Kas yra asortimento optimizavimas?

Asortimento optimizavimas yra ta disciplina, kuri pašalina šią spragą. Jis susieja tai, ką nusprendžia pagrindinė būstinė, su tuo, ką klientai iš tikrųjų randa lentynoje - per duomenis, nuolatinį mokymąsi ir parduotuvės-lygio vykdymą. Šiame vadove aprašoma, kas tai yra, kodėl dauguma metodų nepavyksta, kaip tai įgyvendinti ir kaip įvertinti rezultatus.

Asortimento optimizavimas ir asortimento planavimas: koks skirtumas?

Šie du terminai dažnai vartojami pakaitomis. Jie apibūdina iš esmės skirtingus procesus.

Planavimas apibrėžia, kaip turi atrodyti jūsų asortimentas. Optimizavimas užtikrina, kad jis iš tikrųjų veikia - ir nuolat tobulėja keičiantis sąlygoms.

Trys sluoksniai, kuriuose priimami ir prarandami sprendimai dėl asortimento

Dauguma mažmenininkų daug investuoja į pirmąjį sluoksnį. Didžiausios našumo spragos gyvena kitose dviejose.

Strateginis sluoksnis: ką parduoti

Čia priimami kategorijų{0}}lygio sprendimai: kurie produktai užsidirba vietos lentynoje, kaip privatus prekės ženklas balansuoja su nacionaliniais prekių ženklais ir kokį vaidmenį kiekviena kategorija atlieka bendroje parduotuvės strategijoje. Sprendimai priimami pagrindinėje būstinėje, atsižvelgiant į rinkos duomenis ir konkurencingą lyginamąją analizę bei pokyčius, vykstančius ilgais ciklais.

Rizika: suvestiniai duomenys užmaskuoja vietinius skirtumus. Produkto, kurio pardavimai šalyje priimtini, našumas gali būti mažesnis 40 % parduotuvių, o dar 30 % – geresnis. Vidurkiai slepia signalą.

Taktinis sluoksnis: kur ir kaip jį parduoti

Taktinis sluoksnis paverčia strategiją į konkrečius vietos{0}}planus: parduotuvių grupavimą, planogramų dizainą ir prekybos taisykles. Čia asortimentas tampa tikrai vietiniu - didelio-tankumo miesto parduotuvė turi kitokius erdvės apribojimus, pėsčiųjų srautą ir pirkėjų misijas nei priemiesčio formate.

Rizika: tokio lygio sprendimai vis dar labai priklauso nuo prielaidų, o ne nuo realių{0}}parduotuvės lygio signalų. Asortimentai gali atrodyti gerai-lokalizuoti popieriuje, tačiau praktiškai išlikti nesuderinami.

Veiklos sluoksnis: kas iš tikrųjų pasiekia klientą

Čia asortimento optimizavimas pavyksta arba tyliai nepavyksta. Operatyvinis sluoksnis atspindi fizinę realybę, su kuria susiduria klientai: kokie produktai yra lentynose, ar teisingai vykdomos planogramos, ar matomos akcijos, ar greitai pagaunamos ir išsprendžiamos atsargos.

Jei realiuoju laiku{0}}nematote parduotuvės vykdymo, kiekvienas ankstesnis sprendimas iš dalies yra spėliojimas. Tokios technologijos kaipelektroninės lentynų etiketėsir daiktų interneto jutikliai vis dažniau naudojami šiai matomumo spragai panaikinti -, automatiškai fiksuojant lentynos būsenas, o ne pasikliaujant neautomatiniais auditais, kurie atliekami per retai, kad būtų galima imtis veiksmų.

Kodėl nepavyksta tradicinis asortimento optimizavimas

Dauguma asortimento strategijų yra gerai{0}}sukurtos popieriuje. Štai kur jie praktiškai sugenda.

1 gedimo režimas: istoriniai duomenys optimizuojami praeičiai

Pardavimo istorijoje nurodoma, ką klientai pirko tokiomis sąlygomis, kurios egzistavo tuo metu - su asortimentu, kuris buvo prieinamas, nustatytomis kainomis. Jis negali pasakyti, ko klientai norėjo, bet negalėjo rasti. Greitai kintančių kategorijų atveju, kai istoriniuose duomenyse aiškiai atsiranda tendencija, veiksmų langas dažnai jau praėjo.

