Що таке оптимізація асортименту?

Оптимізація асортименту – це дисципліна, яка усуває цю прогалину. Він пов’язує рішення штаб-квартири з тим, що клієнти насправді знаходять на полиці - за допомогою даних, постійного навчання та-виконання на рівні магазину. Цей посібник розповідає, що це таке, чому більшість підходів не вдається, як це реалізувати та як виміряти результати.

Оптимізація асортименту проти планування асортименту: у чому різниця?

Ці два терміни часто використовуються як синоніми. Вони описують принципово різні процеси.

Планування визначає, як має виглядати ваш асортимент. Оптимізація гарантує, що він дійсно виконує - і продовжує вдосконалюватись у міру зміни умов.

Три рівні, на яких приймаються та втрачаються рішення щодо асортименту

Більшість роздрібних торговців вкладають значні кошти в перший шар. Найбільші прогалини в продуктивності спостерігаються в двох інших.

Стратегічний рівень: Що продавати

Тут приймаються-рішення на рівні категорії: які продукти займають місце на полицях, як приватна торгова марка балансує з національними брендами та яку роль кожна категорія відіграє в загальній стратегії магазину. Рішення тут приймаються в штаб-квартирі на основі ринкових даних і порівняльного аналізу конкурентів і змінюються протягом довгих циклів.

Ризик: сукупні дані маскують місцеві відмінності. Продукт із прийнятними національними продажами може мати низьку ефективність у 40% магазинів і перевищувати ефективність у інших 30%. Середні приховують сигнал.

Тактичний рівень: де і як його продати

Тактичний рівень перетворює стратегію на-спеціальні плани розташування: кластеризація магазинів, дизайн планограми та правила мерчандайзингу. Саме тут асортимент стає по-справжньому місцевим - міський магазин із великою-щільністю має інші обмеження простору, структуру відвідувачів і місії покупців, ніж приміський формат.

Ризик: рішення на цьому рівні все ще значною мірою покладаються на припущення, а не на реальні сигнали-рівня магазину. Асортименти можуть виглядати добре-локалізованими на папері, але на практиці залишатися в основному зміщеними.

Операційний рівень: що насправді досягає клієнта

Тут оптимізація асортименту вдається або тихо провалюється. Операційний рівень відображає фізичну реальність, з якою стикаються клієнти: які продукти є на полицях, чи правильно виконано планограми, чи видимі рекламні акції та чи швидко виявляються та вирішуються дефіцити.

Без-бачення в режимі реального часу виконання магазину кожне рішення на першому етапі є частково здогадками. Такі технології, якелектронні етикетки на полиціі датчики Інтернету речей все частіше використовуються, щоб усунути цю прогалину у видимості - автоматично реєструючи стани полиць, а не покладаючись на ручні перевірки, які трапляються надто рідко, щоб бути застосованими.

Чому не вдається традиційна оптимізація асортименту

Більшість асортиментних стратегій добре-продумані на папері. Ось де вони ламаються на практиці.

Режим помилки 1: історичні дані оптимізуються для минулого

Історія продажів повідомляє вам, що купували клієнти за умов, які існували на той час -, із наявним асортиментом і за встановленими цінами. Він не може сказати вам, що клієнти хотіли, але не могли знайти. У категоріях, які швидко-змінюються, коли тенденція чітко з’являється в історичних даних, вікно для дій часто вже пройдено.

Тип відмови 2: централізовані рішення, локальна реальність

Коли рішення щодо асортименту приймаються виключно в штаб-квартирі, нюанси-на рівні магазину усереднюються. Продукт із посередніми національними продажами, але високими показниками в певних типах магазинів може бути вилучено зі списку. Стандартизована планограма розгортається в магазинах із значно різними розмірами полиць і демографічними характеристиками покупців.

Режим помилки 3: накопичувачі даних виробляють неповні рішення

Організації роздрібної торгівлі генерують дані в кількох системах - торгових--датчиків, інвентаризації, лояльності, електронної-комерції та-магазинів. Менеджери категорій працюють з одного набору даних. Ланцюжок поставок працює від іншого. Операції магазину від третього. Жодне з цих представлень не є повним, і рішення, прийняті з будь-якої окремої силосу, створять проблеми, видимі лише в іншому.

