Tối ưu hóa phân loại là gì?

Tối ưu hóa phân loại là nguyên tắc giải quyết khoảng cách này. Nó kết nối những gì trụ sở quyết định với những gì khách hàng thực sự tìm thấy trên kệ - thông qua dữ liệu, học hỏi liên tục và thực thi cấp độ-cửa hàng. Hướng dẫn này trình bày nó là gì, tại sao hầu hết các phương pháp tiếp cận đều thất bại, cách triển khai nó và cách đo lường kết quả.

Tối ưu hóa chủng loại so với lập kế hoạch chủng loại: Sự khác biệt là gì?

Hai thuật ngữ này thường được sử dụng thay thế cho nhau. Họ mô tả các quá trình cơ bản khác nhau.

Lập kế hoạch xác định loại hàng hóa của bạn sẽ trông như thế nào. Tối ưu hóa đảm bảo nó thực sự hoạt động - và tiếp tục cải thiện khi điều kiện thay đổi.

Ba lớp nơi các quyết định phân loại được đưa ra và bị mất

Hầu hết các nhà bán lẻ đầu tư mạnh vào lớp đầu tiên. Khoảng cách hiệu suất lớn nhất nằm ở hai phần còn lại.

Lớp chiến lược: Bán gì

Đây là nơi diễn ra các quyết định ở cấp độ danh mục: sản phẩm nào giành được không gian trưng bày, nhãn hiệu riêng cân bằng như thế nào với thương hiệu quốc gia và vai trò của mỗi danh mục trong chiến lược tổng thể của cửa hàng. Các quyết định ở đây được đưa ra tại trụ sở chính, được thúc đẩy bởi dữ liệu thị trường và tiêu chuẩn cạnh tranh cũng như thay đổi theo chu kỳ dài.

Rủi ro: dữ liệu tổng hợp che giấu sự khác biệt cục bộ. Một sản phẩm có doanh số bán hàng toàn quốc chấp nhận được có thể hoạt động kém ở 40% cửa hàng và hoạt động quá tốt ở 30% cửa hàng khác. Đường trung bình ẩn tín hiệu.

Lớp chiến thuật: Bán ở đâu và như thế nào

Lớp chiến thuật chuyển chiến lược thành các kế hoạch-cụ thể theo vị trí: phân cụm cửa hàng, thiết kế sơ đồ và các quy tắc bán hàng. Đây là nơi việc phân loại thực sự trở thành địa phương - một cửa hàng đô thị có mật độ-cao có những hạn chế về không gian, mô hình lượng người qua lại và nhiệm vụ của người mua sắm khác với định dạng ở ngoại ô.

Rủi ro: các quyết định ở cấp độ này vẫn chủ yếu dựa vào các giả định thay vì các tín hiệu-cấp thực tế của cửa hàng. Các loại có thể trông-được bản địa hóa rõ ràng trên giấy trong khi nhìn chung vẫn bị sai lệch trong thực tế.

Lớp vận hành: Điều gì thực sự tiếp cận khách hàng

Đây là lúc việc tối ưu hóa phân loại thành công hoặc thất bại một cách âm thầm. Lớp vận hành phản ánh thực tế vật lý mà khách hàng gặp phải: sản phẩm nào đang có trên kệ, kế hoạch có được thực hiện chính xác hay không, chương trình khuyến mãi có hiển thị hay không và liệu tình trạng hết hàng có được nắm bắt và giải quyết nhanh chóng hay không.

Nếu không có-khả năng hiển thị theo thời gian thực trong quá trình thực thi cửa hàng, mọi quyết định ngược dòng chỉ là phỏng đoán một phần. Những công nghệ nhưnhãn kệ điện tửvà cảm biến IoT ngày càng được sử dụng nhiều hơn để thu hẹp khoảng cách về khả năng hiển thị này -, tự động ghi lại các trạng thái giá trị thay vì dựa vào kiểm tra thủ công diễn ra quá thường xuyên để có thể thực hiện được.

Tại sao tối ưu hóa phân loại truyền thống không thành công

Hầu hết các chiến lược phân loại đều được thiết kế-tốt trên giấy. Đây là nơi họ bị hỏng trong thực tế.