2 gedimo režimas: centralizuoti sprendimai, vietinė realybė

Kai sprendimai dėl asortimento priimami tik būstinėje, parduotuvės{0}}lygio niuansai atsižvelgiama į vidurkį. Produktas, kurio pardavimas šalyje yra vidutinis, bet gerai veikia tam tikro tipo parduotuvėse, gali būti pašalintas. Standartizuota planograma naudojama parduotuvėse, kurių lentynų matmenys ir pirkėjų demografiniai rodikliai labai skiriasi.

3 gedimo režimas: duomenų kaupikliai priima neišsamius sprendimus

Mažmeninės prekybos organizacijos generuoja duomenis iš kelių sistemų - pardavimo taško-pardavimo-, atsargų, lojalumo, el. -prekybos ir-parduotuvės jutiklių. Kategorijų valdytojai dirba iš vieno duomenų rinkinio. Tiekimo grandinė veikia iš kito. Parduotuvės operacijos iš trečdalio. Nė vienas iš šių požiūrių nėra baigtas, o sprendimai, priimti iš vieno siloso, sukurs problemų, matomų tik kitame.

4 gedimo režimas: planogramos atitiktis yra mažesnė, nei mano būstinė

Planograma suteikia vertę tik tada, kai ji vykdoma teisingai ir nuosekliai. Daugumoje mažmeninės prekybos tinklų atitikties rodikliai labai skiriasi įvairiose parduotuvėse -, o būstinė paprastai to nežino, kol nėra įvertinta. Jei vertinate produkto lentynos našumą pagal pardavimo duomenis, bet tas produktas tris mėnesius buvo netinkamoje pozicijoje 20 % jūsų parduotuvių, jūsų našumo duomenys yra nepatikimi. Supratimaskaip dažnai atnaujinami lentynos duomenysyra tiesiogiai susijęs su šių matavimų tikslumu.

5 gedimo režimas: daugiakanalio signalai neskaitomi

Klientų elgesys internete yra turtingas asortimento informacijos šaltinis, į kurį dauguma fizinių mažmenininkų nepaiso. Nulinės-rezultatų paieškos jūsų el Didelis-naršymas, maži{5}}pirkimo modeliai atskleidžia paklausą, kurią gali reikėti įvertinti parduotuvėje prieš konversiją. Klientas, ieškantis produkto internete, randantis jo nepasiekiamas ir išėjęs, negeneruoja jokių duomenų parduotuvės sistemoje -parduotuvės sistemoje -, tačiau duomenų nebuvimas pats savaime yra signalas, jei kuriate procesą, kad jį užfiksuotumėte. Pradinis taškas yra susieti internetinę paiešką ir naršymo duomenis su kategorijų planavimo darbo eiga, net neoficialiai.

Kaip AI pagerina asortimento sprendimus

Rankinis asortimento valdymas šimtuose parduotuvių ir dešimtyse tūkstančių SKU pasiekė ribas, kurias gali palaikyti skaičiuoklės ir periodinės peržiūros. AI prisideda konkrečiais, išmatuojamais būdais.

Parduotuvės{0}}paklausos prognozavimas.Tradicinis prognozavimas veikia reklamjuostės arba grupių lygiu. Mašininio mokymosi modeliai gali generuoti prognozes atskiros parduotuvės ir SKU lygiu, atsižvelgiant į vietinius veiksnius - apylinkių demografinius rodiklius, konkurenciją netoliese, sezonines mikro-tendencijas -, kurių vidurkis yra platesniems modeliams. Dėl šio detalumo lokalizuoto asortimento sprendimai yra pateisinami, o ne daromi prielaidomis.

SKU racionalizavimas.Ne kiekvienas produktas uždirba savo vietą. AI modeliai gali nustatyti, kurie SKU sunaudoja lentynos nekilnojamąjį turtą ir atsargų kapitalą be proporcingos grąžos -, atsižvelgiant į maržos įnašą, pakeitimo poveikį ir krepšelio poveikį. Esminis skirtumas yra tarp lėtų-judėjų, kurie tarnauja ištikimai nišai, ir lėtų{4}}judesių, kurie tiesiog nepakankamai našūs. AI gali atskirti šiuos du dalykus tokiu mastu, kurio negali atlikti rankinė analizė.

Dinaminis kainų ir reklamos derinimas.Asortimento sprendimai neegzistuoja atskirai nuo kainodaros. AI-varomadinamiška kainodaragali suderinti reklaminę veiklą su asortimento našumu realiuoju laiku - sumažinant neatitikimą tarp to, kas buvo planuota, ir to, ką klientai iš tikrųjų reaguoja lentynos lygiu.