Тип помилки 4: відповідність планограми нижча, ніж думають у штаб-квартирі

Планограма приносить цінність, лише якщо вона виконана правильно та послідовно. У більшості роздрібних мереж показники відповідності суттєво відрізняються в різних магазинах -, і головний офіс зазвичай не знає про це, доки не буде виміряно. Якщо ви оцінюєте ефективність продукту на полицях на основі даних про продажі, але цей продукт був у неправильному положенні в 20% ваших магазинів протягом трьох місяців, ваші дані про продуктивність ненадійні. Розумінняяк часто оновлюються дані полицібезпосередньо залежить від точності цих вимірювань.

Режим помилки 5: багатоканальні сигнали не прочитані

Поведінка покупців в Інтернеті є багатим джерелом інформації про асортимент, яку більшість фізичних продавців ігнорують. Нуль-результатів пошуку на вашій платформі електронної-комерції покаже вам саме те, що шукають клієнти, а ви не маєте. Високий-перегляд, низький-шаблони покупок показують попит, який може потребувати-оцінки в магазині перед конверсією. Клієнт, який шукає продукт в Інтернеті, виявляє, що він недоступний, і виходить, не генерує жодних даних у-системі магазину -, але ця відсутність даних сама по собі є сигналом, якщо ви створили процес для їх збору. Відправною точкою є підключення ваших даних онлайн-пошуку та перегляду до робочого процесу планування категорій, навіть неформально.

Як AI покращує асортиментні рішення

Ручне керування асортиментом у сотнях магазинів і десятках тисяч артикулів досягло межі того, що можуть підтримувати електронні таблиці та періодичні огляди. Штучний інтелект робить внесок певним, вимірним чином.

Прогноз-попиту на рівні магазину.Традиційне прогнозування працює на рівні банера або кластера. Моделі машинного навчання можуть генерувати прогнози на рівні окремого магазину та SKU, враховуючи місцеві фактори - демографічні показники сусідів, конкуренцію поблизу, сезонні мікро-тенденції -, які ширші моделі усереднюють. Ця деталізація робить рішення щодо асортименту виправданими, а не припущеними.

Раціоналізація SKU.Не кожен продукт займає своє місце. Моделі штучного інтелекту можуть визначити, які артикули споживають нерухоме майно та запаси капіталу без пропорційної прибутковості - з урахуванням маржинального внеску, ефектів заміщення та впливу кошика. Важлива різниця між повільними-компаніями, які обслуговують лояльну нішу, та повільними-компаніями, які просто погано працюють. Штучний інтелект може розрізнити їх у такому масштабі, якого не може виконати ручний аналіз.

Динамічне ціноутворення та узгодження рекламних акцій.Асортиментні рішення не існують окремо від ціноутворення. AI-керуєтьсядинамічне ціноутворенняможе узгоджувати рекламну діяльність із ефективністю асортименту в режимі реального часу - зменшуючи невідповідність між тим, що було заплановано, і тим, на що клієнти фактично реагують на рівні полиць.

Контроль за виконанням.Комп’ютерне бачення та дані датчиків можуть ідентифікувати відхилення планограми, не вимагаючи повного ручного аудиту. Аванси втехнологія етикетки на полицізробили автоматизований моніторинг-стану полиць доступнішим для середніх{1}}роздрібних торговців, а не лише для великих мереж.

П’ять{0}}схема впровадження

Більшість роздрібних торговців знають, що важливо оптимізувати асортимент. У меншої кількості є чітка відправна точка. Цей фреймворк призначений для використання в будь-якому масштабі.

Крок 1: перевірте свій поточний асортимент

Перш ніж щось оптимізувати, встановіть чесну базову лінію. Який ваш поточний рівень запасів за категоріями та магазинами? Які SKU генерують нижній дециль продажів на квадратний фут? Де найбільші розриви між запланованим асортиментом і реальною наявністю на полицях? Якщо ви не можете відповісти на ці запитання надійними даними, це саме по собі є найважливішим відкриттям - і сигналом до того, щоб інвестувати в видимість перед тим, як інвестувати в інструменти оптимізації. Структурованабазовий розрахунок рентабельності інвестиційможе допомогти кількісно визначити, де-прогалини впливу найбільші, перш ніж приступити до будь-якого підходу.

