Mitä on valikoiman optimointi?

Valikoiman optimointi on tieteenala, joka korjaa tämän puutteen. Se yhdistää pääkonttorin päätöksen siihen, mitä asiakkaat todella löytävät hyllyltä - datan, jatkuvan oppimisen ja kauppa-tason suoritusten avulla. Tämä opas kattaa mitä se on, miksi useimmat lähestymistavat epäonnistuvat, kuinka se toteutetaan ja kuinka tuloksia mitataan.

Valikoiman optimointi vs. valikoiman suunnittelu: mitä eroa on?

Näitä kahta termiä käytetään usein vaihtokelpoisina. Ne kuvaavat pohjimmiltaan erilaisia ​​prosesseja.

Suunnittelu määrittelee, miltä valikoimasi tulee näyttää. Optimointi varmistaa, että se todella toimii - ja paranee jatkuvasti olosuhteiden muuttuessa.

Kolme kerrosta, joissa valikoimapäätökset tehdään ja menetetään

Useimmat jälleenmyyjät investoivat voimakkaasti ensimmäiseen kerrokseen. Suurimmat suorituskykyaukot elävät kahdessa muussa.

Strateginen kerros: Mitä myydä

Tässä tapahtuu luokkatason{0}}päätökset: mitkä tuotteet ansaitsevat hyllytilaa, kuinka yksityinen tuotemerkki tasapainottaa kansallisia brändejä ja mikä rooli kullakin kategorialla on myymälästrategiassa. Päätökset tehdään pääkonttorissa markkinatietojen ja kilpailukykyisen vertailuanalyysin sekä pitkien syklien muutoksen johdosta.

Riski: aggregoidut tiedot peittävät paikallisen vaihtelun. Hyväksyttävän kansallisen myynnin tuote voi olla huonompi 40 prosentissa myymälöistä ja ylitehokas toisessa 30 prosentissa. Keskiarvot piilottavat signaalin.

Taktinen kerros: missä ja miten myydä se

Taktinen kerros muuttaa strategian sijaintikohtaisiksi{0}}suunnitelmiksi: myymälöiden klusterointi, suunnitelmasuunnittelu ja myyntisäännöt. Täällä valikoimasta tulee aidosti paikallinen - tiheä-kaupungin myymälässä on erilaiset tilarajoitukset, jalankulkumallit ja ostotehtävät kuin esikaupunkimuodossa.

Riski: tämän tason päätökset perustuvat edelleen vahvasti oletuksiin todellisten kauppatason{0}}signaalien sijaan. Lajitelmat voivat näyttää hyvin-lokalisoidulta paperilla, mutta käytännössä ne voivat olla hyvinkin epätasaisia.

Operatiivinen kerros: Mikä todella saavuttaa asiakkaan

Tässä lajitelman optimointi onnistuu tai epäonnistuu hiljaa. Toiminnallinen kerros heijastaa asiakkaiden kohtaamaa fyysistä todellisuutta: mitkä tuotteet ovat hyllyssä, toteutuvatko planogrammit oikein, ovatko tarjoukset näkyvissä ja saadaanko varastot kiinni ja selvitettyä nopeasti.

Ilman reaaliaikaista{0}}näkyvyyttä kaupan toteutukseen, jokainen alkupään päätös on osittain arvailua. Tekniikat kutenelektroniset hyllyetiketitja IoT-antureita käytetään yhä useammin tämän näkyvyysvajeen umpeen - tallentamalla hyllyn tilat automaattisesti sen sijaan, että luottaisivat manuaalisiin tarkastuksiin, joita tapahtuu liian harvoin voidakseen toimia.

Miksi perinteinen valikoiman optimointi epäonnistuu

Useimmat valikoimastrategiat ovat hyvin{0}}suunniteltuja paperilla. Tässä ne hajoavat käytännössä.