Chế độ thất bại 1: Tối ưu hóa dữ liệu lịch sử cho quá khứ

Lịch sử bán hàng cho bạn biết khách hàng đã mua gì theo các điều kiện tồn tại vào thời điểm đó - với chủng loại có sẵn, với mức giá đã đặt. Nó không thể cho bạn biết khách hàng muốn gì nhưng không thể tìm thấy. Trong các danh mục-chuyển động nhanh, vào thời điểm xu hướng xuất hiện rõ ràng trong dữ liệu lịch sử thì thời điểm hành động thường đã trôi qua.

Phương thức thất bại 2: Quyết định tập trung, thực tế địa phương

Khi các quyết định phân loại được đưa ra hoàn toàn tại trụ sở chính,-sắc thái cấp độ cửa hàng sẽ được tính trung bình. Một sản phẩm có doanh số bán hàng toàn quốc ở mức trung bình nhưng hoạt động mạnh mẽ ở một số loại cửa hàng cụ thể có thể bị hủy niêm yết. Một sơ đồ tiêu chuẩn hóa được triển khai trên khắp các cửa hàng có kích thước kệ và thông tin nhân khẩu học của người mua hàng khác nhau đáng kể.

Chế độ thất bại 3: Silo dữ liệu đưa ra các quyết định không đầy đủ

Các tổ chức bán lẻ tạo dữ liệu trên nhiều hệ thống - điểm{1}}điểm{2}}bán hàng, khoảng không quảng cáo, mức độ trung thành, thương mại điện tử-và cảm biến trong-cửa hàng. Người quản lý danh mục làm việc từ một tập dữ liệu. Chuỗi cung ứng hoạt động từ một chuỗi khác. Lưu trữ hoạt động từ một phần ba. Không có quan điểm nào trong số này là hoàn chỉnh và các quyết định được đưa ra từ bất kỳ bộ phận riêng lẻ nào sẽ tạo ra các vấn đề chỉ có thể nhìn thấy ở bộ phận khác.

Chế độ thất bại 4: Việc tuân thủ sơ đồ thấp hơn so với suy nghĩ của trụ sở chính

Sơ đồ chỉ mang lại giá trị nếu nó được thực hiện chính xác và nhất quán. Trong hầu hết các mạng bán lẻ, tỷ lệ tuân thủ thay đổi đáng kể giữa các cửa hàng - và trụ sở chính thường không biết cho đến khi điều đó được đo lường. Nếu bạn đang đánh giá hiệu suất kệ của một sản phẩm dựa trên dữ liệu bán hàng, nhưng sản phẩm đó đã được đặt sai vị trí tại 20% số cửa hàng của bạn trong ba tháng thì dữ liệu hiệu suất của bạn là không đáng tin cậy. Hiểu biếttần suất làm mới dữ liệu trên kệđược gắn trực tiếp với độ chính xác của các phép đo này.

Chế độ lỗi 5: Tín hiệu đa kênh không được đọc

Hành vi của khách hàng trực tuyến là một nguồn thông tin phong phú về chủng loại sản phẩm mà hầu hết các nhà bán lẻ truyền thống đều bỏ qua. Không có-kết quả tìm kiếm nào trên nền tảng thương mại điện tử-của bạn hiển thị cho bạn chính xác những gì khách hàng đang tìm kiếm mà bạn không cung cấp. Mô hình mua hàng-cao,-mua hàng thấp cho thấy nhu cầu có thể yêu cầu-đánh giá tại cửa hàng trước khi chuyển đổi. Khách hàng tìm kiếm sản phẩm trực tuyến và nhận thấy sản phẩm đó không có sẵn và không tạo ra dữ liệu nào trong-hệ thống tại cửa hàng - nhưng việc thiếu dữ liệu đó tự nó là một tín hiệu nếu bạn xây dựng quy trình để nắm bắt dữ liệu đó. Điểm bắt đầu là kết nối tìm kiếm trực tuyến và duyệt dữ liệu với quy trình lập kế hoạch danh mục của bạn, thậm chí một cách không chính thức.

AI cải thiện các quyết định phân loại như thế nào

Quản lý phân loại thủ công trên hàng trăm cửa hàng và hàng chục nghìn SKU đã đạt đến giới hạn mà bảng tính và đánh giá định kỳ có thể hỗ trợ. AI đóng góp theo những cách cụ thể, có thể đo lường được.