Крок 2. Визначте кластери своїх магазинів

Не всі магазини повинні мати однаковий асортимент, але абсолютно унікальний асортимент для кожного магазину неможливо керувати. Кластеризація магазинів долає ці крайнощі, групуючи місця зі значно схожими профілями попиту. Ефективна кластеризація базується на фактичній поведінці покупців - складі кошика, швидкості категорії, шаблонах місії покупця -, а не на припущених демографічних показниках. Більшість роздрібних торговців працюють із 4-8 кластерами залежно від розміру мережі та різноманітності форматів. Правильне число — це те, у якому кожен кластер справді поводиться по-різному, щоб гарантувати окремий шаблон продукту.

Крок 3: Інтегруйте свої джерела даних

Оптимізація асортименту настільки хороша, наскільки хороші дані, які її подають. Принаймні вам потрібні дані про продажі на рівні -SKU за магазином із принаймні 12-місячною історією, поточним рівнем запасів і деякою мірою наявності на полицях. Питання про те, як збираються дані на полицях - за допомогою ручних звітів, систем ESL чи датчиків IoT -, безпосередньо впливає на свіжість і надійність даних. Розумінняпараметри підключення для збору даних на полиціце практичне раннє рішення. Ідеальна інтеграція даних не є обов’язковою умовою для запуску -, але вам потрібно розуміти прогалини та затримку даних, перш ніж довіряти результатам.

Крок 4: Встановіть правила оптимізації та огородження

Моделі ШІ та алгоритми оптимізації потребують обмежень. Не кожне рішення має бути автоматизованим. Чітко визначте, які рішення можуть виконуватися автоматично -, як-от тригери поповнення для-швидкісних SKU -, а які потребують перевірки людиною, як-от видалення продукту з кластера. Огородження також захищають від помилок, які допускають автоматизовані системи, коли дані неповні. Типовий приклад: алгоритм рекомендує видалити продукт, оскільки його продажі низькі, а справжньою причиною є постійні дефіцити, які дані про продажі не відрізняють від низького попиту.Помилки відображення ціни та наявностіє пов’язаним режимом оперативних збоїв, який варто зрозуміти перед запровадженням автоматизації.

Крок 5: Вимірюйте, вивчайте та повторюйте

Оптимізація асортименту – це постійний процес, а не одноразовий-проект. Встановіть регулярний ритм перегляду - принаймні щоквартально для стратегічних рішень, щомісяця для тактичних коригувань. Створюйте структуровані цикли зворотного зв’язку між центральними командами категорій і зберігайте-дані продуктивності на рівні. Ставтеся до кожного циклу планування як до експерименту: сформуйте гіпотезу, внесіть зміни, виміряйте результат, використайте отримані знання в наступному циклі. Організації, які отримують найбільшу користь від цього процесу, не мають найдосконаліших інструментів. Це ті, хто виробив звичку постійно вчитися на даних.

Шість KPI для вимірювання оптимізації асортименту

Відстежуйте всі шість показників на рівні магазину, а не лише в сукупності. Середні-рівні мережі часто приховують магазини, де проблеми є найгострішими - та де існують найбільші можливості для оптимізації.

Оптимізація асортименту в Інтернеті та фізичних каналах

Для роздрібних продавців, які працюють через фізичні та цифрові канали, рішення щодо асортименту не можуть прийматися ізольовано.Середовище роздрібної торгівлізмінилося: клієнти плавно переміщуються між каналами, а дані з кожного каналу можуть інформувати про рішення в іншому.

Онлайн як асортиментний сигнал.Нуль-результатів пошуку на вашій-платформі електронної комерції є прямим показником прогалин в асортименті - клієнтів, які повідомляють вам саме те, чого вони хочуть, а ви не маєте. Високий-перегляд, низький-шаблони покупок можуть вказувати на продукти, які клієнти хочуть особисто оцінити перед покупкою, що впливає на-асортимент у магазині. Відповідно доДослідження McKinsey, понад 70% споживачів тепер очікують персоналізованого досвіду - очікування, яке стосується як доступності продукту, так і зв’язку.