Vikatila 1: Historialliset tiedot optimoidaan menneisyyteen

Myyntihistoria kertoo, mitä asiakkaat ostivat ajankohtana - vallinneilla ehdoilla saatavilla olevalla valikoimalla määritellyillä hinnoilla. Se ei voi kertoa sinulle, mitä asiakkaat halusivat, mutta eivät löytäneet. Nopeasti muuttuvissa luokissa siihen mennessä, kun trendi näkyy selkeästi historiallisissa tiedoissa, toimintaikkuna on usein jo ohitettu.

Vikatila 2: Keskitetyt päätökset, paikallinen todellisuus

Kun valikoimapäätökset tehdään kokonaan pääkonttorissa, myymälätasoinen vivahde lasketaan{0}}keskiarvoiseksi. Tuote, jonka valtakunnallinen myynti on keskinkertainen, mutta jolla on vahva suorituskyky tietyissä myymälätyypeissä, voidaan poistaa luettelosta. Standardoitu planogrammi otetaan käyttöön myymälöissä, joiden hyllymitat ja ostajien demografiset tiedot vaihtelevat merkittävästi.

Vikatila 3: Tietosiilot tuottavat epätäydellisiä päätöksiä

Vähittäiskauppaorganisaatiot luovat tietoja useiden järjestelmien - myyntipisteen--myyntipisteen, varaston, uskollisuuden, verkkokaupan ja-myymäläantureiden välillä. Luokkapäälliköt työskentelevät yhdestä tietojoukosta. Toimitusketju toimii toisesta. Kauppatoiminta kolmannelta puolelta. Mikään näistä näkemyksistä ei ole täydellinen, ja yhdestä siilosta tehdyt päätökset aiheuttavat ongelmia, jotka näkyvät vain toisessa.

Vikatila 4: Planogrammien yhteensopivuus on alhaisempi kuin päämaja luulee

Planogrammi tuottaa arvoa vain, jos se suoritetaan oikein ja johdonmukaisesti. Useimmissa vähittäismyyntiverkostoissa vaatimustenmukaisuusaste vaihtelee huomattavasti myymälöittäin -, ja pääkonttori ei yleensä tiedä, ennen kuin se on mitattu. Jos arvioit tuotteen hyllyn suorituskykyä myyntitietojen perusteella, mutta tuote on ollut väärässä paikassa 20 %:ssa myymälöistäsi kolmen kuukauden ajan, tehokkuustietosi ovat epäluotettavia. Ymmärtäminenkuinka usein hyllytiedot päivitetäänon suoraan sidottu näiden mittausten tarkkuuteen.

Vikatila 5: Monikanavaiset signaalit jäävät lukematta

Online-asiakaskäyttäytyminen on rikas valikoimatietojen lähde, jonka useimmat fyysiset jälleenmyyjät jättävät huomiotta. Nolla-tuloshaut verkkokauppa-alustallasi näyttävät sinulle tarkalleen, mitä asiakkaat etsivät, mutta joita sinulla ei ole. Korkea-selailu, alhainen-ostomalli paljastaa kysynnän, joka saattaa edellyttää myymälän-arviointia ennen muuntamista. Asiakas, joka etsii tuotetta verkosta, huomaa sen olevan poissa ja lähtee, ei luo tietoja myymäläjärjestelmässä -myymäläjärjestelmässä -, mutta tietojen puuttuminen on itsessään signaali, jos rakennat prosessin sen keräämiseksi. Lähtökohtana on verkkohaku- ja selaustietosi yhdistäminen luokkasuunnittelun työnkulkuun, jopa epävirallisesti.

Kuinka tekoäly parantaa valikoimapäätöksiä

Manuaalinen valikoimanhallinta sadoissa myymälöissä ja kymmenissä tuhansissa SKU-tuotteissa on saavuttanut laskentataulukoiden ja määräaikaisten tarkistusten tukemisen rajat. Tekoäly vaikuttaa erityisillä, mitattavissa tavoilla.

