بهینه سازی مجموعه چیست؟

بهینه سازی مجموعه، رشته ای است که این شکاف را برطرف می کند. از طریق داده‌ها، یادگیری مستمر و اجرای در سطح ذخیره- آنچه را که دفتر مرکزی تصمیم می‌گیرد به آنچه که مشتریان واقعاً در قفسه پیدا می‌کنند - متصل می‌کند. این راهنما شامل چیستی آن، چرایی شکست اکثر رویکردها، نحوه اجرای آن و نحوه اندازه‌گیری نتایج می‌شود.

بهینه سازی مجموعه در مقابل برنامه ریزی مجموعه: تفاوت چیست؟

این دو اصطلاح اغلب به جای هم استفاده می شوند. آنها فرآیندهای اساسا متفاوتی را توصیف می کنند.

برنامه ریزی مشخص می کند که مجموعه شما چگونه باید باشد. بهینه سازی تضمین می کند که در واقع - را انجام می دهد و با تغییر شرایط بهبود می یابد.

سه لایه که در آن تصمیمات مجموعه گرفته می شود و گم می شود

اکثر خرده فروشان در لایه اول سرمایه گذاری زیادی می کنند. بزرگترین شکاف عملکرد در دو مورد دیگر وجود دارد.

لایه استراتژیک: چه چیزی بفروشیم

اینجاست که تصمیم‌گیری در سطح{0}}رده‌بندی اتفاق می‌افتد: کدام محصولات فضای قفسه را به دست می‌آورند، برچسب خصوصی چگونه در برابر مارک‌های ملی تعادل دارد، و هر دسته چه نقشی در استراتژی کلی فروشگاه بازی می‌کند. تصمیم‌گیری‌ها در اینجا در دفتر مرکزی گرفته می‌شوند و بر اساس داده‌های بازار و معیارهای رقابتی هدایت می‌شوند و در چرخه‌های طولانی تغییر می‌کنند.

خطر: داده های انبوه، تنوع محلی را پنهان می کند. محصولی با فروش ملی قابل قبول ممکن است در 40 درصد فروشگاه ها عملکرد ضعیف و در 30 درصد دیگر بیش از حد باشد. میانگین ها سیگنال را پنهان می کنند.

لایه تاکتیکی: کجا و چگونه آن را بفروشیم

لایه تاکتیکی استراتژی را به برنامه‌های{0}مکانی خاص تبدیل می‌کند: خوشه‌بندی فروشگاه، طراحی پلانوگرام، و قوانین تجاری. اینجاست که مجموعه‌ای واقعاً محلی می‌شود - یک فروشگاه شهری با تراکم-بالا دارای محدودیت‌های فضایی، الگوهای ترافیکی پیاده و مأموریت‌های خریدار نسبت به قالب حومه شهر است.

خطر: تصمیمات در این سطح همچنان به شدت به مفروضات متکی هستند تا سیگنال‌های سطح{0} ذخیره واقعی. مجموعه‌ها ممکن است به‌خوبی-روی کاغذ بومی‌شده به نظر برسند، در حالی که در عمل به طور کلی ناهماهنگ باقی می‌مانند.

لایه عملیاتی: آنچه در واقع به دست مشتری می رسد

اینجاست که بهینه سازی مجموعه موفق یا بی سر و صدا شکست می خورد. لایه عملیاتی واقعیت فیزیکی را که مشتریان با آن مواجه می‌شوند منعکس می‌کند: اینکه کدام محصولات در قفسه هستند، آیا پلانوگرام‌ها به درستی اجرا می‌شوند، آیا تبلیغات قابل مشاهده هستند یا خیر، و آیا انبارها به سرعت کشف و حل می‌شوند.