Dự báo nhu cầu cấp độ cửa hàng.Dự báo truyền thống hoạt động ở cấp độ biểu ngữ hoặc cụm. Mô hình học máy có thể tạo dự báo ở cấp độ cửa hàng và SKU riêng lẻ, tính đến các yếu tố địa phương - nhân khẩu học vùng lân cận, mức độ cạnh tranh lân cận, xu hướng-vi mô theo mùa - mà các mô hình rộng hơn tính trung bình. Tính chi tiết này là yếu tố làm cho các quyết định phân loại địa phương có thể được bảo vệ hơn là giả định.

Hợp lý hóa SKU.Không phải mọi sản phẩm đều có được không gian riêng. Các mô hình AI có thể xác định SKU nào đang tiêu thụ bất động sản và vốn tồn kho mà không có lợi nhuận tương ứng - tính đến đóng góp lợi nhuận, hiệu ứng thay thế và tác động đến giỏ hàng. Sự khác biệt quan trọng là giữa những công ty-chậm phục vụ một phân khúc trung thành và những công ty-chuyển động chậm chỉ đơn giản là hoạt động kém hiệu quả. AI có thể phân biệt giữa hai loại này ở quy mô mà việc phân tích thủ công không thể làm được.

Định giá linh hoạt và liên kết khuyến mãi.Các quyết định về chủng loại không tồn tại tách biệt khỏi việc định giá. AI-điều khiểnđịnh giá năng độngcó thể điều chỉnh hoạt động quảng cáo với hiệu suất phân loại trong thời gian thực - giảm sự không khớp giữa những gì đã được lên kế hoạch và những gì khách hàng thực sự phản hồi ở cấp độ kệ.

Giám sát thực hiện.Dữ liệu cảm biến và thị giác máy tính có thể xác định độ lệch của biểu đồ mà không yêu cầu kiểm tra thủ công hoàn toàn. Những tiến bộ trongcông nghệ nhãn kệđã làm cho việc giám sát trạng thái-giá hàng tự động ngày càng dễ tiếp cận hơn đối với các nhà bán lẻ cỡ trung-, không chỉ các chuỗi lớn.

Khung triển khai năm{0}}bước

Hầu hết các nhà bán lẻ đều biết vấn đề tối ưu hóa chủng loại. Ít hơn có một điểm khởi đầu rõ ràng. Khung này được thiết kế để có thể sử dụng được ở mọi quy mô.

Bước 1: Kiểm tra loại hiện tại của bạn

Trước khi tối ưu hóa bất cứ điều gì, hãy thiết lập một đường cơ sở trung thực. Tỷ lệ hết hàng hiện tại của bạn theo danh mục và theo cửa hàng là bao nhiêu? SKU nào đang tạo ra doanh số bán hàng trên mỗi foot vuông ở mức thấp nhất? Đâu là khoảng cách lớn nhất giữa việc phân loại theo kế hoạch và tình trạng sẵn có trên kệ thực tế? Nếu bạn không thể trả lời những câu hỏi này bằng dữ liệu đáng tin cậy thì đó chính là phát hiện quan trọng nhất - và là tín hiệu để đầu tư vào khả năng hiển thị trước khi đầu tư vào các công cụ tối ưu hóa. Một cấu trúctính toán ROI cơ bảncó thể giúp định lượng khoảng cách tác động-cao nhất ở đâu trước khi thực hiện bất kỳ phương pháp tiếp cận nào.

Bước 2: Xác định cụm cửa hàng của bạn

Không phải tất cả các cửa hàng đều có cùng một loại hàng hóa, nhưng việc phân loại hoàn toàn duy nhất cho mỗi cửa hàng là điều khó quản lý. Việc phân cụm lưu trữ sẽ kết nối những thái cực này bằng cách nhóm các vị trí có hồ sơ nhu cầu tương tự nhau về mặt ý nghĩa. Việc phân nhóm hiệu quả được xây dựng dựa trên hành vi mua hàng thực tế - thành phần giỏ hàng, tốc độ danh mục, mô hình sứ mệnh của người mua sắm - chứ không phải dựa trên nhân khẩu học giả định. Hầu hết các nhà bán lẻ hoạt động với bốn đến tám cụm, tùy thuộc vào quy mô mạng và sự đa dạng về định dạng. Số phù hợp là số mà mỗi cụm thực sự hoạt động đủ khác nhau để đảm bảo một mẫu sản phẩm riêng biệt.

