās pēc zema kategorijas pieprasījuma noteiktās veikalu grupās, bija strukturāla datu apkopošanas problēma. Šo veikalu veidņu pielāgošana, lai atspoguļotu vietējo pirkumu paradumus, novērš plaisu. Iespējojošais faktors nav jaunā tehnoloģija -, tā ir pieprasījuma datu sadalīšana pēc veikala, nevis pēc reklāmkaroga. Labāka redzamība, izmantojot tādus rīkus kāelektroniskās plauktu etiķetes pārtikas preču veikalosatbalsta pastāvīgu mērījumu par to, vai šie pielāgotie sortimenti faktiski tiek izpildīti.

Mode: long{0}}tail SKU pārvaldība.Speciāls apģērbu mazumtirgotājs piedāvā vairākus tūkstošus aktīvu SKU sezonā. Produktivitātes pārskats atklāj, ka ievērojama klāsta daļa rada nesamērīgi mazu ieņēmumu daļu, vienlaikus patērējot plānošanas, krājumu un papildināšanas resursus. Analīzē ir izdalītas divas vājāk veikto produktu grupas: SKU bez identificējamas lojālas klientu bāzes un negatīvas vietas -līdz-maržas ieguldījumam, un SKU ar zemu kopējo apjomu, bet augstu atkārtotu pirkumu līmeni noteiktā pircēju segmentā. Pirmā grupa tiek pakāpeniski likvidēta. Otrais tiek saglabāts ar pielāgotu telpas sadalījumu. Rezultāts ir šaurāks diapazons, kas ir vieglāk izpildāms un mazāka iespēja radīt nogurumu lēmumu pieņemšanā plaukta līmenī.

Ērtības mazumtirdzniecība: izpildes ātrums kā atšķirības faktors.Neliela -formāta ērtību ķēde darbojas vietās, kur katrai kvadrātpēdai ir liela-likme, un krājumu izpārdošanas izmaksas palielina zemie krājumu buferi. Ierobežojošais faktors nav sortimenta plāns -, tas ir laiks starp preču izbeigšanu un veikala partnera reakciju uz to. Šīs atšķirības samazināšana, izmantojot automātisku plauktu uzraudzību, nevis paļaujoties uz ieplānotām manuālām pārbaudēm, tieši un izmērāmi ietekmē{5}}veikalu pieejamību augstas{6}}maržas impulsa kategorijām.

Bieži uzdotie jautājumi

Kas ir sortimenta optimizācija mazumtirdzniecībā?

Sortimenta optimizācija ir process, kurā nepārtraukti tiek atlasīts un uzlabots katrā veikalā piedāvātais produktu klāsts, lai palielinātu pārdošanas apjomu, peļņu un klientu apmierinātību. Atšķirībā no vienreizējas-sortimenta plānošanas, tajā ir integrēti reāllaika-dati un nepārtraukti veiktspējas pārskati, lai produktu izvēle būtu saskaņota ar faktisko pieprasījumu.

Kāda ir atšķirība starp sortimenta plānošanu un sortimenta optimizāciju?

Sortimenta plānošana ir periodisks, centralizēts process - parasti sezonāls vai ikgadējs -, kas nosaka, kuri produkti ir jāpārvadā, pamatojoties uz vēsturiskajiem datiem. Sortimenta optimizācija notiek nepārtraukti. Tas ietver reāllaika-signālus un uzglabā-līmeņa veiktspējas datus, lai pielāgotu sortimentu, mainoties apstākļiem. Plānošana nosaka sākotnējo virzienu; optimizācija saglabā to kalibrētu.

Kā AI uzlabo sortimenta optimizāciju?

AI nodrošina veikala{0}}pieprasījuma prognozēšanu, kas pārsniedz klasteru vidējos rādītājus, identificē zemas veiktspējas SKU, vienlaikus ņemot vērā aizstāšanas efektus, ģenerē planogrammas ieteikumus, pamatojoties uz pašreizējo pārdošanas ātrumu, un apstrādā reāllaika signālus - laikapstākļus, vietējos notikumus, konkurentu darbību -, ko manuālās plānošanas ciklos nevar iekļaut laikā, lai rīkoties.

Kādi ir visizplatītākie iemesli, kāpēc sortimenta optimizācija neizdodas?