Vykdymo stebėjimas.Kompiuterinio matymo ir jutiklių duomenys gali nustatyti planogramos nukrypimus nereikalaujant visiško rankinio audito. Pažanga įlentynų etikečių technologijaautomatinis lentynos{0}}būsenos stebėjimas tapo vis labiau prieinamas vidutinio-dydžio mažmenininkams, o ne tik dideliems tinklams.

Penkių{0}}veiksmų įgyvendinimo sistema

Dauguma mažmenininkų žino asortimento optimizavimo dalykus. Mažiau turi aiškų pradžios tašką. Ši sistema sukurta taip, kad ją būtų galima naudoti bet kokiu mastu.

1 veiksmas: patikrinkite savo dabartinį asortimentą

Prieš ką nors optimizuodami, nustatykite sąžiningą pagrindą. Koks yra jūsų dabartinis atsargų kiekis pagal kategorijas ir parduotuvę? Kurie SKU generuoja apatinį pardavimo dešimtį kvadratinei pėdai? Kur yra didžiausi atotrūkiai tarp planuojamo asortimento ir faktinio prieinamumo lentynose? Jei negalite atsakyti į šiuos klausimus remdamiesi patikimais duomenimis, tai pats svarbiausias atradimas - ir signalas investuoti į matomumą prieš investuojant į optimizavimo įrankius. Struktūrinispradinės IG apskaičiavimasgali padėti kiekybiškai įvertinti, kur yra didžiausios{0}}poveikio spragos prieš imantis bet kokio požiūrio.

2 veiksmas: apibrėžkite savo parduotuvių grupes

Ne visose parduotuvėse turėtų būti toks pat asortimentas, tačiau visiškai unikalus kiekvienos parduotuvės asortimentas yra nevaldomas. Parduotuvių grupavimas sujungia šiuos kraštutinumus, sugrupuodamas vietas su reikšmingai panašiais paklausos profiliais. Veiksmingas grupavimas grindžiamas faktine pirkimo elgsena - krepšelio sudėtimi, kategorijos greičiu, pirkėjo misijos modeliais -, o ne numanomais demografiniais rodikliais. Dauguma mažmenininkų dirba su keturiomis ar aštuoniomis grupėmis, priklausomai nuo tinklo dydžio ir formatų įvairovės. Tinkamas skaičius yra tas, kai kiekviena grupė iš tikrųjų elgiasi pakankamai skirtingai, kad garantuotų atskirą produkto šabloną.

3 veiksmas: integruokite savo duomenų šaltinius

Asortimento optimizavimas yra tiek pat geras, kiek jį teikiantys duomenys. Jums reikia mažiausiai SKU{1}}lygio pardavimo duomenų pagal parduotuvę su bent 12 mėnesių istorija, dabartiniais atsargų lygiais ir tam tikra lentynų prieinamumo priemone. Klausimas, kaip fiksuojami lentynos duomenys - ar naudojant neautomatines ataskaitas, ESL sistemas ar daiktų interneto jutiklius -, tiesiogiai veikia duomenų naujumą ir patikimumą. Suprasdamas,lentynos duomenų fiksavimo ryšio galimybėsyra praktiškas ankstyvas sprendimas. Tobulas duomenų integravimas nėra būtina sąlyga norint pradėti -, tačiau prieš pasitikėdami jų išvestimi turite suprasti duomenų spragas ir delsą.

4 veiksmas: nustatykite optimizavimo taisykles ir apsauginius turėklus

AI modeliams ir optimizavimo algoritmams reikia apribojimų. Ne kiekvienas sprendimas turėtų būti automatizuotas. Aiškiai apibrėžkite, kurie sprendimai gali būti vykdomi automatiškai -, pvz., didelio-greito SKU - papildymo aktyvikliai ir kuriuos reikia peržiūrėti, pvz., produkto pašalinimas iš grupės. Apsauginiai turėklai taip pat apsaugo nuo klaidų, kurias daro automatizuotos sistemos, kai duomenys yra neišsamūs. Dažnas pavyzdys: algoritmas rekomenduoja pašalinti produktą, nes jo pardavimas yra mažas, kai tikroji priežastis yra nuolatinės atsargos, kurių pardavimo duomenys neatskiria nuo mažos paklausos.Kainos ir prieinamumo rodymo klaidosyra susijęs veikimo sutrikimo režimas, kurį verta suprasti prieš įdiegiant automatiką.

