Что такое оптимизация ассортимента?

Оптимизация ассортимента — это дисциплина, которая устраняет этот пробел. Он связывает решения штаб-квартиры с тем, что клиенты фактически находят на полке - посредством данных, непрерывного обучения и исполнения на уровне магазина-. В этом руководстве рассказывается, что это такое, почему большинство подходов терпят неудачу, как их реализовать и как измерить результаты.

Оптимизация ассортимента и планирование ассортимента: в чем разница?

Эти два термина часто используются как взаимозаменяемые. Они описывают принципиально разные процессы.

Планирование определяет, как должен выглядеть ваш ассортимент. Оптимизация гарантирует, что он действительно выполняет - и продолжает улучшаться по мере изменения условий.

Три уровня, на которых принимаются и теряются решения об ассортименте

Большинство ритейлеров вкладывают значительные средства в первый уровень. Наибольшие различия в производительности наблюдаются в двух других.

Стратегический уровень: что продавать

Именно здесь принимаются решения на уровне-категорий: какие продукты занимают место на полках, как частная торговая марка соотносится с национальными брендами и какую роль каждая категория играет в общей стратегии магазина. Решения здесь принимаются в штаб-квартире на основе рыночных данных и сравнительного анализа конкурентов и меняются в течение длительных циклов.

Риск: совокупные данные маскируют местные различия. Продукт с приемлемыми продажами на национальном уровне может быть неэффективным в 40% магазинов и превосходящим еще в 30%. Средние скрывают сигнал.

Тактический уровень: где и как его продать

Тактический уровень преобразует стратегию в планы,-специфичные для конкретного местоположения: группирование магазинов, дизайн планограмм и правила мерчандайзинга. Именно здесь ассортимент становится по-настоящему местным - городской магазин с высокой-плотностью имеет другие ограничения по пространству, структуру пешеходного трафика и задачи покупателей, чем пригородный формат.

Риск: решения на этом уровне по-прежнему в значительной степени основаны на предположениях, а не на реальных сигналах-уровня магазина. Ассортименты могут выглядеть хорошо-локализованными на бумаге, но на практике оставаться совершенно несогласованными.

Операционный уровень: что на самом деле доходит до клиента

Именно здесь оптимизация ассортимента успешна или незаметно терпит неудачу. Операционный уровень отражает физическую реальность, с которой сталкиваются покупатели: какие продукты находятся на полках, правильно ли выполнены планограммы, видны ли рекламные акции, быстро ли выявляются и устраняются дефициты.

Без наблюдения-в режиме реального времени каждое решение восходящего потока является частично догадкой. Такие технологии, какэлектронные ценники на полкахи датчики Интернета вещей все чаще используются для устранения этого пробела в видимости -, автоматически фиксируя состояние полок, а не полагаясь на ручные проверки, которые проводятся слишком редко, чтобы можно было принять меры.

Почему традиционная оптимизация ассортимента не дает результатов

Большинство стратегий ассортимента хорошо-проработаны на бумаге. Вот где они ломаются на практике.

Режим отказа 1: Оптимизация исторических данных с учетом прошлого

История продаж показывает, что покупатели покупали в условиях, существовавших на тот момент -, с доступным ассортиментом и по установленным ценам. Он не может сказать вам, чего хотели клиенты, но не смогли найти. В быстро меняющихся-категориях к тому времени, когда тенденция отчетливо проявляется в исторических данных, время для принятия мер часто уже проходит.

Режим неудачи 2: централизованные решения, местная реальность

Когда решения об ассортименте принимаются исключительно в штаб-квартире, нюансы на уровне магазина-усредняются. Продукт с посредственными продажами в стране, но с высокими показателями в определенных типах магазинов может быть исключен из списка. Стандартизированная планограмма применяется в магазинах с существенно разными размерами полок и демографическими данными покупателей.

Режим отказа 3: хранилища данных принимают неполные решения

Организации розничной торговли генерируют данные с помощью нескольких систем - точек--продаж, инвентаря, лояльности, электронной-коммерции и датчиков в-магазинах. Категорийные менеджеры работают с одним набором данных. Цепочка поставок работает от другого. Операции магазина от третьего. Ни одна из этих точек зрения не является полной, и решения, принятые на основе любого отдельного источника, создадут проблемы, видимые только в другом.

