वर्गीकरण ऑप्टिमायझेशन म्हणजे काय?

वर्गीकरण ऑप्टिमायझेशन ही एक शिस्त आहे जी या अंतराला दूर करते. डेटा, सतत शिकणे, आणि स्टोअर-स्तरीय अंमलबजावणीद्वारे ग्राहकांना शेल्फवर प्रत्यक्षात काय सापडते ते मुख्यालय काय ठरवते ते ते जोडते. या मार्गदर्शकामध्ये ते काय आहे, बहुतेक दृष्टीकोन का अयशस्वी होतात, ते कसे अंमलात आणायचे आणि परिणाम कसे मोजायचे ते समाविष्ट करते.

वर्गीकरण ऑप्टिमायझेशन वि. वर्गीकरण नियोजन: फरक काय आहे?

या दोन संज्ञा अनेकदा परस्पर बदलून वापरल्या जातात. ते मूलभूतपणे भिन्न प्रक्रियांचे वर्णन करतात.

तुमचे वर्गीकरण कसे असावे हे नियोजन परिभाषित करते. ऑप्टिमायझेशन हे सुनिश्चित करते की ते प्रत्यक्षात - कार्य करते आणि परिस्थिती बदलत असताना सुधारत राहते.

तीन स्तर जेथे वर्गीकरणाचे निर्णय घेतले जातात आणि गमावले जातात

बहुतेक किरकोळ विक्रेते पहिल्या थरात मोठ्या प्रमाणावर गुंतवणूक करतात. सर्वात मोठी कामगिरी अंतर इतर दोन मध्ये राहतात.

धोरणात्मक स्तर: काय विकायचे

येथेच श्रेणी-स्तरीय निर्णय होतात: कोणती उत्पादने शेल्फ स्पेस कमावतात, खाजगी लेबल राष्ट्रीय ब्रँडच्या विरूद्ध कसे संतुलन राखतात आणि एकूण स्टोअर धोरणामध्ये प्रत्येक श्रेणी कोणती भूमिका बजावते. येथील निर्णय मुख्यालयात घेतले जातात, बाजार डेटा आणि स्पर्धात्मक बेंचमार्किंगद्वारे चालविले जातात आणि लांब चक्रांमध्ये बदल होतात.

जोखीम: एकूण डेटा स्थानिक भिन्नता मास्क करतो. स्वीकार्य राष्ट्रीय विक्री असलेले उत्पादन 40% स्टोअरमध्ये कमी कामगिरी करत असेल आणि आणखी 30% मध्ये जास्त कामगिरी करत असेल. सरासरी सिग्नल लपवतात.

रणनीतिक स्तर: ते कुठे आणि कसे विकायचे

रणनीतिक स्तर रणनीतीचे स्थान-विशिष्ट योजनांमध्ये भाषांतर करते: स्टोअर क्लस्टरिंग, प्लॅनोग्राम डिझाइन आणि व्यापार नियम. येथे वर्गीकरण खऱ्या अर्थाने स्थानिक बनते - उच्च- घनतेच्या शहरी स्टोअरमध्ये उपनगरीय स्वरूपापेक्षा भिन्न जागा मर्यादा, पायी रहदारीचे नमुने आणि खरेदीदार मोहिमे आहेत.

जोखीम: या स्तरावरील निर्णय अजूनही वास्तविक स्टोअर-स्तर सिग्नलपेक्षा गृहितकांवर जास्त अवलंबून असतात. वर्गीकरण कागदावर चांगल्या प्रकारे-स्थानिक केलेले दिसू शकते, तर व्यवहारात मोठ्या प्रमाणात चुकीचे संरेखित केले जाते.

ऑपरेशनल लेयर: प्रत्यक्षात ग्राहकापर्यंत काय पोहोचते

इथेच वर्गीकरण ऑप्टिमायझेशन यशस्वी होते किंवा शांतपणे अयशस्वी होते. ऑपरेशनल लेयर ग्राहकांच्या समोर येणारी वास्तविकता प्रतिबिंबित करते: कोणती उत्पादने शेल्फवर आहेत, प्लॅनोग्राम योग्यरित्या कार्यान्वित आहेत की नाही, जाहिराती दृश्यमान आहेत की नाही आणि स्टॉकआउट्स पकडले जातात आणि त्वरीत सोडवले जातात.