Bước 3: Tích hợp nguồn dữ liệu của bạn

Tối ưu hóa phân loại chỉ tốt khi dữ liệu cung cấp cho nó. Tối thiểu, bạn cần có dữ liệu bán hàng ở cấp SKU-theo cửa hàng có lịch sử tồn tại ít nhất 12 tháng, mức tồn kho hiện tại và một số thước đo về tình trạng sẵn có trên kệ. Câu hỏi về cách thu thập dữ liệu trên kệ - cho dù thông qua báo cáo thủ công, hệ thống ESL hay cảm biến IoT - ảnh hưởng trực tiếp đến độ mới và độ tin cậy của dữ liệu. Hiểu biết vềtùy chọn kết nối để thu thập dữ liệu kệlà một quyết định sớm thực tế. Việc tích hợp dữ liệu hoàn hảo không phải là điều kiện tiên quyết để bắt đầu - nhưng bạn cần hiểu rõ các lỗ hổng và độ trễ của dữ liệu trước khi tin cậy vào kết quả đầu ra của nó.

Bước 4: Đặt quy tắc và rào chắn tối ưu hóa

Các mô hình AI và thuật toán tối ưu hóa cần có những ràng buộc. Không phải mọi quyết định đều nên được tự động hóa. Xác định rõ ràng những quyết định nào có thể chạy tự động - chẳng hạn như kích hoạt bổ sung cho các SKU-tốc độ cao - và quyết định nào cần có sự đánh giá của con người, chẳng hạn như xóa một sản phẩm khỏi một cụm. Lan can cũng bảo vệ khỏi các lỗi mà hệ thống tự động mắc phải khi dữ liệu không đầy đủ. Một ví dụ phổ biến: một thuật toán khuyến nghị loại bỏ một sản phẩm vì doanh số bán hàng của sản phẩm đó thấp, trong khi nguyên nhân thực tế là tình trạng hết hàng liên tục mà dữ liệu bán hàng không phân biệt được với nhu cầu thấp.Lỗi hiển thị giá và tình trạng còn hànglà một chế độ lỗi vận hành liên quan đáng được hiểu rõ trước khi áp dụng tự động hóa.

Bước 5: Đo lường, học hỏi và lặp lại

Tối ưu hóa phân loại là một quá trình liên tục, không phải là một-dự án một lần. Thiết lập nhịp độ đánh giá thường xuyên tối thiểu - hàng quý cho các quyết định chiến lược, hàng tháng cho các điều chỉnh chiến thuật. Xây dựng các vòng phản hồi có cấu trúc giữa các nhóm danh mục trung tâm và dữ liệu hiệu suất cấp{4}}lưu trữ. Hãy coi mỗi chu kỳ lập kế hoạch như một thử nghiệm: hình thành giả thuyết, thực hiện thay đổi, đo lường kết quả, sử dụng kiến ​​thức đó trong chu kỳ tiếp theo. Các tổ chức thu được nhiều giá trị nhất từ ​​quá trình này không phải là những tổ chức có những công cụ phức tạp nhất. Họ là những người đã xây dựng thói quen học hỏi từ dữ liệu một cách nhất quán.

Sáu KPI để đo lường tối ưu hóa chủng loại

Theo dõi tất cả sáu số liệu ở cấp cửa hàng, không chỉ ở cấp độ tổng hợp. Mức trung bình-ở cấp độ mạng thường ẩn các cửa hàng có vấn đề nghiêm trọng nhất - và có cơ hội tối ưu hóa lớn nhất.

Tối ưu hóa các loại trên các kênh trực tuyến và vật lý

Đối với các nhà bán lẻ hoạt động trên các kênh vật lý và kỹ thuật số, các quyết định phân loại không thể được quản lý một cách tách biệt.Môi trường bán lẻđã thay đổi: khách hàng di chuyển giữa các kênh một cách trôi chảy và dữ liệu từ mỗi kênh có thể đưa ra quyết định ở kênh kia.

Trực tuyến như một tín hiệu phân loại.Các tìm kiếm-không có kết quả trên nền tảng thương mại điện tử-của bạn là dấu hiệu trực tiếp cho thấy khoảng cách về chủng loại - khách hàng cho bạn biết chính xác những gì họ muốn mà bạn không mang theo. Mô hình mua hàng-cao,{5}}mua hàng thấp có thể cho biết các sản phẩm mà khách hàng muốn trực tiếp đánh giá trước khi mua, điều này có ý nghĩa đối với phạm vi-cửa hàng. TheoNghiên cứu của McKinsey, hơn 70% người tiêu dùng hiện mong đợi trải nghiệm được cá nhân hóa - một kỳ vọng áp dụng cho tính sẵn có của sản phẩm cũng như thông tin liên lạc.