Режим сбоя 4: соответствие планограммы ниже, чем думает штаб-квартира

Планограмма приносит пользу только в том случае, если она выполняется правильно и последовательно. В большинстве розничных сетей показатели соответствия существенно различаются в разных магазинах -, и штаб-квартира обычно не знает об этом, пока не будет измерена эта степень. Если вы оцениваете эффективность продукта на полке на основе данных о продажах, но этот продукт в течение трех месяцев находился в неправильном месте в 20% ваших магазинов, ваши данные о производительности ненадежны. Пониманиекак часто обновляются данные о полкахнапрямую зависит от точности этих измерений.

Режим отказа 5: многоканальные сигналы остаются непрочитанными

Поведение онлайн-покупателей — богатый источник информации об ассортименте, который большинство розничных продавцов игнорирует. Поиск с нулевыми-результатами на вашей платформе электронной-торговли показывает вам именно то, что ищут клиенты, но чего у вас нет. Шаблоны с большим количеством просмотров-просмотров и низкими-покупками позволяют выявить спрос, который может потребовать оценки в-магазине перед конверсией. Покупатель, который ищет товар в Интернете, обнаруживает, что он недоступен и уходит, не генерирует никаких данных в системе магазина -, но это отсутствие данных само по себе является сигналом, если вы построите процесс для его сбора. Отправной точкой является подключение вашего онлайн-поиска и просмотра данных к рабочему процессу планирования категорий, даже неформально.

Как ИИ улучшает решения по ассортименту

Ручное управление ассортиментом в сотнях магазинов и десятках тысяч SKU достигло пределов возможностей электронных таблиц и периодических обзоров. ИИ вносит свой вклад конкретным и измеримым образом.

Прогнозирование спроса-на уровне магазина.Традиционное прогнозирование работает на уровне баннера или кластера. Модели машинного обучения могут генерировать прогнозы на уровне отдельного магазина и SKU, учитывая местные факторы - демографию района, конкуренцию поблизости, сезонные микро-тенденции -, которые усредняются более широкими моделями. Именно эта детализация делает решения по локализованному ассортименту оправданными, а не предполагаемыми.

Рационализация SKU.Не каждый продукт занимает свое место. Модели искусственного интеллекта могут определить, какие SKU потребляют полочную недвижимость и инвентарный капитал без пропорциональной доходности - с учетом вклада маржи, эффектов замещения и влияния корзины. Критическое различие проводится между медлительными-компаниями, которые обслуживают лояльную нишу, и медлительными-компаниями, которые просто неэффективны. ИИ может различать эти два явления в масштабе, который не под силу ручному анализу.

Динамическое ценообразование и согласование промоакций.Решения об ассортименте не существуют изолированно от ценообразования. управляемый искусственным интеллектом-динамическое ценообразованиеможет согласовывать рекламную деятельность с эффективностью ассортимента в режиме реального времени -, уменьшая несоответствие между тем, что было запланировано, и тем, на что фактически реагируют покупатели на уровне полки.

Мониторинг исполнения.Данные компьютерного зрения и датчиков могут выявлять отклонения планограммы, не требуя полного ручного аудита. Достижения втехнология полочных этикетоксделали автоматизированный мониторинг-состояния полок все более доступным для средних-ритейлеров, а не только для крупных сетей.

Пятиэтапная-схема реализации

Большинство ритейлеров знают, что оптимизация ассортимента важна. Меньшее число имеет четкую отправную точку. Эта структура предназначена для использования в любом масштабе.

Шаг 1. Проверьте свой текущий ассортимент

Прежде чем что-либо оптимизировать, установите честный базовый уровень. Каков ваш текущий уровень дефицита по категориям и магазинам? Какие SKU генерируют нижний дециль продаж на квадратный фут? Где наибольший разрыв между запланированным ассортиментом и фактическим наличием на полках? Если вы не можете ответить на эти вопросы с помощью надежных данных, это само по себе является наиболее важным выводом - и сигналом о необходимости инвестировать в прозрачность, прежде чем инвестировать в инструменты оптимизации. Структурированныйбазовый расчет рентабельности инвестицийможет помочь количественно оценить-наибольшие пробелы в воздействии, прежде чем переходить к какому-либо подходу.