स्टोअरच्या अंमलबजावणीमध्ये वास्तविक-वेळ दृश्यमानतेशिवाय, प्रत्येक अपस्ट्रीम निर्णय अंशतः अंदाज आहे. सारखे तंत्रज्ञानइलेक्ट्रॉनिक शेल्फ लेबलेआणि IoT सेन्सर हे दृश्यमानता अंतर - कॅप्चरिंग शेल्फ स्टेटस आपोआप बंद करण्यासाठी मॅन्युअल ऑडिटवर अवलंबून न राहता वाढत्या प्रमाणात वापरले जातात जे क्रिया करण्यायोग्य होण्यासाठी खूप कमी वेळा होतात.

पारंपारिक वर्गीकरण ऑप्टिमायझेशन अयशस्वी का होते

बहुतेक वर्गीकरण धोरणे कागदावर चांगल्या प्रकारे डिझाइन केलेली-आहेत. येथे ते सराव मध्ये खंडित आहे.

अयशस्वी मोड 1: ऐतिहासिक डेटा भूतकाळासाठी अनुकूल करतो

विक्री इतिहास तुम्हाला सांगतो की ग्राहकांनी त्या वेळी अस्तित्त्वात असलेल्या परिस्थितीनुसार - सेट केलेल्या किमतींवर उपलब्ध वर्गीकरणासह काय खरेदी केले. हे तुम्हाला सांगू शकत नाही की ग्राहकांना काय हवे आहे परंतु सापडले नाही. वेगवान-श्रेण्यांमध्ये, ऐतिहासिक डेटामध्ये ट्रेंड स्पष्टपणे दिसून येईपर्यंत, कृती करण्याची विंडो अनेकदा आधीच निघून गेली आहे.

अपयश मोड 2: केंद्रीकृत निर्णय, स्थानिक वास्तव

जेव्हा वर्गीकरणाचे निर्णय संपूर्णपणे मुख्यालयात घेतले जातात, तेव्हा स्टोअर-स्तरीय सूक्ष्मता सरासरी काढली जाते. सामान्य राष्ट्रीय विक्री असलेले उत्पादन परंतु विशिष्ट स्टोअर प्रकारांमध्ये मजबूत कार्यप्रदर्शन असू शकते. एक प्रमाणित प्लॅनोग्राम लक्षणीय भिन्न शेल्फ परिमाणे आणि खरेदीदार लोकसंख्याशास्त्र असलेल्या स्टोअरमध्ये तैनात केला जातो.

अयशस्वी मोड 3: डेटा सायलोस अपूर्ण निर्णय घेतात

किरकोळ संस्था अनेक सिस्टीमवर डेटा व्युत्पन्न करतात - पॉइंट-चे-विक्री, इन्व्हेंटरी, लॉयल्टी, ई-कॉमर्स आणि इन-स्टोअर सेन्सर. श्रेणी व्यवस्थापक एका डेटा सेटवरून कार्य करतात. पुरवठा साखळी दुसऱ्याकडून काम करते. तृतीय पासून स्टोअर ऑपरेशन्स. यापैकी कोणतेही दृश्य पूर्ण नाही आणि कोणत्याही एका सायलोमधून घेतलेले निर्णय केवळ दुसऱ्यामध्ये दृश्यमान समस्या निर्माण करतील.