Уніфікований або диференційований асортимент.Від формату вашого магазину та поведінки покупців залежить те, чи ваші асортименти в-магазині онлайн і в магазині мають узгоджуватися. Уніфікований асортимент спрощує операції та створює точніші дані про попит, але змушує фізичні магазини нести складність онлайн-каталогу, яку більшість форматів не можуть прийняти. Диференційований підхід -, коли фізичні магазини мають кероване високо-швидкісне ядро, тоді як онлайн-канал обробляє довгий хвіст -, добре працює, коли два канали обслуговують справді різні торговельні місії. Схема прийняття рішень проста: якщо клієнти регулярно здійснюють пошук в Інтернеті та здійснюють конверсії в-магазині, узгодженість має значення. Якщо онлайн-покупці та -покупці в магазинах є значною мірою різними аудиторіями, диференціація може бути ефективнішою.

З чого почати.Найбільш практичною точкою входу є зв’язування даних пошуку -нульових{1}}результатів електронної комерції з оглядом планування категорії. Не потрібна нова технологія - щомісячний експорт невдалих пошукових запитів, перевірених менеджерами категорій, може виявити прогалини в асортименті, які в-даних про продажі в магазині ніколи не виявляться. Поєднання цього зпокращений збір даних-на рівні полиціу фізичних магазинах створює замкнутий цикл між онлайн-сигналами та -виконанням у магазині.

Як це виглядає на практиці

Наступні сценарії ілюструють, як принципи оптимізації асортименту застосовуються до форматів роздрібної торгівлі. Це ілюстративні приклади, а не приклади конкретних компаній.

Бакалія: маскування місцевого попиту в зведених даних.Регіональна продуктова мережа планує асортимент, використовуючи зведені дані про категорії. Категорії етнічної їжі -, які мають сильні показники в певних районах -, постійно недостатньо представлені, тому що їхні продажі зменшуються, коли їх згортають до рівня банера. Кластерний-підхід, побудований на фактичному складі кошика, показує, що те, що виглядало як низька категорія попиту в певних групах магазинів, було натомість проблемою структурної агрегації даних. Налаштування шаблонів цих магазинів для відображення місцевої поведінки щодо купівлі заповнює прогалину. Сприятливим фактором є не нова технологія - це дезагрегування даних попиту за магазином, а не за банером. Краща видимість завдяки таким інструментам, якелектронні етикетки на полиці в продуктових магазинахпідтримує постійне вимірювання того, чи дійсно ці скориговані асортименти виконуються.

Мода: довго{0}}керування SKU.Роздрібний продавець спеціалізованого одягу пропонує кілька тисяч активних артикулів за сезон. Огляд продуктивності показує, що значна частина асортименту генерує непропорційно малу частку доходу, споживаючи ресурси для планування, інвентаризації та поповнення. Аналіз відокремлює дві групи неефективності: артикули без помітної бази лояльних клієнтів і негативний внесок-до-маржі та артикули з низьким загальним обсягом, але високим рівнем повторних покупок серед певного сегмента покупців. Перша група виводиться з експлуатації. Другий зберігається з відкоригованим розподілом простору. Результатом є більш вузький діапазон, який легше виконувати та менш ймовірно, що це призведе до втоми від прийняття рішень на рівні полиці.

Зручна роздрібна торгівля: швидкість виконання як відмінність.Мережа магазинів невеликого{0}}формату працює в місцях, де ставки на кожен квадратний фут-великі, а вартість дефіциту збільшується через низькі буферні запаси. Обмежуючим фактором є не асортиментний план -, а час між вичерпанням запасів і реакцією співробітника магазину на це. Зменшення цього розриву за допомогою автоматизованого моніторингу полиць, а не покладатися на планові перевірки вручну, має прямий і вимірний вплив на-доступність у магазині для категорій із високим-импульсом прибутку.

Часті запитання

Що таке оптимізація асортименту в роздробі?

Оптимізація асортименту – це процес постійного вибору та вдосконалення асортименту товарів, що пропонуються в кожному магазині, щоб максимізувати продажі, націнку та задоволеність клієнтів. На відміну від-одноразового планування асортименту, воно об’єднує дані-в реальному часі та поточні перевірки ефективності, щоб підтримувати вибір продуктів у відповідності з фактичним попитом.

У чому різниця між плануванням асортименту та оптимізацією асортименту?

Планування асортименту – це періодичний централізований процес - зазвичай сезонний або щорічний -, який визначає, які продукти продавати на основі історичних даних. Оптимізація асортименту безперервна. Він включає-сигнали в реальному часі та-дані продуктивності на рівні магазину, щоб адаптувати асортимент відповідно до змін умов. Планування задає початковий напрямок; оптимізація підтримує його калібрування.