Các loại thống nhất và khác biệt.Việc phân loại trực tuyến và tại cửa hàng -của bạn có phù hợp hay không tùy thuộc vào định dạng cửa hàng và hành vi của khách hàng. Một danh mục thống nhất giúp đơn giản hóa các hoạt động và tạo ra dữ liệu về nhu cầu rõ ràng hơn, nhưng buộc các cửa hàng thực tế phải gánh chịu sự phức tạp của một danh mục trực tuyến mà hầu hết các định dạng không thể đáp ứng được. Một cách tiếp cận khác biệt - trong đó các cửa hàng thực tế có lõi tốc độ-cao được tuyển chọn trong khi kênh trực tuyến xử lý phần đuôi dài - hoạt động tốt khi hai kênh phục vụ các nhiệm vụ mua sắm thực sự khác nhau. Khung quyết định rất đơn giản: nếu khách hàng thường xuyên tìm kiếm trực tuyến và chuyển đổi tại-cửa hàng thì sự liên kết sẽ đóng vai trò quan trọng. Nếu người mua sắm trực tuyến và{9}}tại cửa hàng phần lớn là những đối tượng riêng biệt thì việc phân biệt hóa có thể hiệu quả hơn.

Bắt đầu từ đâu.Điểm đầu vào thực tế nhất là kết nối dữ liệu tìm kiếm-không có kết quả{1}}thương mại điện tử với việc xem xét lập kế hoạch danh mục của bạn. Không yêu cầu công nghệ mới - việc xuất hàng tháng các truy vấn tìm kiếm không thành công được người quản lý danh mục xem xét có thể làm nổi bật những khoảng trống về phân loại mà dữ liệu bán hàng tại cửa hàng-sẽ không bao giờ tiết lộ. Ghép nối cái này vớiviệc thu thập dữ liệu ở cấp độ kệ được cải thiện-trong cửa hàng thực tế tạo ra một vòng khép kín giữa tín hiệu trực tuyến và việc thực hiện tại-cửa hàng.

Điều này trông như thế nào trong thực tế

Các tình huống sau đây minh họa cách áp dụng các nguyên tắc tối ưu hóa phân loại trên các hình thức bán lẻ. Đây là những ví dụ minh họa, không phải là nghiên cứu trường hợp cụ thể của công ty.

Hàng tạp hóa: che giấu nhu cầu địa phương trong dữ liệu tổng hợp.Một chuỗi cửa hàng tạp hóa trong khu vực lập kế hoạch phân loại bằng cách sử dụng dữ liệu danh mục tổng hợp. Các danh mục thực phẩm dân tộc - hoạt động hiệu quả ở các khu vực lân cận cụ thể - luôn được đánh giá thấp vì doanh số bán hàng của họ bị giảm khi tăng lên cấp biểu ngữ. Cách tiếp cận dựa trên cụm-được xây dựng dựa trên thành phần giỏ hàng thực tế cho thấy rằng nhu cầu về danh mục thấp ở một số nhóm cửa hàng nhất định thực ra lại là vấn đề tổng hợp dữ liệu mang tính cấu trúc. Việc điều chỉnh mẫu của các cửa hàng đó để phản ánh hành vi mua hàng tại địa phương sẽ thu hẹp khoảng cách. Yếu tố kích hoạt không phải là công nghệ mới - mà là phân chia dữ liệu nhu cầu theo cửa hàng thay vì theo biểu ngữ. Khả năng hiển thị tốt hơn thông qua các công cụ nhưnhãn kệ điện tử trong cửa hàng tạp hóahỗ trợ việc đo lường liên tục xem các danh mục điều chỉnh đó có thực sự được thực thi hay không.