Pieci visbiežāk sastopamie kļūmju režīmi: pārmērīga{0}}paļaušanās uz vēsturiskiem datiem, kas nevar aptvert pašreizējo pieprasījumu; centralizēta lēmumu{1}}pieņemšana, kurā netiek ņemtas vērā vietējās atšķirības; siled datu sistēmas, kas rada nepilnīgu attēlu; planogrammas atbilstība ir zemāka, nekā pieļauj galvenā mītne; un nespēja iekļaut tiešsaistes pieprasījuma signālus, kas atklāj neredzamas nepilnības tikai veikala pārdošanas datos.

Kādi KPI man būtu jāseko, lai optimizētu sortimentu?

Visnoderīgākie rādītāji ir krājumu izpārdošanas līmenis, -vidējais pārdošanas līmenis, SKU produktivitāte (ieņēmumi vai peļņa uz plaukta vietas vienību), planogrammas atbilstības līmenis, kategorijas peļņas ieguldījums un klastera pieprasījuma izlīdzināšana (atšķirība starp plānoto sortimentu un faktisko pārdošanu -kopas līmenī). Izsekojiet tiem visiem veikala līmenī, nevis tikai apkopojumā.

Cik ilgi notiek ieviešana?

Pamata audita un klasteru{0}}optimizācijas ietvaru parasti var izveidot dažu mēnešu laikā, izmantojot esošos datus. Sarežģītākai AI-vadītai nepārtrauktai optimizācijai ir nepieciešams spēcīgāks datu pamats, un var paiet 12–18 mēneši, līdz tā pilnībā darbojas. Sākot ar auditu, gandrīz vienmēr tiek atklāti ātri pieejamie panākumi, pirms ir nepieciešama jauna tehnoloģija.

Vai mazāki mazumtirgotāji var gūt labumu no sortimenta optimizācijas?

Jā. Principi tiek piemēroti neatkarīgi no mēroga -, lai saprastu, kuri produkti nopelna vietu, izsekot krājumu biežumam un veidot atgriezeniskās saites starp pārdošanas datiem un lēmumiem par produktiem, ir nozīmīgi jebkura lieluma darbībai. Mazākiem mazumtirgotājiem var nebūt vajadzīgas uzņēmuma AI platformas; bezmaksas vai zemu izmaksu-analīzes rīki var atbalstīt noderīgu optimizāciju, pamatojoties uz tiem jau esošajiem datiem. Izvēlotieslabā plaukta etiķetes risinājumsir viens praktisks sākumpunkts datu ieguves uzlabošanai bez ievērojamiem ieguldījumiem infrastruktūrā.

Kādi dati man ir nepieciešami, lai sāktu?

Vismaz: SKU{0}}līmeņa pārdošanas dati pa veikaliem ar vismaz 12 mēnešu vēsturi, pašreizējie krājumu līmeņi un daži plauktu pieejamības rādītāji -, pat manuāli krājumu pārskati. Pamatojoties uz šiem pamatiem, varat veikt jēgpilnu auditu, noteikt savas lielākās-ietekmes iespējas un izveidot datu uzlabošanas plānu. Perfekti dati nav priekšnoteikums. Noderīga optimizācija ir iespējama ar nepilnīgiem datiem, ja vien jūs saprotat un ņemat vērā to nepilnības.

Kur sākt

Sortimenta optimizācija sniedz vislielāko vērtību, ja tā darbojas kā nepārtraukta cilpa - analizē veiktspēju, pielāgo produktu klāstu, izpilda-veikalā, mēra rezultātus un atkārto. Mazumtirgotāji, kuri visefektīvāk izveido šo iespēju, ne vienmēr ir tie, kas vispirms iegulda vismodernākajos rīkos. Viņi ir tie, kas sāk ar godīgiem datiem par to, kur viņu pašreizējais sortiments nedarbojas, un veido organizatoriskos ieradumus, lai konsekventi rīkoties, pamatojoties uz šiem datiem.

Ja sākat no nulles, nekavējoties var veikt četras darbības: palaidiet krājumu un SKU produktivitātes auditu, izmantojot jau esošos datus; pārskatiet savu veikalu klastera definīcijas, salīdzinot ar faktisko pirkšanas paradumu, nevis pieņemto demogrāfisko informāciju; savienojiet savus e-komercijas nulles-rezultātu meklēšanas datus ar kategoriju plānošanas darbplūsmu; un definējiet, kuri sortimenta lēmumi ir jāautomātiski, nevis jāpārskata cilvēkam pirms izpildes.

Katru no tiem var izdarīt pirms jaunas tehnoloģijas iegādes -, un katrs no tiem nodrošinās skaidrāku pārskatāmību par to, kur ieguldījumi tehnoloģijās faktiski novirzīs adatu.