Як ШІ покращує оптимізацію асортименту?

Штучний інтелект забезпечує-прогнозування попиту на рівні магазину, що виходить за межі середніх кластерних значень, визначає неефективні артикули, враховуючи ефекти заміщення, генерує планограмні рекомендації на основі поточної швидкості продажів і обробляє-сигнали в реальному часі - погоду, місцеві події, діяльність конкурентів -, які цикли планування вручну не можуть врахувати вчасно, щоб діяти.

Які найпоширеніші причини невдачі при оптимізації асортименту?

П’ять найпоширеніших режимів відмови: надмірна-довіра до історичних даних, які не можуть охопити поточний попит; централізоване прийняття-рішень без урахування місцевих змін; ізольовані системи даних, які створюють неповну картину; відповідність планограми нижче, ніж припускає штаб; а також неврахування онлайн-сигналів попиту, які виявляють прогалини, невидимі лише в-даних про продажі в магазинах.

Які KPI слід відстежувати для оптимізації асортименту?

Найкориснішими показниками є рівень вичерпання запасів, рівень -продажу, продуктивність SKU (дохід або маржа на одиницю полиці), рівень відповідності планограми, внесок маржі категорії та вирівнювання попиту в кластері (розбіжність між запланованим асортиментом і фактичним -продажем на рівні кластера). Відстежуйте все це на рівні магазину, а не лише в сукупності.

Скільки часу займає впровадження?

Базовий аудит і структуру-оптимізації на основі кластерів зазвичай можна розробити протягом кількох місяців, використовуючи наявні дані. Більш складна безперервна оптимізація на основі штучного інтелекту потребує міцнішої бази даних і може зайняти від 12 до 18 місяців, щоб повністю ввести її в дію. Починаючи з аудиту, майже завжди можна виявити швидкі виграші, перш ніж знадобляться нові технології.

Чи можуть невеликі ритейлери виграти від оптимізації асортименту?

так Принципи застосовуються незалежно від масштабу - розуміння того, які продукти займають своє місце, відстеження частоти вичерпання запасів і побудова циклу зворотного зв’язку між даними про продажі та рішеннями про продукт є значущими для операцій будь-якого розміру. Меншим роздрібним торговцям можуть не знадобитися корпоративні платформи ШІ; безкоштовні або недорогі-інструменти аналітики можуть підтримувати корисну оптимізацію на основі даних, які вони вже мають. Вибіррішення етикетки на правій полиціє однією з практичних відправних точок для покращення збору даних без значних інвестицій в інфраструктуру.

Які дані мені потрібні для початку?

Щонайменше: дані про продажі-на рівні SKU за магазином із принаймні 12-місячною історією, поточним рівнем запасів і певною мірою наявності на полицях - навіть звіти про запаси вручну. На цій основі ви можете провести значущий аудит, визначити можливості для найбільшого-впливу та створити дорожню карту покращення даних. Ідеальні дані не є обов’язковою умовою. Корисна оптимізація можлива з недосконалими даними, якщо ви розумієте та враховуєте їх прогалини.

З чого почати

Оптимізація асортименту забезпечує найбільшу цінність, коли вона працює як безперервний цикл - аналізує продуктивність, коригує асортимент продуктів, виконує в-магазині, вимірюває результати та повторює. Роздрібні продавці, які створюють цю можливість найбільш ефективно, не обов’язково є тими, хто спочатку інвестує в найсучасніші інструменти. Це ті, хто починає з чесних даних про те, де їхній поточний асортимент не вдається, і формує організаційні звички діяти на основі цих даних послідовно.

Якщо ви починаєте з нуля, одразу можна виконати чотири дії: запустіть перевірку запасів і продуктивність SKU, використовуючи дані, які у вас уже є; перевірте визначення кластерів магазинів порівняно з фактичною поведінкою покупців, а не з припущеними демографічними показниками; зв’яжіть свої -не{1}}результати пошуку електронної комерції з робочим процесом планування категорій; і визначте, які рішення щодо асортименту повинні бути автоматизованими, а які перевірятися людиною перед виконанням.

Кожне з них можна зробити до того, як буде закуплено будь-яку нову технологію -, і кожне дасть змогу чіткіше зрозуміти, куди інвестиції в технологію фактично рухатимуть голку.