بدون مشاهده{0}}زمان واقعی در اجرای فروشگاه، هر تصمیم بالادستی تا حدی حدس و گمان است. فناوری هایی مانندبرچسب قفسه الکترونیکیو حسگرهای اینترنت اشیا به طور فزاینده‌ای برای بستن این شکاف دید - استفاده می‌شوند که حالت‌های قفسه‌ای را به‌طور خودکار ثبت می‌کند، به جای تکیه بر ممیزی‌های دستی که به ندرت اتفاق می‌افتد و قابل عمل نیست.

چرا بهینه سازی مجموعه سنتی شکست می خورد؟

بیشتر استراتژی های مجموعه به خوبی-روی کاغذ طراحی شده اند. اینجا جایی است که آنها در عمل شکست می خورند.

حالت شکست 1: داده های تاریخی برای گذشته بهینه می شوند

تاریخچه فروش به شما می گوید که مشتریان در شرایطی که در آن زمان وجود داشت - با مجموعه ای که در دسترس بود، با قیمت هایی که تعیین شده بود، چه چیزی خریدند. نمی تواند به شما بگوید که مشتریان چه چیزی می خواستند اما نتوانستند پیدا کنند. در دسته‌های متحرک سریع{{3}، زمانی که یک روند به وضوح در داده‌های تاریخی ظاهر می‌شود، پنجره عمل اغلب قبلاً سپری شده است.

حالت شکست 2: تصمیمات متمرکز، واقعیت محلی

هنگامی که تصمیمات مجموعه به طور کامل در دفتر مرکزی گرفته می شود،{0}}ظرافت سطح فروشگاه به طور میانگین کاهش می یابد. ممکن است محصولی با فروش ملی متوسط ​​اما عملکرد قوی در انواع فروشگاه‌های خاص از فهرست حذف شود. یک پلانوگرام استاندارد شده در فروشگاه‌هایی با ابعاد قفسه‌ها و جمعیت‌شناسی خریداران متفاوت استقرار می‌یابد.

حالت شکست 3: سیلوهای داده تصمیمات ناقص تولید می کنند

سازمان‌های خرده‌فروشی داده‌ها را در چندین سیستم - نقطه-فروش، موجودی، وفاداری،-تجارت الکترونیک و حسگرهای فروشگاهی- تولید می‌کنند. مدیران دسته از یک مجموعه داده کار می کنند. زنجیره تامین از دیگری کار می کند. ذخیره عملیات از یک سوم. هیچ یک از این نماها کامل نیست و تصمیمات اتخاذ شده از هر سیلو تنها مشکلاتی را ایجاد می کند که فقط در دیگری قابل مشاهده است.

حالت شکست 4: انطباق پلانوگرام کمتر از آن چیزی است که دفتر مرکزی فکر می کند

یک پلانوگرام تنها زمانی ارزش ارائه می دهد که به درستی و به طور مداوم اجرا شود. در اکثر شبکه‌های خرده‌فروشی، نرخ‌های انطباق در فروشگاه‌های - به‌طور قابل‌توجهی متفاوت است و دفتر مرکزی معمولاً تا زمانی که اندازه‌گیری نشود، از آن مطلع نیست. اگر عملکرد قفسه یک محصول را بر اساس داده‌های فروش ارزیابی می‌کنید، اما آن محصول به مدت سه ماه در 20٪ فروشگاه‌های شما در موقعیت اشتباهی قرار داشته است، داده‌های عملکرد شما قابل اعتماد نیستند. درک کردنتعداد دفعاتی که داده های قفسه به روز می شوندمستقیماً با دقت این اندازه گیری ها مرتبط است.