Thời trang: quản lý SKU đuôi dài.Một nhà bán lẻ quần áo đặc biệt có vài nghìn SKU hoạt động mỗi mùa. Đánh giá năng suất cho thấy rằng một phần đáng kể của phạm vi này tạo ra một phần doanh thu nhỏ không tương xứng trong khi tiêu tốn các nguồn lực lập kế hoạch, tồn kho và bổ sung. Phân tích tách biệt hai nhóm hoạt động kém hiệu quả: SKU không có cơ sở khách hàng trung thành có thể xác định được và không có khoảng trống-cho-đóng góp lợi nhuận và SKU có khối lượng tổng thể thấp nhưng tỷ lệ mua lặp lại cao trong một phân khúc người mua cụ thể. Nhóm đầu tiên được loại bỏ dần. Thứ hai được giữ lại với sự phân bổ không gian được điều chỉnh. Kết quả là phạm vi chặt chẽ hơn, dễ thực hiện hơn và ít có khả năng tạo ra sự mệt mỏi khi đưa ra quyết định ở cấp độ giá trị.

Bán lẻ tiện lợi: tốc độ thực hiện là điểm khác biệt.Chuỗi tiện ích-định dạng nhỏ hoạt động ở những vị trí mà mỗi foot vuông đều có giá trị-cao và chi phí cho việc hết hàng sẽ tăng lên do lượng dự trữ hàng tồn kho thấp. Yếu tố hạn chế không phải là kế hoạch phân loại - mà là khoảng thời gian từ khi xảy ra tình trạng hết hàng cho đến khi nhân viên cửa hàng phản hồi lại việc đó. Việc giảm khoảng cách đó thông qua giám sát kệ tự động, thay vì dựa vào kiểm tra thủ công theo lịch trình, có tác động trực tiếp và có thể đo lường được đến-tình trạng còn hàng tại cửa hàng đối với các danh mục thúc đẩy lợi nhuận-cao.

Câu hỏi thường gặp

Tối ưu hóa chủng loại trong bán lẻ là gì?

Tối ưu hóa chủng loại là quá trình liên tục lựa chọn và tinh chỉnh hỗn hợp sản phẩm được cung cấp trong mỗi cửa hàng để tối đa hóa doanh thu, lợi nhuận và sự hài lòng của khách hàng. Không giống như lập kế hoạch phân loại một lần, nó tích hợp dữ liệu theo thời gian thực và đánh giá hiệu suất liên tục để giữ cho việc lựa chọn sản phẩm phù hợp với nhu cầu thực tế.

Sự khác biệt giữa lập kế hoạch phân loại và tối ưu hóa phân loại là gì?

Lập kế hoạch phân loại là một quy trình tập trung, định kỳ - thường theo mùa hoặc hàng năm - nhằm xác định những sản phẩm nào sẽ được cung cấp dựa trên dữ liệu lịch sử. Tối ưu hóa các loại là liên tục. Nó kết hợp các tín hiệu-thời gian thực và dữ liệu hiệu suất ở cấp độ-lưu trữ để điều chỉnh việc phân loại khi các điều kiện thay đổi. Lập kế hoạch đặt ra hướng đi ban đầu; tối ưu hóa giữ cho nó được hiệu chỉnh.

AI cải thiện việc tối ưu hóa phân loại như thế nào?

AI cho phép-dự báo nhu cầu cấp cửa hàng vượt xa mức trung bình của cụm, xác định các SKU hoạt động kém trong khi tính toán các hiệu ứng thay thế, tạo đề xuất sơ đồ dựa trên tốc độ bán hàng hiện tại và xử lý các tín hiệu-thời gian thực - thời tiết, sự kiện địa phương, hoạt động của đối thủ cạnh tranh - mà chu trình lập kế hoạch thủ công không thể kết hợp kịp thời để hành động.

Những lý do phổ biến nhất khiến việc tối ưu hóa phân loại không thành công là gì?

Năm kiểu thất bại phổ biến nhất: quá-phụ thuộc vào dữ liệu lịch sử mà không thể nắm bắt được nhu cầu hiện tại; việc ra quyết định tập trung-không có sự thay đổi cục bộ; hệ thống dữ liệu bị cô lập tạo ra một bức tranh không đầy đủ; việc tuân thủ kế hoạch thấp hơn so với giả định của trụ sở chính; và không kết hợp được các tín hiệu về nhu cầu trực tuyến làm bộc lộ những khoảng trống vô hình chỉ trong-dữ liệu bán hàng tại cửa hàng.

Tôi nên theo dõi những KPI nào để tối ưu hóa việc phân loại?