अयशस्वी मोड 4: प्लॅनोग्राम अनुपालन मुख्यालयाच्या विचारापेक्षा कमी आहे

प्लॅनोग्राम योग्यरित्या आणि सातत्यपूर्णपणे अंमलात आणला तरच त्याचे मूल्य प्रदान करते. बहुतेक किरकोळ नेटवर्क्समध्ये, अनुपालन दर सर्व स्टोअरमध्ये लक्षणीयरीत्या बदलतात - आणि मुख्यालयांना ते मोजले जाईपर्यंत माहिती नसते. तुम्ही विक्री डेटाच्या आधारे उत्पादनाच्या शेल्फ कामगिरीचे मूल्यमापन करत असल्यास, परंतु ते उत्पादन तुमच्या 20% स्टोअरमध्ये तीन महिन्यांपासून चुकीच्या स्थितीत असेल, तर तुमचा कार्यप्रदर्शन डेटा अविश्वसनीय आहे. समजून घेणेशेल्फ डेटा किती वारंवार रीफ्रेश केला जातोया मोजमापांच्या अचूकतेशी थेट जोडलेले आहे.

अयशस्वी मोड 5: ओम्निचॅनल सिग्नल न वाचलेले जातात

ऑनलाइन ग्राहक वर्तन हे वर्गीकरण बुद्धिमत्तेचा समृद्ध स्त्रोत आहे ज्याकडे बहुतेक भौतिक किरकोळ विक्रेते दुर्लक्ष करतात. तुमच्या ई-कॉमर्स प्लॅटफॉर्मवरील शून्य-परिणाम शोध तुम्हाला दाखवतात की ग्राहक नक्की काय शोधत आहेत जे तुम्ही घेऊन जात नाही. उच्च-ब्राउझ करा, कमी-खरेदीचे नमुने रूपांतरणापूर्वी-स्टोअर मूल्यमापन आवश्यक असलेली मागणी प्रकट करतात. एखादा ग्राहक जो एखादे उत्पादन ऑनलाइन शोधतो, त्याला ते अनुपलब्ध आढळते, आणि सोडल्याने -स्टोअर सिस्टीम - मध्ये कोणताही डेटा तयार होत नाही, परंतु जर तुम्ही ते कॅप्चर करण्यासाठी प्रक्रिया तयार केली तर डेटाची अनुपस्थिती ही एक सिग्नल आहे. तुमचा ऑनलाइन शोध आणि ब्राउझ डेटा तुमच्या श्रेणी नियोजन वर्कफ्लोशी जोडणे हा प्रारंभिक बिंदू आहे, अगदी अनौपचारिकपणे.

AI वर्गीकरण निर्णय कसे सुधारते

शेकडो स्टोअर्स आणि हजारो SKU मधील मॅन्युअल वर्गीकरण व्यवस्थापनाने स्प्रेडशीट आणि नियतकालिक पुनरावलोकने काय समर्थन करू शकतात याची मर्यादा गाठली आहे. AI विशिष्ट, मोजण्यायोग्य मार्गांनी योगदान देते.

स्टोअर-स्तर मागणी अंदाज.पारंपारिक अंदाज बॅनर किंवा क्लस्टर स्तरावर चालतात. मशिन लर्निंग मॉडेल वैयक्तिक स्टोअर आणि SKU स्तरावर अंदाज तयार करू शकतात, स्थानिक घटक - अतिपरिचित लोकसंख्याशास्त्र, जवळपासची स्पर्धा, हंगामी सूक्ष्म-ट्रेंड - जे विस्तृत मॉडेल सरासरी दूर आहेत. ही ग्रॅन्युलॅरिटी स्थानिकीकृत वर्गीकरण निर्णयांना गृहीत धरण्याऐवजी बचाव करण्यायोग्य बनवते.

SKU तर्कसंगतीकरण.प्रत्येक उत्पादनाला त्याची जागा मिळत नाही. एआय मॉडेल्स हे ओळखू शकतात की कोणते SKU शेल्फ रिअल इस्टेट आणि इन्व्हेंटरी कॅपिटल वापरत आहेत आनुपातिक परताव्याशिवाय - मार्जिन योगदान, प्रतिस्थापन प्रभाव आणि बास्केट प्रभाव. एकनिष्ठ स्थान देणारे मंद-मूव्हर्स आणि कमी कामगिरी करणारे मंद-मूव्हर्स यांच्यातील महत्त्वाचा फरक आहे. मॅन्युअल विश्लेषण करू शकत नाही अशा प्रमाणात एआय दोघांमधील फरक करू शकते.