5 veiksmas: išmatuokite, mokykitės ir kartokite

Asortimento optimizavimas yra nuolatinis procesas, o ne vienkartinis{0}}projektas. Nustatykite reguliarų peržiūros ritmą - bent kartą per ketvirtį priimdami strateginius sprendimus, kas mėnesį atlikdami taktinius pakeitimus. Kurkite struktūrinius atsiliepimus tarp centrinių kategorijų komandų ir saugokite{4}}lygio našumo duomenis. Kiekvieną planavimo ciklą traktuokite kaip eksperimentą: suformuokite hipotezę, įgyvendinkite pakeitimą, išmatuokite rezultatą, naudokite tą mokymąsi kitame cikle. Organizacijos, kurios iš šio proceso išgauna didžiausią vertę, nėra tos, kurios turi pačius sudėtingiausius įrankius. Tai tie, kurie susikūrė įprotį nuosekliai mokytis iš duomenų.

Šeši asortimento optimizavimo matavimo KPI

Stebėkite visas šešias metrikas parduotuvės lygiu, o ne tik bendrai. Tinklo-lygio vidurkiai dažnai slepia parduotuves, kuriose problemos yra opiausios - ir kuriose yra didžiausios optimizavimo galimybės.

Asortimento optimizavimas visuose internetiniuose ir fiziniuose kanaluose

Fiziniais ir skaitmeniniais kanalais veikiančių mažmenininkų asortimento sprendimai negali būti tvarkomi atskirai.Mažmeninės prekybos aplinkapasikeitė: klientai sklandžiai juda tarp kanalų, o kiekvieno kanalo duomenys gali padėti priimti sprendimus kitame.

Internete kaip asortimento signalas.Nulinės-rezultatų paieškos jūsų el Didelis-naršymas, mažas{5}}pirkimo modeliai gali rodyti produktus, kuriuos klientai nori įvertinti asmeniškai prieš pirkdami, o tai turi įtakos-parduotuvių asortimentui. PagalMcKinsey tyrimas, dabar daugiau nei 70 % vartotojų tikisi suasmenintos patirties - – tai tikimasi tiek produktų prieinamumui, tiek komunikacijai.

Vieningas vs diferencijuotas asortimentas.Ar jūsų internetinis ir{0}}parduotuvės asortimentas turėtų sutapti, priklauso nuo parduotuvės formato ir klientų elgsenos. Suvienodintas asortimentas supaprastina operacijas ir pateikia švaresnius paklausos duomenis, bet verčia fizines parduotuves atlikti internetinio katalogo sudėtingumą, kurio dauguma formatų negali pritaikyti. Diferencijuotas požiūris -, kai fizinės parduotuvės turi kuruojamą, didelio-greičio branduolį, o internetinis kanalas tvarko ilgą uodegą -, gerai veikia, kai abu kanalai atlieka tikrai skirtingas apsipirkimo užduotis. Sprendimo pagrindas yra paprastas: jei klientai reguliariai ieško internete ir atlieka konversijas-parduotuvėje, suderinimas yra svarbus. Jei pirkėjai internetu ir{9}}parduotuvėse yra labai skirtingos auditorijos, diferencijavimas gali būti veiksmingesnis.

Nuo ko pradėti.Praktiškiausia įvesties taškas yra susieti el. -nulinės prekybos-rezultatų paieškos duomenis su kategorijų planavimo peržiūra. Nereikia jokių naujų technologijų - kategorijų valdytojų peržiūrimas nesėkmingų paieškos užklausų kasmėnesinis eksportavimas gali atskleisti asortimento spragas, kurių{4}}pardavimo parduotuvėse duomenys niekada neatskleis. Suporuojant tai supatobulintas lentynos{0}}lygio duomenų fiksavimasfizinėse parduotuvėse sukuria uždarą kilpą tarp internetinių signalų ir vykdymo{0}}parduotuvėje.

Kaip tai atrodo praktiškai

Šie scenarijai iliustruoja, kaip asortimento optimizavimo principai taikomi mažmeninės prekybos formatams. Tai yra iliustruojantys pavyzdžiai, o ne konkrečios įmonės atvejų analizė.