Myymälätason-kysyntäennusteet.Perinteinen ennustaminen toimii banneri- tai klusteritasolla. Koneoppimismallit voivat luoda ennusteita yksittäisen myymälän ja SKU-tasolla ottaen huomioon paikalliset tekijät - naapuruston demografiset tiedot, lähialueen kilpailu, kausiluonteiset mikro-trendit -, jotka laajemmat mallit ovat keskimäärin pois. Tämä tarkkuus tekee paikallisista valikoimapäätöksistä pikemminkin puolusteltavia kuin oletettuja.

SKU:n rationalisointi.Kaikki tuotteet eivät ansaitse tilaansa. Tekoälymallit voivat tunnistaa, mitkä SKU:t kuluttavat hyllykiinteistöjä ja varastopääomaa ilman suhteellista tuottoa - ottaen huomioon marginaalin, korvausvaikutukset ja korivaikutuksen. Kriittinen ero on hitaita-liikkeitä, jotka palvelevat uskollista markkinarakoa, ja hitaita{4}}liikkujia, jotka yksinkertaisesti eivät toimi. Tekoäly pystyy erottamaan nämä kaksi siinä mittakaavassa, jota manuaalinen analyysi ei pysty.

Dynaaminen hinnoittelu ja kampanjan yhdenmukaistaminen.Valikoimapäätökset eivät ole erillään hinnoittelusta. Tekoäly-ohjattudynaaminen hinnoitteluvoi sovittaa myynninedistämistoiminnan valikoiman tehokkuuteen reaaliajassa -, mikä vähentää epäsuhtaa sen välillä, mitä suunniteltiin ja mitä asiakkaat todellisuudessa reagoivat hyllytasolla.

Toteutuksen seuranta.Tietokonenäkö- ja anturidata voi tunnistaa planogrammin poikkeamat ilman täydellisiä manuaalisia tarkastuksia. Etenee sisäänhyllyetikettitekniikkaovat tehneet automaattisen hylly{0}}tilavalvonnan entistä helpommin keskikokoisten-jälleenmyyjien, ei vain suurten ketjujen, saataville.

Viisi{0}}vaiheinen kehys käyttöönotolle

Useimmat jälleenmyyjät tietävät valikoiman optimointiasiat. Harvemmalla on selkeä lähtökohta. Tämä kehys on suunniteltu käytettäväksi missä tahansa mittakaavassa.

Vaihe 1: Tarkista nykyinen valikoimasi

Ennen kuin optimoit mitään, luo rehellinen lähtökohta. Mikä on nykyinen varastotilanne luokittain ja myymälöittäin? Mitkä SKU:t tuottavat myynnin alimman desiilin neliöjalkaa kohden? Missä ovat suurimmat erot suunnitellun valikoiman ja todellisen hyllysaatavuuden välillä? Jos et pysty vastaamaan näihin kysymyksiin luotettavalla tiedolla, se on sinänsä tärkein havainto - ja signaali investoida näkyvyyteen ennen optimointityökaluihin sijoittamista. StrukturoituROI:n peruslaskelmavoi auttaa määrittämään, missä{0}}vaikutuspuutteet ovat suurimmat, ennen kuin sitoudut mihinkään lähestymistapaan.

Vaihe 2: Määritä myymäläklusterisi

Kaikissa myymälöissä ei pitäisi olla samaa valikoimaa, mutta jokaisen myymälän täysin ainutlaatuinen valikoima on toiminnallisesti hallitsematon. Myymäläklusterointi ylittää nämä äärimmäisyydet ryhmittelemällä sijainnit, joilla on merkityksellisesti samanlaiset kysyntäprofiilit. Tehokas klusterointi perustuu todelliseen ostokäyttäytymiseen - ostoskorin koostumukseen, luokan nopeuteen, ostajan tehtävänkuvioihin - ei oletettuihin väestötietoihin. Useimmat jälleenmyyjät toimivat neljästä kahdeksaan klustereita verkon koosta ja muotojen monimuotoisuudesta riippuen. Oikea numero on se, jossa jokainen klusteri käyttäytyy aidosti niin eri tavalla, että se takaa erillisen tuotemallin.