Шаг 2. Определите кластеры магазинов

Не во всех магазинах должен быть одинаковый ассортимент, но полностью уникальный ассортимент для каждого магазина оперативно неуправляем. Кластеризация магазинов устраняет эти крайности, группируя магазины со схожими профилями спроса. Эффективная кластеризация строится на фактическом поведении покупателей -, составе корзины, скорости категорий, шаблонах миссий покупателей -, а не на предполагаемых демографических данных. Большинство ритейлеров используют от четырех до восьми кластеров, в зависимости от размера сети и разнообразия форматов. Правильный номер — это тот, где каждый кластер действительно ведет себя достаточно по-разному, чтобы гарантировать отдельный шаблон продукта.

Шаг 3. Интегрируйте свои источники данных

Оптимизация ассортимента эффективна настолько, насколько хороши данные, которые ее питают. Как минимум, вам нужны данные о продажах на уровне SKU-по магазинам с историей не менее 12 месяцев, текущими уровнями запасов и некоторыми показателями наличия на полках. Вопрос о том, как собираются данные о полках -, будь то ручные отчеты, системы ESL или датчики Интернета вещей -, напрямую влияет на актуальность и надежность данных. Пониманиеварианты подключения для сбора данных о полкахэто практическое раннее решение. Идеальная интеграция данных не является обязательным условием для запуска -, но вам необходимо понять пробелы в данных и задержки, прежде чем доверять их выводам.

Шаг 4. Установите правила оптимизации и ограничения

Модели ИИ и алгоритмы оптимизации нуждаются в ограничениях. Не каждое решение должно быть автоматизировано. Четко определите, какие решения могут приниматься автоматически -, например, инициировать пополнение запасов для быстро-SKU с высокой скоростью -, а какие требуют человеческого контроля, например исключение продукта из кластера. Ограждения также защищают от ошибок, которые допускают автоматизированные системы, когда данные неполны. Типичный пример: алгоритм рекомендует удалить продукт, потому что его продажи низкие, тогда как фактическая причина — постоянные дефициты, которые данные о продажах не отличают от низкого спроса.Ошибки отображения цен и наличияявляются ли соответствующие режимы эксплуатационных отказов, которые стоит понять, прежде чем внедрять автоматизацию.

Шаг 5. Измеряйте, изучайте и повторяйте

Оптимизация ассортимента – это непрерывный процесс, а не разовый-проект. Установите регулярный ритм проверки - минимум раз в квартал для стратегических решений и ежемесячно для тактических корректировок. Создавайте структурированные циклы обратной связи между центральными группами категорий и храните-данные о производительности на уровне. Относитесь к каждому циклу планирования как к эксперименту: сформулируйте гипотезу, внедрите изменения, измерьте результат, используйте полученные знания в следующем цикле. Организации, которые извлекают наибольшую выгоду из этого процесса, не обладают самыми сложными инструментами. Это те, кто выработал привычку последовательно учиться на данных.

Шесть ключевых показателей эффективности для измерения оптимизации ассортимента

Отслеживайте все шесть показателей на уровне магазина, а не только в совокупности. Средние значения на уровне сети-часто скрывают магазины, где проблемы наиболее острые - и где существуют наибольшие возможности оптимизации.

Оптимизация ассортимента в онлайн- и физических каналах

Для ритейлеров, работающих через физические и цифровые каналы, решения об ассортименте не могут приниматься изолированно.Розничная средаизменилось: клиенты плавно перемещаются между каналами, а данные из каждого канала могут влиять на решения в другом.

Онлайн как сигнал ассортимента.Поиск с нулевыми-результатами на вашей-платформе электронной коммерции — это прямой индикатор отсутствия ассортимента. - клиенты говорят вам, что именно они хотят, а вы не предлагаете. Частота-просмотров, низкая-структура покупок могут указывать на продукты, которые покупатели хотят оценить лично перед покупкой, что влияет на выбор товаров в-магазинах. В соответствии сИсследование McKinsey, более 70% потребителей теперь ожидают персонализированного обслуживания -, и это ожидание касается как доступности продуктов, так и коммуникаций.