Bakalėjos prekės: vietinės paklausos maskavimas bendruose duomenyse.Regioninis bakalėjos tinklas planuoja asortimentą naudodamas suvestinius kategorijų duomenis. Etninių maisto kategorijų - stiprių rodiklių tam tikrose apylinkėse - atstovai nuolat nepakankamai atstovaujami, nes jų pardavimas sumažėja iki reklamjuostės lygio. Klasteriais pagrįstas metodas, pagrįstas faktine krepšelio sudėtimi, atskleidžia, kad tai, kas atrodė maža kategorijos paklausa tam tikrose parduotuvių grupėse, buvo struktūrinė duomenų kaupimo problema. Šių parduotuvių šablonų koregavimas, kad jie atspindėtų vietinį pirkimo elgesį, panaikina spragą. Įgalinantis veiksnys nėra nauja technologija - – paklausos duomenys skirstomi pagal parduotuvę, o ne pagal reklamjuostę. Geresnis matomumas naudojant tokius įrankius kaipelektroninės lentynų etiketės maisto prekių parduotuvėsepalaiko nuolatinį vertinimą, ar tie pakoreguoti asortimentai iš tikrųjų vykdomi.

Mada: ilgos{0}}uodegos SKU valdymas.Specializuotas drabužių mažmenininkas per sezoną gabena kelis tūkstančius aktyvių SKU. Produktyvumo apžvalga atskleidžia, kad didelė dalis asortimento generuoja neproporcingai mažą pajamų dalį, sunaudodama planavimo, atsargų ir papildymo išteklius. Analizėje išskiriamos dvi prasčiau veikiančių produktų grupės: SKU, neturintys identifikuojamos lojalių klientų bazės ir neigiamos erdvės-į-maržos įnašą, ir SKU, kurių bendra apimtis maža, bet didelis pasikartojančių pirkimų rodiklis konkrečiame pirkėjų segmente. Pirmoji grupė palaipsniui panaikinama. Antrasis išlaikomas su pakoreguotu erdvės paskirstymu. Rezultatas – siauresnis diapazonas, kurį lengviau vykdyti ir mažesnė tikimybė, kad lentynos lygyje atsiras nuovargis dėl sprendimų.

Patogi mažmeninė prekyba: vykdymo greitis kaip skirtumas.Nedidelė -formato patogumo grandinė veikia tose vietose, kur kiekviena kvadratinė pėda yra didelė-, o atsargų kaina padidinama dėl mažų atsargų buferių. Apribojantis veiksnys nėra asortimento planas -, tai laikas nuo atsargų pasibaigimo iki parduotuvės partnerio atsakymo į jį. Šio atotrūkio sumažinimas naudojant automatinį lentynų stebėjimą, o ne pasikliaujant suplanuotomis neautomatinėmis patikromis, turi tiesioginį ir išmatuojamą poveikį didelės- maržos impulsų kategorijų-parduotuvėje pasiekiamumui.

Dažnai užduodami klausimai

Kas yra asortimento optimizavimas mažmeninėje prekyboje?

Asortimento optimizavimas – tai nuolatinis kiekvienoje parduotuvėje siūlomo produktų asortimento atrankos ir tobulinimo procesas, siekiant maksimaliai padidinti pardavimus, maržą ir klientų pasitenkinimą. Skirtingai nuo vienkartinio asortimento

Kuo skiriasi asortimento planavimas ir asortimento optimizavimas?

Asortimento planavimas yra periodiškas, centralizuotas procesas -, paprastai sezoninis arba metinis -, kuris pagal istorinius duomenis apibrėžia, kuriuos produktus vežtis. Asortimento optimizavimas yra nuolatinis. Ji apima realaus laiko-signalus ir saugo-lygio našumo duomenis, kad asortimentas būtų pritaikytas besikeičiant sąlygoms. Planavimas nustato pradinę kryptį; optimizavimas išlaiko jį sukalibruotą.

Kaip AI pagerina asortimento optimizavimą?

Dirbtinis intelektas įgalina parduotuvės-paklausos prognozavimą, kuris viršija klasterio vidurkius, nustato prasto našumo SKU ir atsižvelgia į pakeitimo poveikį, generuoja planogramos rekomendacijas, pagrįstas dabartiniu pardavimo greičiu, ir apdoroja{1}}realaus laiko signalus - oras, vietiniai įvykiai, konkurentų veikla -, kurių rankinio planavimo ciklai negali įtraukti laiku, kad būtų galima imtis veiksmų.

Dėl kokių priežasčių dažniausiai nepavyksta optimizuoti asortimento?