حالت شکست 5: سیگنال های همه کانال خوانده نمی شوند

رفتار مشتری آنلاین یک منبع غنی از اطلاعات مجموعه ای است که اکثر خرده فروشان فیزیکی آن را نادیده می گیرند. جستجوهای صفر-نتایج در پلتفرم-تجارت الکترونیکی شما دقیقاً به شما نشان می‌دهد که مشتریان دقیقاً به دنبال چه چیزی هستند که شما حمل نمی‌کنید. الگوهای خرید بالا-مرور، کم- تقاضایی را نشان می‌دهد که ممکن است قبل از تبدیل به ارزیابی در فروشگاه نیاز داشته باشد. مشتری که محصولی را به صورت آنلاین جستجو می‌کند، آن را در دسترس نمی‌بیند و آن را ترک می‌کند، هیچ داده‌ای در-سیستم فروشگاه - تولید نمی‌کند، اما اگر فرآیندی را برای ثبت آن بسازید، عدم وجود داده خود یک سیگنال است. نقطه شروع این است که داده‌های جستجو و مرور آنلاین خود را به گردش کار برنامه‌ریزی دسته‌بندی خود، حتی غیررسمی، متصل کنید.

چگونه هوش مصنوعی تصمیمات مجموعه را بهبود می بخشد

مدیریت مجموعه دستی در صدها فروشگاه و ده‌ها هزار SKU به محدودیت‌های صفحه‌گسترده و بررسی‌های دوره‌ای رسیده است. هوش مصنوعی به روش های خاص و قابل اندازه گیری کمک می کند.

ذخیره{0}}پیش‌بینی سطح تقاضا.پیش‌بینی سنتی در سطح بنر یا خوشه عمل می‌کند. مدل‌های یادگیری ماشینی می‌توانند پیش‌بینی‌هایی را در سطح فروشگاه و SKU ایجاد کنند، که عوامل محلی - جمعیت محله، رقابت در نزدیکی، ریز-روندهای فصلی- را در نظر می‌گیرد که مدل‌های گسترده‌تر به طور متوسط ​​از آن فاصله دارند. این ریزه کاری چیزی است که تصمیمات دسته بندی محلی را به جای فرضی قابل دفاع می کند.

منطقی سازی SKUهر محصولی فضای خود را به دست نمی آورد. مدل‌های هوش مصنوعی می‌توانند شناسایی کنند که کدام SKU از املاک و مستغلات قفسه‌ای و سرمایه موجودی بدون بازدهی متناسب - که سهم حاشیه، اثرات جایگزینی، و تأثیر سبد را در نظر می‌گیرد، مصرف می‌کنند. تمایز اساسی بین حرکت‌های آهسته-که به یک جایگاه وفادار خدمت می‌کنند و حرکت‌های کند-که به سادگی عملکرد ضعیفی دارند، است. هوش مصنوعی می تواند در مقیاسی بین این دو تمایز قائل شود که تجزیه و تحلیل دستی نمی تواند.

قیمت گذاری پویا و تراز تبلیغاتی.تصمیمات مجموعه ای جدا از قیمت گذاری وجود ندارد. مبتنی بر هوش مصنوعیقیمت گذاری پویامی‌تواند فعالیت‌های تبلیغاتی را با عملکرد مجموعه‌ای در زمان واقعی - هماهنگ کند و عدم تطابق بین آنچه برنامه‌ریزی شده بود و آنچه مشتریان واقعاً در سطح قفسه به آن پاسخ می‌دهند کاهش دهد.

نظارت بر اجراداده های بینایی و حسگر رایانه می توانند انحرافات پلانوگرام را بدون نیاز به ممیزی دستی کامل شناسایی کنند. پیشرفت درتکنولوژی برچسب قفسهنظارت بر وضعیت قفسه خودکار را به طور فزاینده ای برای خرده فروشان- متوسط، نه فقط زنجیره های بزرگ، در دسترس قرار داده اند.

یک چارچوب پنج مرحله‌ای- برای پیاده‌سازی

اکثر خرده فروشان مسائل بهینه سازی مجموعه را می دانند. تعداد کمتری نقطه شروع روشن دارد. این چارچوب به گونه ای طراحی شده است که در هر مقیاسی قابل استفاده باشد.