Vaihe 3: Integroi tietolähteesi

Valikoiman optimointi on vain niin hyvää kuin sitä syöttävät tiedot. Tarvitset vähintään SKU{1}}tason myyntitiedot myymälöittäin, vähintään 12 kuukauden historiasta, nykyisestä varastotasosta ja jonkin verran hyllyn saatavuudesta. Kysymys siitä, kuinka hyllytiedot kerätään - joko manuaalisten raporttien, ESL-järjestelmien tai IoT-antureiden avulla -, vaikuttaa suoraan tietojen tuoreuteen ja luotettavuuteen. Ymmärtäminenliitäntävaihtoehdot hyllytietojen keräämiseenon käytännöllinen varhainen päätös. Täydellinen tietojen integrointi ei ole edellytys - aloittamiselle, mutta sinun on ymmärrettävä tietosi aukot ja viive ennen kuin luotat niiden tuottoon.

Vaihe 4: Aseta optimointisäännöt ja suojakaiteet

Tekoälymallit ja optimointialgoritmit tarvitsevat rajoituksia. Kaikkia päätöksiä ei pidä automatisoida. Määrittele selkeästi, mitkä päätökset voidaan suorittaa automaattisesti -, kuten täydennyskäynnistimet suurille-nopeuksille SKU:ille - ja jotka vaativat ihmisen tarkastuksen, kuten tuotteen poistaminen klusterista. Suojakaiteet suojaavat myös virheiltä, ​​joita automaattiset järjestelmät tekevät, kun tiedot ovat epätäydellisiä. Yleinen esimerkki: algoritmi suosittelee tuotteen poistamista, koska sen myynti on vähäistä, kun todellinen syy on jatkuvat varastot, joita myyntitiedot eivät eroa alhaisesta kysynnästä.Hinta- ja saatavuusnäytössä virheitäovat asiaan liittyvät toimintahäiriötilat, jotka kannattaa ymmärtää ennen automaation käyttöönottoa.

Vaihe 5: Mittaa, opi ja toista

Valikoiman optimointi on jatkuva prosessi, ei{0}}kertaluonteinen projekti. Luo säännöllinen tarkistusrytmi - vähintään neljännesvuosittain strategisille päätöksille, kuukausittain taktisille muutoksille. Rakenna jäsenneltyjä palautesilmukoita keskeisten luokkatiimien välille ja tallenna -tason tehokkuustietoja. Käsittele jokaista suunnittelusykliä kokeiluna: muodosta hypoteesi, toteuta muutos, mittaa tulos, käytä oppimista seuraavassa syklissä. Organisaatiot, jotka saavat eniten arvoa tästä prosessista, eivät ole ne, joilla on kaikkein kehittyneimmät työkalut. He ovat rakentaneet tapana oppia tiedoista johdonmukaisesti.

Kuusi KPI:tä valikoiman optimointiin

Seuraa kaikkia kuutta mittaria myymälätasolla, ei vain koottuna. Verkko-tason keskiarvot piilottavat usein kaupat, joissa ongelmat ovat akuuteimpia - ja joissa on suurimmat optimointimahdollisuudet.

Valikoiman optimointi verkossa ja fyysisissä kanavissa

Fyysisten ja digitaalisten kanavien kautta toimivien jälleenmyyjien valikoimapäätöksiä ei voida hallita erikseen.Vähittäiskaupan ympäristöon muuttunut: asiakkaat liikkuvat kanavasta toiseen sujuvasti, ja kunkin kanavan tiedot voivat vaikuttaa päätöksiin toisessa.

Online valikoimasignaalina.Nolla-tuloshaut verkkokauppa-alustallasi ovat suora osoitus valikoiman aukoista - asiakkaista, jotka kertovat sinulle tarkalleen, mitä he haluavat, mutta et ota kantaa. Suuri-selaus, alhainen-ostotottumukset voivat viitata tuotteisiin, joita asiakkaat haluavat arvioida henkilökohtaisesti ennen ostamista, millä on vaikutusta-kauppojen valikoimaan. MukaanMcKinseyn tutkimus, yli 70 % kuluttajista odottaa nyt henkilökohtaisia ​​kokemuksia -, mikä koskee niin tuotteiden saatavuutta kuin viestintääkin.