Единый и дифференцированный ассортимент.Должен ли ваш ассортимент в-магазине совпадать с интернет-магазином, зависит от формата вашего магазина и поведения покупателей. Единый ассортимент упрощает операции и дает более четкие данные о спросе, но вынуждает физические магазины нести сложность онлайн-каталога, которую не могут обеспечить большинство форматов. Дифференцированный подход -, при котором физические магазины несут курируемое, быстродействующее ядро-, а онлайн-канал обрабатывает длинный хвост -, работает хорошо, когда два канала выполняют действительно разные торговые задачи. Схема принятия решений проста: если клиенты регулярно выполняют поиск в Интернете и совершают покупки в-магазине, согласованность имеет значение. Если покупатели в Интернете и-магазинах в основном представляют собой разные аудитории, дифференциация может оказаться более эффективной.

С чего начать.Самый практичный способ – связать данные поиска по электронной-нулевой-торговле с обзором планирования категории. Никаких новых технологий не требуется. - ежемесячный экспорт неудачных поисковых запросов, проверенных менеджерами категорий, может выявить пробелы в ассортименте, которые-данные о продажах в магазинах никогда не обнаружат. Соединяя это сулучшенный сбор данных-на уровне полкив обычных магазинах создает замкнутый цикл между онлайн-сигналами и-исполнением в магазине.

Как это выглядит на практике

Следующие сценарии иллюстрируют, как принципы оптимизации ассортимента применяются в различных форматах розничной торговли. Это наглядные примеры, а не примеры конкретных компаний.

Бакалея: маскирование местного спроса в совокупных данных.Региональная продуктовая сеть планирует ассортимент, используя совокупные данные о категориях. Категории этнических продуктов питания -, показавшие сильные результаты в определенных районах, - постоянно недостаточно представлены, поскольку их продажи снижаются, когда они сводятся к уровню баннеров. Кластерный-подход, основанный на фактическом составе корзины, показывает, что то, что выглядело как низкий спрос на категории в определенных группах магазинов, на самом деле было проблемой структурного агрегирования данных. Корректировка шаблонов этих магазинов с учетом местного покупательского поведения устраняет этот разрыв. Благоприятствующим фактором является не новая технология -, а дезагрегирование данных о спросе по магазинам, а не по баннерам. Лучшая видимость благодаря таким инструментам, какэлектронные ценники в продуктовых магазинахподдерживает постоянное измерение того, действительно ли эти скорректированные ассортименты выполняются.

Мода: длинное-управление артикулами.Розничный торговец специализированной одеждой продает несколько тысяч активных наименований товаров в сезон. Анализ производительности показывает, что значительная часть ассортимента генерирует непропорционально малую долю дохода, потребляя при этом ресурсы планирования, запасов и пополнения запасов. Анализ разделяет две группы отстающих: SKU без идентифицируемой лояльной клиентской базы и отрицательного пространства-до-прибыли, и SKU с низким общим объемом, но высоким уровнем повторных покупок среди определенного сегмента покупателей. Первая группа выведена из эксплуатации. Второй сохраняется с измененным распределением пространства. В результате получается более узкий диапазон, который легче реализовать и который с меньшей вероятностью вызывает усталость от принятия решений на уровне полки.

Удобная розничная торговля: скорость исполнения как отличительная черта.Небольшая-сеть магазинов повседневного спроса работает в местах, где каждый квадратный фут стоит дорого,-и стоимость дефицита увеличивается из-за низкого уровня запасов. Ограничивающим фактором является не ассортиментный план -, а время между возникновением дефицита и реагированием на него сотрудника магазина. Уменьшение этого разрыва за счет автоматического мониторинга полок, а не плановых ручных проверок, оказывает прямое и измеримое влияние на-доступность товаров в магазинах для высокоприбыльных импульсных категорий.

Часто задаваемые вопросы

Что такое оптимизация ассортимента в розничной торговле?

Оптимизация ассортимента — это процесс постоянного выбора и совершенствования ассортимента товаров, предлагаемого в каждом магазине, чтобы максимизировать продажи, прибыль и удовлетворенность клиентов. В отличие от однократного-планирования ассортимента, оно объединяет данные-в режиме реального времени и текущие обзоры производительности, чтобы выбор продуктов соответствовал фактическому спросу.

В чем разница между планированием ассортимента и оптимизацией ассортимента?

Планирование ассортимента — это периодический централизованный процесс -, обычно сезонный или ежегодный -, который определяет, какие продукты следует иметь в наличии, на основе исторических данных. Оптимизация ассортимента ведется постоянно. Он учитывает сигналы-в режиме реального времени и данные о производительности-на уровне магазина, чтобы адаптировать ассортимент по мере изменения условий. Планирование задает первоначальное направление; оптимизация сохраняет его откалиброванным.