مرحله 1: مجموعه فعلی خود را حسابرسی کنید

قبل از بهینه سازی هر چیزی، یک خط پایه صادقانه ایجاد کنید. نرخ موجودی فعلی شما بر اساس طبقه بندی و فروشگاه چقدر است؟ کدام SKU ها دهک پایین فروش را در هر فوت مربع ایجاد می کنند؟ بیشترین شکاف بین مجموعه برنامه ریزی شده و در دسترس بودن قفسه واقعی کجاست؟ اگر نمی‌توانید با داده‌های قابل اعتماد به این سؤالات پاسخ دهید، این خود مهم‌ترین یافته - و سیگنال سرمایه‌گذاری روی دید قبل از سرمایه‌گذاری در ابزارهای بهینه‌سازی است. ساختارمندمحاسبه ROI پایهمی تواند کمک کند قبل از انجام هر رویکردی، بیشترین-شکاف تأثیر را تعیین کنید.

مرحله 2: خوشه های فروشگاه خود را تعریف کنید

همه فروشگاه ها نباید مجموعه یکسانی داشته باشند، اما مجموعه ای کاملا منحصر به فرد برای هر فروشگاه از نظر عملیاتی غیرقابل مدیریت است. خوشه‌بندی فروشگاه این افراط‌ها را با گروه‌بندی مکان‌هایی با پروفایل‌های تقاضای مشابه به‌طور معنی‌داری برطرف می‌کند. خوشه بندی موثر بر اساس رفتار خرید واقعی - ترکیب سبد، سرعت دسته، الگوهای ماموریت خریدار - است نه بر اساس جمعیت شناسی فرضی. اکثر خرده فروشان بسته به اندازه شبکه و تنوع قالب با چهار تا هشت خوشه کار می کنند. عدد مناسب عددی است که در آن هر خوشه واقعاً به اندازه کافی متفاوت رفتار می کند تا یک الگوی محصول متمایز را تضمین کند.

مرحله 3: منابع داده خود را یکپارچه کنید

بهینه سازی مجموعه فقط به اندازه داده هایی است که آن را تغذیه می کند. حداقل، به داده‌های فروش سطح{1}SKU بر اساس فروشگاه با حداقل 12 ماه سابقه، سطح موجودی فعلی و مقداری معیار در دسترس بودن قفسه نیاز دارید. این سؤال که چگونه داده‌های قفسه - از طریق گزارش‌های دستی، سیستم‌های ESL یا حسگرهای IoT - جمع‌آوری می‌شوند، مستقیماً بر تازگی و قابلیت اطمینان داده‌ها تأثیر می‌گذارد. درک کردنگزینه های اتصال برای ضبط داده های قفسهیک تصمیم اولیه عملی است. یکپارچه سازی کامل داده ها پیش نیازی برای شروع - نیست، اما قبل از اینکه به خروجی آن اعتماد کنید باید شکاف ها و تأخیر داده های خود را درک کنید.

مرحله 4: قوانین و حفاظ های بهینه سازی را تنظیم کنید

مدل‌های هوش مصنوعی و الگوریتم‌های بهینه‌سازی به محدودیت‌هایی نیاز دارند. هر تصمیمی نباید خودکار باشد. به وضوح مشخص کنید که کدام تصمیم‌ها می‌توانند به طور خودکار اجرا شوند - مانند محرک‌های بازپرداخت برای SKUهای سریع- که نیاز به بررسی انسانی دارند، مانند حذف یک محصول از فهرست. گاردریل ها همچنین در برابر خطاهایی که سیستم های خودکار در صورت ناقص بودن داده ها مرتکب می شوند، محافظت می کند. یک مثال معمول: یک الگوریتم حذف یک محصول را توصیه می‌کند زیرا فروش آن کم است، در صورتی که علت واقعی موجودی‌های مداوم است که داده‌های فروش آن را از تقاضای کم متمایز نمی‌کند.خطاهای نمایش قیمت و در دسترس بودنیک حالت خرابی عملیاتی مرتبط هستند که ارزش درک قبل از معرفی اتوماسیون را دارند.