डायनॅमिक किंमत आणि जाहिरात संरेखन.वर्गीकरण निर्णय किंमतीपासून वेगळे नसतात. AI-चालितडायनॅमिक किंमतरीअल टाइममध्ये वर्गीकरण कार्यप्रदर्शनासह प्रचारात्मक क्रियाकलाप संरेखित करू शकते - जे नियोजित केले गेले होते आणि ग्राहकांनी शेल्फ स्तरावर प्रत्यक्षात काय प्रतिसाद दिला यामधील विसंगती कमी करते.

अंमलबजावणी निरीक्षण.कॉम्प्युटर व्हिजन आणि सेन्सर डेटा संपूर्ण मॅन्युअल ऑडिटची आवश्यकता न ठेवता प्लॅनोग्राम विचलन ओळखू शकतो. मध्ये प्रगतीशेल्फ लेबल तंत्रज्ञानने स्वयंचलित शेल्फ-मध्यम-किरकोळ विक्रेत्यांसाठी अधिकाधिक प्रवेशयोग्य बनवले आहे, केवळ मोठ्या साखळ्याच नाहीत.

अंमलबजावणीसाठी पाच-चरण फ्रेमवर्क

बहुतेक किरकोळ विक्रेत्यांना वर्गीकरण ऑप्टिमायझेशनच्या गोष्टी माहित असतात. काहींना स्पष्ट प्रारंभ बिंदू आहे. हे फ्रेमवर्क कोणत्याही प्रमाणात वापरता येण्याजोगे डिझाइन केले आहे.

पायरी 1: तुमच्या सध्याच्या वर्गीकरणाचे ऑडिट करा

काहीही अनुकूल करण्यापूर्वी, एक प्रामाणिक आधाररेखा स्थापित करा. श्रेणीनुसार आणि स्टोअरनुसार तुमचा सध्याचा स्टॉकआउट दर किती आहे? कोणते SKU प्रति चौरस फूट विक्रीचा तळाचा अंश निर्माण करत आहेत? नियोजित वर्गीकरण आणि वास्तविक शेल्फ उपलब्धता यामध्ये सर्वात मोठे अंतर कोठे आहे? जर तुम्ही या प्रश्नांची उत्तरे विश्वासार्ह डेटासह देऊ शकत नसाल, तर ते स्वतःच सर्वात महत्त्वाचे शोध - आहे ​​आणि ऑप्टिमायझेशन साधनांमध्ये गुंतवणूक करण्यापूर्वी दृश्यमानतेमध्ये गुंतवणूक करण्याचा संकेत आहे. संरचितबेसलाइन ROI गणनाकोणत्याही दृष्टीकोनासाठी वचनबद्ध होण्यापूर्वी सर्वात जास्त-परिणाम अंतर कुठे आहे हे मोजण्यात मदत करू शकते.

पायरी 2: तुमचे स्टोअर क्लस्टर परिभाषित करा

सर्व स्टोअरमध्ये समान वर्गीकरण असू शकत नाही, परंतु प्रत्येक स्टोअरसाठी एक पूर्णपणे अनन्य वर्गीकरण कार्यान्वित करणे अशक्य आहे. स्टोअर क्लस्टरिंग अर्थपूर्णपणे समान मागणी असलेल्या प्रोफाइलसह स्थानांचे गटबद्ध करून या टोकाला दूर करते. प्रभावी क्लस्टरिंग वास्तविक खरेदी वर्तन - बास्केट रचना, श्रेणी वेग, खरेदीदार मिशन पॅटर्न - गृहीत लोकसंख्याशास्त्रावर आधारित नाही. नेटवर्क आकार आणि स्वरूपातील विविधतेनुसार बहुतेक किरकोळ विक्रेते चार ते आठ क्लस्टरसह कार्य करतात. योग्य संख्या ही एक आहे जिथे प्रत्येक क्लस्टर वेगळ्या उत्पादन टेम्पलेटची हमी देण्यासाठी पुरेशी वेगळी वागणूक देतो.