Как ИИ улучшает оптимизацию ассортимента?

Искусственный интеллект позволяет прогнозировать спрос на-уровне магазина, выходя за рамки средних показателей по кластеру, выявлять неэффективные артикулы с учетом эффектов замещения, генерировать рекомендации по планограммам на основе текущей скорости продаж и обрабатывать-сигналы в реальном времени - о погоде, местных событиях, активности конкурентов -, которые в циклах ручного планирования невозможно вовремя учесть и отреагировать на них.

Каковы наиболее распространенные причины неудачной оптимизации ассортимента?

Пять наиболее распространенных видов ошибок: чрезмерная- зависимость от исторических данных, которые не могут отразить текущий спрос; централизованное принятие решений-без учета местных различий; разрозненные системы данных, которые дают неполную картину; соответствие планограммы ниже, чем предполагает штаб-квартира; и неспособность учесть сигналы онлайн-спроса, которые выявляют пробелы, невидимые только в-данных о продажах в магазинах.

Какие KPI следует отслеживать для оптимизации ассортимента?

Наиболее полезными показателями являются уровень дефицита,-процент продаж, производительность SKU (выручка или прибыль на единицу полочного пространства), уровень соблюдения планограммы, вклад категории в прибыль и согласованность спроса в кластере (разница между запланированным ассортиментом и фактическим объемом продаж-на уровне кластера). Отслеживайте все это на уровне магазина, а не только в совокупности.

Сколько времени занимает реализация?

Базовый аудит и структуру-оптимизации на основе кластера обычно можно разработать в течение нескольких месяцев с использованием существующих данных. Более сложная непрерывная оптимизация на базе искусственного интеллекта- требует более надежной базы данных, и для ее полной реализации может потребоваться от 12 до 18 месяцев. Начиная с аудита, почти всегда можно выявить быстрые результаты еще до того, как потребуется какая-либо новая технология.

Могут ли мелкие ритейлеры получить выгоду от оптимизации ассортимента?

Да. Эти принципы применимы независимо от масштаба - понимание того, какие продукты занимают свое место, отслеживание частоты дефицита и создание циклов обратной связи между данными о продажах и решениями о продуктах имеют значение для операций любого размера. Небольшие ритейлеры могут не нуждаться в корпоративных платформах искусственного интеллекта; Бесплатные или недорогие-инструменты аналитики могут обеспечить полезную оптимизацию на основе уже имеющихся данных. Выборрешение для правильной полочной этикеткиявляется одной из практических отправных точек для улучшения сбора данных без значительных инвестиций в инфраструктуру.

Какие данные мне нужны для начала?

Как минимум: данные о продажах на уровне SKU-по магазинам с историей не менее 12 месяцев, текущие уровни запасов и некоторые показатели наличия на полках - даже отчеты о наличии товаров вручную. На основе этой основы вы сможете провести содержательный аудит, определить возможности-наибольшего воздействия и разработать план улучшения данных. Идеальные данные не являются обязательным условием. Полезная оптимизация возможна при использовании несовершенных данных, если вы понимаете и учитываете их пробелы.

С чего начать

Оптимизация ассортимента приносит наибольшую пользу, когда она работает как непрерывный цикл - анализа производительности, корректировки ассортимента продуктов, выполнения-в магазине, измерения результатов и повторения. Ритейлеры, которые наиболее эффективно развивают этот потенциал, не обязательно являются теми, кто в первую очередь инвестирует в самые передовые инструменты. Это те, кто начинает с честных данных о том, где их текущий ассортимент не работает, и выстраивает организационные привычки, чтобы последовательно действовать на основе этих данных.

Если вы начинаете с нуля, сразу же можно предпринять четыре действия: провести аудит запасов и производительности SKU, используя уже имеющиеся у вас данные; сверяйте определения кластера магазинов с реальным покупательским поведением, а не с предполагаемыми демографическими данными; подключите данные поиска по электронной-нулевой-торговле к рабочему процессу планирования категорий; и определить, какие решения по ассортименту должны быть автоматизированы, а какие должны проверяться человеком перед выполнением.

Каждое из этих действий можно выполнить до того, как будет приобретена какая-либо новая технология -, и каждое из них обеспечит более четкое представление о том, куда на самом деле окажутся инвестиции в технологии.