مرحله 5: اندازه گیری، یادگیری، و تکرار

بهینه سازی مجموعه یک فرآیند مستمر است، نه یک پروژه- یک بار. یک ریتم مرور منظم - هر سه ماهه حداقل برای تصمیمات استراتژیک، ماهانه برای تنظیمات تاکتیکی تنظیم کنید. حلقه‌های بازخورد ساختاری بین تیم‌های دسته مرکزی ایجاد کنید و داده‌های عملکرد سطح{4}} را ذخیره کنید. هر چرخه برنامه ریزی را به عنوان یک آزمایش در نظر بگیرید: یک فرضیه ایجاد کنید، یک تغییر را اجرا کنید، نتیجه را اندازه گیری کنید، از آن یادگیری در چرخه بعدی استفاده کنید. سازمان‌هایی که بیشترین ارزش را از این فرآیند استخراج می‌کنند، سازمان‌هایی نیستند که پیشرفته‌ترین ابزارها را دارند. آنها کسانی هستند که عادت یادگیری مداوم از داده ها را ایجاد کرده اند.

شش KPI برای اندازه گیری بهینه سازی مجموعه

تمام شش معیار را در سطح فروشگاه دنبال کنید، نه فقط در مجموع. میانگین‌های سطح شبکه{1}}معمولاً فروشگاه‌هایی را پنهان می‌کنند که در آن مشکلات حادتر هستند - و بیشترین فرصت‌های بهینه‌سازی وجود دارد.

بهینه سازی مجموعه در کانال های آنلاین و فیزیکی

برای خرده‌فروشانی که در کانال‌های فیزیکی و دیجیتالی فعالیت می‌کنند، تصمیمات مجموعه‌ای را نمی‌توان به صورت مجزا مدیریت کرد.محیط خرده فروشیتغییر کرده است: مشتریان به طور روان بین کانال ها حرکت می کنند و داده های هر کانال می تواند تصمیم گیری در کانال دیگر را تعیین کند.

آنلاین به عنوان سیگنال مجموعه.جستجوهای صفر-نتایج در پلت‌فرم تجارت الکترونیک- شما نشانگر مستقیم شکاف‌های مجموعه - مشتریانی است که دقیقاً به شما می‌گویند چه چیزی را می‌خواهند و شما حمل نمی‌کنید. الگوهای خرید بالا-مرور، کم-ممکن است محصولاتی را نشان دهد که مشتریان می‌خواهند قبل از خرید شخصاً ارزیابی کنند، که پیامدهایی برای محدوده-فروشگاه دارد. با توجه بهتحقیق مک کینزی، بیش از 70٪ از مصرف کنندگان اکنون انتظار تجربه های شخصی را دارند - انتظاری که برای در دسترس بودن محصول به همان اندازه که برای ارتباطات اعمال می شود.

مجموعه یکپارچه در مقابل متمایز.اینکه مجموعه‌های فروشگاه آنلاین و{0}} شما باید همراستا باشند به قالب فروشگاه و رفتار مشتری شما بستگی دارد. مجموعه یکپارچه عملیات را ساده‌تر می‌کند و داده‌های تقاضای پاک‌تری تولید می‌کند، اما فروشگاه‌های فیزیکی را مجبور می‌کند تا پیچیدگی یک کاتالوگ آنلاین را تحمل کنند که اکثر فرمت‌ها نمی‌توانند آن را تطبیق دهند. یک رویکرد متمایز - که در آن فروشگاه‌های فیزیکی دارای هسته مرکزی-با سرعت بالا هستند در حالی که کانال آنلاین دم بلند را کنترل می‌کند - زمانی که این دو کانال مأموریت‌های خرید واقعاً متفاوتی را ارائه می‌کنند، به خوبی کار می‌کند. چارچوب تصمیم گیری ساده است: اگر مشتریان مرتباً به صورت آنلاین جستجو کرده و در{7}}فروشگاه تبدیل کنند، همسویی اهمیت دارد. اگر خریداران آنلاین و{9}}فروشگاه تا حد زیادی مخاطبان متمایز باشند، ممکن است تمایز کارآمدتر باشد.