Yhtenäinen vs. erilainen valikoima.Verkko- ja{0}}myymälävalikoimasi linjaaminen riippuu myymäläsi muodosta ja asiakkaiden käyttäytymisestä. Yhtenäinen valikoima yksinkertaistaa toimintaa ja tuottaa puhtaampaa kysyntätietoa, mutta pakottaa fyysiset myymälät kantamaan verkkoluettelon monimutkaisuuden, jota useimmat formaatit eivät voi majoittaa. Erilainen lähestymistapa -, jossa fyysisissä myymälöissä on kuratoitu, nopea-ydin, kun taas verkkokanava käsittelee pitkää häntää -, toimii hyvin, kun nämä kaksi kanavaa palvelevat aidosti erilaisia ​​ostotehtäviä. Päätöksentekokehys on yksinkertainen: jos asiakkaat tekevät säännöllisesti hakuja verkosta ja tekevät tuloksia myymälässä-, yhdenmukaistamisella on merkitystä. Jos verkko- ja-myymälässä ostajat ovat pitkälti erilaisia ​​yleisöjä, erottelu voi olla tehokkaampaa.

Mistä aloittaa.Käytännöllisin aloituskohta on yhdistää verkkokaupan nolla-tuloshakutietosi luokkasuunnittelun tarkistukseen. Uutta teknologiaa ei tarvita - luokkavastaavien tarkistamien epäonnistuneiden hakukyselyiden kuukausittainen vienti voi paljastaa valikoiman aukkoja, joita-kaupan myyntitiedot eivät koskaan paljasta. Pariliitos tämän kanssaparannettu hylly{0}}tason tiedonkeruufyysisissä myymälöissä luo suljetun silmukan verkkosignaalien ja{0}}kaupassa suorituksen välille.

Miltä tämä näyttää käytännössä

Seuraavat skenaariot havainnollistavat, kuinka valikoiman optimointiperiaatteet ovat voimassa kaikissa vähittäismyyntimuodoissa. Nämä ovat havainnollistavia esimerkkejä, eivät yrityskohtaisia ​​tapaustutkimuksia.

Päivittäistavarakauppa: paikallisen kysynnän peittäminen koostetiedoissa.Alueellinen päivittäistavaraketju suunnittelee valikoimat aggregoitujen luokkatietojen perusteella. Etniset ruokaluokat - vahvat menestyjät tietyillä kaupunginosilla - ovat jatkuvasti aliedustettuina, koska niiden myynti heikkenee, kun ne nostetaan banneritasolle. Klusteriin perustuva-lähestymistapa, joka perustuu todelliseen korin koostumukseen, paljastaa, että se, mikä näytti alhaiselta luokkien kysynnältä tietyissä kaupparyhmissä, oli pikemminkin rakenteellinen tietojen yhdistämisongelma. Näiden kauppojen mallien muokkaaminen paikallista ostokäyttäytymistä vastaavaksi kaventaa kuilun. Mahdollisuus ei ole uusi tekniikka - se erittelee kysyntätiedot myymälöittäin bannerin sijaan. Parempi näkyvyys työkaluilla, kutensähköiset hyllyetiketit ruokakaupoissatukee jatkuvaa mittausta siitä, toteutetaanko mukautettuja lajikkeita todella.