Penki dažniausiai pasitaikantys gedimų režimai: per didelis{0}}pasikliovimas istoriniais duomenimis, kurie negali užfiksuoti dabartinės paklausos; centralizuotas sprendimų{1}}priėmimas, nepaisantis vietinių skirtumų; sujungtos duomenų sistemos, kurios sukuria neišsamų vaizdą; planogramos atitiktis žemesnė nei pagrindinė būstinė; ir nesugebėjimas įtraukti internetinės paklausos signalų, kurie atskleidžia nematomas spragas vien tik pardavimo parduotuvėje duomenyse.

Kokius KPI turėčiau stebėti, kad būtų optimizuotas asortimentas?

Naudingiausios metrikos yra atsargų kiekis, pardavimo -visiškas rodiklis, SKU produktyvumas (pajamos arba marža, tenkanti vienam lentynos ploto vienetui), planogramos atitikties rodiklis, kategorijos maržos įnašas ir grupės paklausos suderinimas (skirtumas tarp planuojamo asortimento ir faktinio pardavimo-klasterio lygiu). Stebėkite visa tai parduotuvės lygiu, o ne tik kartu.

Kiek laiko trunka įgyvendinimas?

Naudojant esamus duomenis, pradinė audito ir{0}}grupių optimizavimo sistema paprastai gali būti sukurta per kelis mėnesius. Sudėtingesniam AI-pagrįstam nuolatiniam optimizavimui reikalingas tvirtesnis duomenų pagrindas ir gali prireikti 12–18 mėnesių, kol jis bus visiškai pritaikytas. Pradedant nuo audito beveik visada atskleidžiami greiti laimėjimai, kol prireikia naujų technologijų.

Ar mažesniems mažmenininkams gali būti naudinga optimizuoti asortimentą?

Taip. Principai taikomi neatsižvelgiant į mastelį -, supratimas, kurie produktai uždirba savo vietą, sekti atsargų išpirkimo dažnumą ir sukurti grįžtamojo ryšio tarp pardavimo duomenų ir produktų sprendimų kilpas yra prasminga bet kokio dydžio operacijoms. Mažesniems mažmenininkams gali neprireikti įmonės AI platformų; nemokami arba pigūs-analitikos įrankiai gali palaikyti naudingą optimizavimą pagal jau turimus duomenis. Pasirinkusdešinės lentynos etiketės sprendimasyra vienas praktinių atskaitos taškų gerinant duomenų surinkimą be didelių investicijų į infrastruktūrą.

Kokių duomenų man reikia norint pradėti?

Mažiausiai: SKU{0}}pardavimo duomenys pagal parduotuvę su bent 12 mėnesių istorija, dabartiniai atsargų lygiai ir tam tikri lentynų prieinamumo matai -, net rankinės atsargų išpirkimo ataskaitos. Remdamiesi šiuo pagrindu galite atlikti reikšmingą auditą, nustatyti didžiausio- poveikio galimybes ir sudaryti duomenų tobulinimo planą. Tobuli duomenys nėra būtina sąlyga. Naudingas optimizavimas galimas naudojant netobulus duomenis, jei suprantate ir atsižvelgiate į jų spragas.

Kur pradėti

Asortimento optimizavimas teikia didžiausią vertę, kai veikia kaip nuolatinis ciklas - analizuoja našumą, koreguoja produktų asortimentą, atlieka-parduotuvėje, matuoja rezultatus ir kartoja. Mažmenininkai, kurie efektyviausiai kuria šią galimybę, nebūtinai pirmiausia investuoja į pažangiausius įrankius. Tai tie, kurie pradeda nuo sąžiningų duomenų apie tai, kur jų dabartinis asortimentas sugenda, ir formuoja organizacinius įpročius nuosekliai veikti pagal šiuos duomenis.

Jei pradedate nuo nulio, iš karto galima atlikti keturis veiksmus: atlikti atsargų išpirkimą ir SKU produktyvumo auditą naudodami jau turimus duomenis; peržiūrėti savo parduotuvių grupių apibrėžimus, palyginti su faktine pirkimo elgsena, o ne numanoma demografija; susiekite el. -nulinės prekybos-rezultatų paieškos duomenis su kategorijų planavimo darbo eiga; ir apibrėžti, kurie asortimento sprendimai turi būti automatizuoti, o ne peržiūrėti žmogaus prieš vykdymą.

Kiekvienas iš jų gali būti atliktas prieš įsigyjant bet kokią naują technologiją - ir kiekvienas iš jų leis geriau matyti, kur investicijos į technologijas iš tikrųjų nuves adatą.