از کجا شروع کنیم.کاربردی ترین نقطه ورود، اتصال داده های جستجوی -تجارت صفر-به بررسی برنامه ریزی دسته بندی شما است. نیازی به فناوری جدیدی نیست - صادر کردن ماهانه عبارت‌های جستجوی ناموفق که توسط مدیران دسته‌ها بررسی می‌شود، می‌تواند شکاف‌های مجموعه‌ای را نشان دهد که در{4}}داده‌های فروش فروشگاه هرگز آشکار نخواهد شد. جفت کردن این بابهبود سطح قفسه{0}}گرفتن دادهدر فروشگاه‌های فیزیکی یک حلقه بسته بین سیگنال‌های آنلاین و{0}}اجرای فروشگاه ایجاد می‌کند.

این در عمل چگونه به نظر می رسد

سناریوهای زیر چگونگی اعمال اصول بهینه‌سازی مجموعه‌ای را در قالب‌های خرده‌فروشی نشان می‌دهند. اینها نمونه های گویا هستند، نه مطالعات موردی خاص شرکت.

مواد غذایی: پوشش تقاضای محلی در داده های کل.یک زنجیره خواربار فروشی منطقه ای مجموعه ها را با استفاده از داده های دسته جمعی برنامه ریزی می کند. دسته‌های غذایی قومیتی - عملکردهای قوی در محله‌های خاص - به طور مداوم کمتر ارائه می‌شوند، زیرا فروش آن‌ها زمانی که تا سطح بنر قرار می‌گیرد کاهش می‌یابد. یک رویکرد مبتنی بر خوشه{4}} که بر اساس ترکیب واقعی سبد ساخته شده است، نشان می‌دهد که آنچه در گروه‌های فروشگاهی خاص تقاضای دسته‌بندی پایین به نظر می‌رسد، در عوض یک مشکل تجمیع داده‌های ساختاری است. تنظیم الگوهای آن فروشگاه ها برای انعکاس رفتار خرید محلی، شکاف را از بین می برد. عامل فعال‌کننده، فناوری جدید نیست - آن است که داده‌های تقاضا را بر اساس فروشگاه جدا می‌کند تا بر اساس بنر. دید بهتر از طریق ابزارهایی مانندبرچسب قفسه های الکترونیکی در فروشگاه های مواد غذاییاز اندازه‌گیری مداوم در مورد اینکه آیا آن مجموعه‌های تعدیل‌شده واقعاً اجرا می‌شوند یا خیر، پشتیبانی می‌کند.

مد:-مدیریت SKU دم بلند.یک خرده فروش پوشاک تخصصی چندین هزار SKU فعال در هر فصل دارد. بررسی بهره‌وری نشان می‌دهد که بخش قابل‌توجهی از محدوده، سهم نامتناسب کمی از درآمد را در حین مصرف برنامه‌ریزی، موجودی و منابع تکمیلی ایجاد می‌کند. تجزیه و تحلیل دو گروه از عملکردهای ضعیف را از هم جدا می‌کند: SKU‌هایی بدون پایگاه مشتری وفادار قابل شناسایی و فضای منفی--برای سهم حاشیه، و SKUهایی با حجم کلی پایین اما نرخ تکرار خرید بالا در میان یک بخش خریدار خاص. گروه اول به تدریج حذف می شود. دومی با تخصیص فضای تنظیم شده حفظ می شود. نتیجه یک محدوده محدودتر است که اجرای آن آسان تر است و احتمال ایجاد خستگی تصمیم در سطح قفسه کمتر است.