Muoti: long{0}}SKU-hallinta.Erikoisvaatteiden jälleenmyyjällä on useita tuhansia aktiivisia SKU:ita sesongin aikana. Tuottavuuskatsaus paljastaa, että merkittävä osa valikoimasta tuottaa suhteettoman pienen osuuden liikevaihdosta kuluttaen samalla suunnittelu-, varasto- ja täydennysresursseja. Analyysi erottaa kaksi heikosti toimivien ryhmää: SKU:t, joilla ei ole tunnistettavaa uskollista asiakaskuntaa ja negatiivinen tila-to-marginaaliin, ja SKU:t, joilla on alhainen kokonaisvolyymi, mutta korkeat toistuvien ostojen määrät tietyssä ostajasegmentissä. Ensimmäinen ryhmä lopetetaan vaiheittain. Toinen säilytetään säädetyllä tilanjaolla. Tuloksena on tiukempi valikoima, joka on helpompi toteuttaa ja joka vähemmän todennäköisesti aiheuttaa päätöksentekoväsymystä hyllytasolla.

Mukavuusvähittäiskauppa: suoritusnopeus erottuva tekijä.Pieni-muotoiluketju toimii paikoissa, joissa jokaisella neliöjalalla on korkeat-panokset ja varastopuskurit lisäävät varaston kustannuksia. Rajoittava tekijä ei ole valikoimasuunnitelma -, vaan aika varaston loppumisen ja siihen reagoivan liikkeen välillä. Tämän eron pienentäminen automaattisen hyllyn valvonnan avulla ajoitettujen manuaalisten tarkastusten sijaan vaikuttaa suoraan ja mitattavissa olevaan-myymälöiden saatavuuteen korkean katteen impulssiluokkien-saavuttamiseksi.

Usein kysytyt kysymykset

Mitä on valikoiman optimointi vähittäiskaupassa?

Valikoiman optimointi on prosessi, jossa valitaan ja jalostetaan jatkuvasti kussakin liikkeessä tarjottavaa tuotevalikoimaa myynnin, katteen ja asiakastyytyväisyyden maksimoimiseksi. Toisin kuin kertaluonteinen-valikoiman suunnittelu, se integroi reaaliaikaiset-tiedot ja jatkuvat tehokkuusarvioinnit, jotta tuotevalikoima pysyy todellisen kysynnän mukaisena.

Mitä eroa on valikoimasuunnittelulla ja valikoiman optimoinnilla?

Valikoimasuunnittelu on säännöllinen, keskitetty prosessi - tyypillisesti sesonki- tai vuosikohtainen -, joka määrittää kuljetettavat tuotteet historiatietojen perusteella. Valikoiman optimointi on jatkuvaa. Se sisältää reaaliaikaisia-signaaleja ja tallentaa-tason suorituskykytietoja mukauttaakseen valikoimaa olosuhteiden muuttuessa. Suunnittelu määrittää alkusuunnan; optimointi pitää sen kalibroituna.

Miten tekoäly parantaa valikoiman optimointia?

Tekoäly mahdollistaa myymälätason{0}}kysynnän ennustamisen, joka ylittää klusterin keskiarvot, tunnistaa heikosti toimivat SKU:t ja ottaa huomioon korvausvaikutukset, luo nykyiseen myyntinopeuteen perustuvia planogrammi-suosituksia ja käsittelee reaaliaikaisia-signaaleja - sään, paikallisten tapahtumien, kilpailijoiden toiminnan -, joita manuaaliset suunnittelusyklit eivät voi ottaa ajoissa huomioon toimiakseen.

Mitkä ovat yleisimmät syyt, miksi valikoiman optimointi epäonnistuu?

Viisi yleisintä vikatilaa: liiallinen{0}}luottaminen historiallisiin tietoihin, jotka eivät pysty kattamaan nykyistä kysyntää; keskitetty päätöksenteko-josta puuttuu paikallinen vaihtelu; siled tietojärjestelmät, jotka tuottavat epätäydellisen kuvan; planogrammin noudattaminen alhaisempi kuin päämaja olettaa; ja epäonnistuminen online-kysyntäsignaalien sisällyttämisessä, jotka paljastavat näkymättömiä aukkoja -kaupan myyntitiedoissa.

Mitä KPI:itä minun pitäisi seurata valikoiman optimoimiseksi?