Các số liệu hữu ích nhất là tỷ lệ hết hàng, tỷ lệ bán hết, năng suất SKU (doanh thu hoặc tỷ suất lợi nhuận trên một đơn vị không gian kệ), tỷ lệ tuân thủ sơ đồ, đóng góp lợi nhuận danh mục và sự điều chỉnh nhu cầu theo cụm (sự khác biệt giữa phân loại theo kế hoạch và lượng bán thực tế-ở cấp cụm). Theo dõi tất cả những điều này ở cấp cửa hàng, không chỉ tổng hợp.

Việc thực hiện mất bao lâu?

Khung kiểm tra cơ sở và tối ưu hóa dựa trên cụm-thường có thể được phát triển trong vòng vài tháng bằng cách sử dụng dữ liệu hiện có. Việc tối ưu hóa liên tục theo hướng -AI phức tạp hơn đòi hỏi nền tảng dữ liệu mạnh hơn và có thể mất từ ​​12 đến 18 tháng để vận hành đầy đủ. Bắt đầu bằng việc kiểm toán hầu như luôn cho thấy những chiến thắng nhanh chóng có sẵn trước khi cần bất kỳ công nghệ mới nào.

Các nhà bán lẻ nhỏ hơn có thể hưởng lợi từ việc tối ưu hóa chủng loại không?

Đúng. Các nguyên tắc áp dụng bất kể quy mô - việc hiểu sản phẩm nào giành được không gian, theo dõi tần suất hết hàng và xây dựng vòng phản hồi giữa dữ liệu bán hàng và các quyết định về sản phẩm đều có ý nghĩa đối với mọi hoạt động ở quy mô. Các nhà bán lẻ nhỏ hơn có thể không cần nền tảng AI dành cho doanh nghiệp; các công cụ phân tích miễn phí hoặc{3}}chi phí thấp có thể hỗ trợ tối ưu hóa hữu ích dựa trên dữ liệu họ đã có. Lựa chọngiải pháp nhãn kệ bên phảilà một điểm khởi đầu thực tế để cải thiện khả năng thu thập dữ liệu mà không cần đầu tư cơ sở hạ tầng đáng kể.

Tôi cần dữ liệu gì để bắt đầu?

Tối thiểu: SKU-phân cấp dữ liệu bán hàng theo cửa hàng có lịch sử tồn tại ít nhất 12 tháng, mức tồn kho hiện tại và một số thước đo về tình trạng sẵn có trên kệ - thậm chí cả báo cáo hết hàng thủ công. Từ nền tảng này, bạn có thể thực hiện một cuộc kiểm tra có ý nghĩa, xác định các cơ hội có tác động-cao nhất và xây dựng lộ trình cải thiện dữ liệu. Dữ liệu hoàn hảo không phải là điều kiện tiên quyết. Có thể thực hiện tối ưu hóa hữu ích với dữ liệu không hoàn hảo, miễn là bạn hiểu và tính đến những thiếu sót của dữ liệu đó.

Bắt đầu từ đâu

Tối ưu hóa phân loại mang lại giá trị cao nhất khi nó hoạt động như một vòng lặp liên tục - phân tích hiệu suất, điều chỉnh kết hợp sản phẩm, thực thi tại-cửa hàng, đo lường kết quả và lặp lại. Những nhà bán lẻ xây dựng khả năng này một cách hiệu quả nhất không nhất thiết phải là những người đầu tư đầu tiên vào những công cụ tiên tiến nhất. Họ là những người bắt đầu với dữ liệu trung thực về những điểm không hiệu quả trong phân loại hiện tại của họ và xây dựng thói quen tổ chức để hành động nhất quán dựa trên dữ liệu đó.

Nếu bạn đang bắt đầu lại từ đầu, bốn hành động có thể thực hiện ngay lập tức: tiến hành kiểm tra năng suất tồn kho và SKU bằng cách sử dụng dữ liệu bạn đã có; xem xét các định nghĩa về cụm cửa hàng của bạn dựa trên hành vi mua hàng thực tế thay vì nhân khẩu học giả định; kết nối dữ liệu tìm kiếm về kết quả-thương mại điện tử bằng 0 với quy trình lập kế hoạch danh mục của bạn; và xác định những quyết định phân loại nào nên được tự động hóa và được con người xem xét trước khi thực hiện.

Mỗi việc trong số này có thể được thực hiện trước khi mua bất kỳ công nghệ mới nào - và mỗi việc sẽ tạo ra tầm nhìn rõ ràng hơn về nơi đầu tư công nghệ sẽ thực sự tác động đến kim chỉ nam.