خرده فروشی راحتی: سرعت اجرا به عنوان متمایز کننده.یک زنجیره سهولت با فرمت کوچک-در مکان‌هایی کار می‌کند که هر فوت مربع دارای سهام-بالا است و هزینه ذخیره‌سازی با بافرهای موجودی کم افزایش می‌یابد. عامل محدود کننده طرح مجموعه نیست - بلکه زمان بین عرضه انبار و پاسخ یکی از همکاران فروشگاه به آن است. کاهش این شکاف از طریق نظارت خودکار قفسه، به جای تکیه بر بررسی‌های دستی برنامه‌ریزی‌شده، تأثیر مستقیم و قابل اندازه‌گیری بر-در دسترس بودن فروشگاه برای دسته‌های ضربه‌ای حاشیه{6} بالا دارد.

سوالات متداول

بهینه سازی مجموعه در خرده فروشی چیست؟

بهینه سازی مجموعه، فرآیند انتخاب و اصلاح مداوم ترکیب محصول ارائه شده در هر فروشگاه برای به حداکثر رساندن فروش، حاشیه سود و رضایت مشتری است. برخلاف برنامه‌ریزی دسته‌بندی یکباره،-داده‌های زمانی واقعی و بررسی‌های عملکرد مداوم را ادغام می‌کند تا انتخاب محصول را با تقاضای واقعی هماهنگ نگه دارد.

تفاوت بین برنامه ریزی مجموعه و بهینه سازی مجموعه چیست؟

برنامه ریزی مجموعه یک فرآیند دوره ای و متمرکز - معمولاً فصلی یا سالانه - است که بر اساس داده های تاریخی مشخص می کند کدام محصولات باید حمل شوند. بهینه سازی مجموعه پیوسته است. این سیگنال‌های زمان واقعی را ترکیب می‌کند و داده‌های عملکردی را ذخیره می‌کند تا مجموعه را با تغییر شرایط تطبیق دهد. برنامه ریزی جهت اولیه را تعیین می کند. بهینه سازی آن را کالیبره نگه می دارد.

چگونه هوش مصنوعی بهینه سازی مجموعه را بهبود می بخشد؟

هوش مصنوعی پیش‌بینی سطح تقاضای ذخیره‌سازی را فعال می‌کند که فراتر از میانگین‌های خوشه‌ای است، SKUهای ضعیف را در حین محاسبه اثرات جایگزینی شناسایی می‌کند، توصیه‌های پلانوگرام را بر اساس سرعت فروش فعلی تولید می‌کند و-سیگنال‌های زمانی - واقعی آب و هوا، رویدادهای محلی، فعالیت رقیب را نمی‌تواند در برنامه‌ریزی دستی انجام دهد.

رایج ترین دلایل شکست بهینه سازی مجموعه چیست؟

پنج حالت رایج خرابی: اتکای بیش از حد-به داده‌های تاریخی که نمی‌توانند تقاضای فعلی را دریافت کنند. تصمیم گیری متمرکز-که تغییرات محلی را از دست می دهد. سیستم‌های داده‌ای که تصویری ناقص تولید می‌کنند. انطباق پلانوگرام کمتر از آنچه دفتر مرکزی فرض می کند. و عدم تلفیق سیگنال‌های تقاضای آنلاین که شکاف‌های نامرئی را در-داده‌های فروش فروشگاه نشان می‌دهد.

چه KPI هایی را برای بهینه سازی مجموعه باید ردیابی کنم؟

مفیدترین معیارها عبارتند از نرخ موجودی، فروش-از طریق نرخ، بهره‌وری SKU (درآمد یا حاشیه به ازای هر واحد فضای قفسه)، نرخ انطباق پلانوگرام، سهم حاشیه دسته‌بندی، و هم‌ترازی تقاضای خوشه (انواع بین مجموعه برنامه‌ریزی‌شده و فروش واقعی-در سطح خوشه). همه اینها را در سطح فروشگاه دنبال کنید، نه فقط در مجموع.