Hyödyllisimmät mittarit ovat varastointiaste, -välitysprosentti, SKU:n tuottavuus (tulo tai marginaali hyllytilan yksikköä kohti), suunnitelman noudattamisaste, luokan marginaalin osuus ja klusterin kysynnän tasaus (suunniteltujen valikoiman ja todellisen myynnin välinen ero klusteritasolla). Seuraa kaikkia näitä myymälätasolla, ei vain koosteina.

Kuinka kauan toteutus kestää?

Perustarkastus- ja{0}}klusteripohjainen optimointikehys voidaan yleensä kehittää muutaman kuukauden kuluessa olemassa olevien tietojen perusteella. Kehittyneempi tekoäly-ohjattu jatkuva optimointi vaatii vahvemman tietoperustan ja saattaa kestää 12–18 kuukautta, ennen kuin se on täysin käytössä. Tarkastuksesta alkaen paljastuu lähes aina nopeita voittoja ennen kuin uutta teknologiaa tarvitaan.

Voivatko pienemmät jälleenmyyjät hyötyä valikoiman optimoinnista?

Kyllä. Periaatteet pätevät mittakaavasta riippumatta -. Sen ymmärtäminen, mitkä tuotteet ansaitsevat tilansa, varastointitiheyden seuranta ja palautesilmukoiden rakentaminen myyntitietojen ja tuotepäätösten välille ovat mielekkäitä kaiken kokoisille toiminnoille. Pienemmät jälleenmyyjät eivät välttämättä tarvitse yritystekoälyalustoja; ilmaiset tai edulliset-analytiikkatyökalut voivat tukea hyödyllistä optimointia heillä jo olevien tietojen perusteella. Valitsemallaoikean hyllyn etikettiratkaisuon yksi käytännöllinen lähtökohta tiedonkeruun parantamiselle ilman merkittäviä infrastruktuuri-investointeja.

Mitä tietoja tarvitsen aloittamiseen?

Vähintään: SKU{0}}-tason myyntitiedot myymälöittäin, vähintään 12 kuukauden historia, nykyiset varastotasot ja jonkin verran hyllyn saatavuutta - jopa manuaaliset varastoraportit. Tältä pohjalta voit suorittaa merkityksellisen tarkastuksen, tunnistaa suurimmat-vaikutusmahdollisuutesi ja laatia tietojen parantamissuunnitelman. Täydelliset tiedot eivät ole edellytys. Hyödyllinen optimointi on mahdollista epätäydellisillä tiedoilla, kunhan ymmärrät ja otat huomioon sen puutteet.

Mistä aloittaa

Valikoiman optimointi tuottaa eniten arvoa, kun se toimii jatkuvana silmukana - analysoi suorituskykyä, säädä tuotevalikoimaa, suorita-myymälässä, mittaa tuloksia ja toistaa. Jälleenmyyjät, jotka rakentavat tämän ominaisuuden tehokkaimmin, eivät välttämättä ole niitä, jotka investoivat ensin edistyneimpiin työkaluihin. He ovat niitä, jotka aloittavat rehellisillä tiedoilla siitä, missä heidän nykyinen valikoimansa epäonnistuu, ja rakentavat organisaatiotottumuksia toimiakseen johdonmukaisesti näiden tietojen perusteella.

Jos aloitat tyhjästä, neljä toimenpidettä on välittömästi toteutettavissa: suorita varastonpoisto ja SKU-tuottavuustarkastus käyttämällä jo olemassa olevia tietoja; vertaa kauppaklusterin määritelmät todelliseen ostokäyttäytymiseen oletetun väestörakenteen sijaan; yhdistä verkkokaupan nolla-tuloshakutietosi luokkasuunnittelun työnkulkuun; ja määrittää, mitkä valikoimapäätökset tulisi automatisoida verrattuna ihmisen tarkasteluun ennen toteuttamista.

Jokainen näistä voidaan tehdä ennen uuden teknologian hankintaa -, ja jokainen niistä antaa selkeämmän kuvan siitä, mihin teknologiainvestoinnit siirtäisivät neulan.