پیاده سازی چقدر طول می کشد؟

ممیزی پایه و چارچوب بهینه سازی مبتنی بر خوشه{0}}معمولاً می تواند ظرف چند ماه با استفاده از داده های موجود ایجاد شود. بهینه‌سازی مستمر مبتنی بر هوش مصنوعی پیشرفته‌تر-به پایه داده قوی‌تری نیاز دارد و ممکن است ۱۲ تا ۱۸ ماه طول بکشد تا به‌طور کامل عملیاتی شود. شروع با ممیزی تقریباً همیشه نشان می‌دهد که قبل از نیاز به هر فناوری جدید، برنده‌های سریع در دسترس هستند.

آیا خرده فروشان کوچکتر می توانند از بهینه سازی مجموعه سود ببرند؟

بله. اصول بدون در نظر گرفتن مقیاس - اعمال می‌شوند، درک اینکه کدام محصولات فضای خود را به دست می‌آورند، ردیابی فراوانی انبارها، و ایجاد حلقه‌های بازخورد بین داده‌های فروش و تصمیم‌گیری‌های محصول برای هر عملیات اندازه معنادار است. خرده فروشان کوچکتر ممکن است به پلتفرم های هوش مصنوعی سازمانی نیاز نداشته باشند. ابزارهای تجزیه و تحلیل رایگان یا ارزان{3}}می توانند از بهینه سازی مفید بر اساس داده هایی که از قبل دارند پشتیبانی کنند. انتخابمحلول برچسب قفسه سمت راستیک نقطه شروع عملی برای بهبود جمع آوری داده ها بدون سرمایه گذاری زیرساختی قابل توجه است.

برای شروع به چه داده هایی نیاز دارم؟

حداقل: SKU-سطح داده‌های فروش بر اساس فروشگاه با حداقل ۱۲ ماه سابقه، سطح موجودی فعلی، و مقداری معیار در دسترس بودن قفسه - حتی گزارش‌های موجودی دستی. از این پایه، می‌توانید یک ممیزی معنی‌دار انجام دهید، بالاترین{4}}فرصت‌های تأثیرگذاری خود را شناسایی کنید، و یک نقشه راه بهبود داده بسازید. داده های کامل پیش نیاز نیست. بهینه‌سازی مفید با داده‌های ناقص امکان‌پذیر است، به شرطی که شکاف‌های آن را درک کرده و به آن توجه کنید.

از کجا شروع کنیم

بهینه سازی مجموعه زمانی بیشترین ارزش را ارائه می دهد که به عنوان یک حلقه پیوسته عمل کند - عملکرد را تجزیه و تحلیل می کند، ترکیب محصول را تنظیم می کند، در- اجرا می کند، نتایج را اندازه می گیرد و تکرار می کند. خرده فروشانی که این قابلیت را به بهترین نحو ایجاد می کنند، لزوماً کسانی نیستند که ابتدا روی پیشرفته ترین ابزارها سرمایه گذاری می کنند. آنها کسانی هستند که با داده های صادقانه در مورد جایی که مجموعه فعلی آنها شکست می خورد شروع می کنند و عادات سازمانی را ایجاد می کنند تا به طور مداوم بر اساس آن داده ها عمل کنند.

اگر از ابتدا شروع می‌کنید، چهار اقدام فوراً قابل اجرا هستند: اجرای بازرسی بهره‌وری انبار و SKU با استفاده از داده‌هایی که از قبل دارید. تعاریف خوشه فروشگاه خود را بر اساس رفتار خرید واقعی به جای جمعیت شناسی فرضی بررسی کنید. داده های جستجوی -تجارت صفر-نتایج تجارت الکترونیکی خود را به گردش کار برنامه ریزی دسته بندی خود متصل کنید. و تعریف کنید که کدام تصمیمات مجموعه باید به صورت خودکار در مقابل بازبینی توسط انسان قبل از اجرا انجام شود.

هر یک از اینها را می توان قبل از خرید هر فن آوری جدید انجام داد - و هر کدام دید واضح تری را در مورد جایی که سرمایه گذاری فناوری واقعاً سوزن را حرکت می دهد ایجاد می کند.