पायरी 3: तुमचे डेटा स्रोत समाकलित करा

वर्गीकरण ऑप्टिमायझेशन ते फीड करणार्या डेटाइतकेच चांगले आहे. किमान, तुम्हाला किमान 12 महिन्यांचा इतिहास, वर्तमान इन्व्हेंटरी पातळी आणि काही शेल्फ उपलब्धतेसह स्टोअरद्वारे SKU-स्तरीय विक्री डेटा आवश्यक आहे. शेल्फ डेटा कसा कॅप्चर केला जातो - हा प्रश्न मॅन्युअल अहवाल, ESL प्रणाली किंवा IoT सेन्सरद्वारे - थेट डेटा ताजेपणा आणि विश्वासार्हतेवर परिणाम करतो. समजून घेणेशेल्फ डेटा कॅप्चरसाठी कनेक्टिव्हिटी पर्यायएक व्यावहारिक लवकर निर्णय आहे. - सुरू करण्यासाठी परफेक्ट डेटा इंटिग्रेशन ही पूर्व-आवश्यकता नाही परंतु तुम्हाला तुमच्या डेटाच्या आउटपुटवर विश्वास ठेवण्यापूर्वी त्यातील अंतर आणि विलंब समजून घेणे आवश्यक आहे.

पायरी 4: ऑप्टिमायझेशन नियम आणि रेलिंग सेट करा

AI मॉडेल्स आणि ऑप्टिमायझेशन अल्गोरिदमला मर्यादांची आवश्यकता आहे. प्रत्येक निर्णय स्वयंचलित नसावा. कोणते निर्णय आपोआप चालू शकतात ते स्पष्टपणे परिभाषित करा - जसे की उच्च-वेग SKUs - साठी replenishment triggers आणि ज्यासाठी मानवी पुनरावलोकन आवश्यक आहे, जसे की क्लस्टरमधून उत्पादन हटवणे. गार्डरेल्स डेटा अपूर्ण असताना स्वयंचलित सिस्टम केलेल्या त्रुटींपासून देखील संरक्षण करतात. एक सामान्य उदाहरण: एखादे अल्गोरिदम उत्पादन काढून टाकण्याची शिफारस करतो कारण त्याची विक्री कमी असते, जेव्हा वास्तविक कारण सतत स्टॉकआउट असते जे विक्री डेटा कमी मागणीपेक्षा वेगळे करत नाही.किंमत आणि उपलब्धता प्रदर्शन त्रुटीऑटोमेशन सादर करण्यापूर्वी समजून घेण्यासारखे संबंधित ऑपरेशनल अपयश मोड आहेत.

पायरी 5: मोजा, ​​शिका आणि पुनरावृत्ती करा

वर्गीकरण ऑप्टिमायझेशन ही एक सतत प्रक्रिया आहे, एक-वेळचा प्रकल्प नाही. धोरणात्मक निर्णयांसाठी कमीत कमी त्रैमासिक, रणनीतिक समायोजनासाठी मासिक एक नियमित पुनरावलोकन लय - स्थापित करा. केंद्रीय श्रेणी संघांमध्ये संरचित फीडबॅक लूप तयार करा आणि-स्तरीय कामगिरी डेटा संचयित करा. प्रत्येक नियोजन चक्राला एक प्रयोग म्हणून हाताळा: एक गृहीतक तयार करा, बदल अंमलात आणा, परिणाम मोजा, ​​पुढील चक्रात ते शिक्षण वापरा. ज्या संस्था या प्रक्रियेतून सर्वात जास्त मूल्य मिळवतात त्या सर्वात अत्याधुनिक साधने नसतात. ते असे आहेत ज्यांनी डेटामधून सातत्याने शिकण्याची सवय लावली आहे.

वर्गीकरण ऑप्टिमायझेशन मोजण्यासाठी सहा KPI

स्टोअर स्तरावर सर्व सहा मेट्रिक्सचा मागोवा घ्या, केवळ एकत्रितपणे नाही. नेटवर्क-स्तर सरासरी वारंवार दुकाने लपवतात जिथे समस्या सर्वात तीव्र असतात - आणि जिथे सर्वात मोठ्या ऑप्टिमायझेशन संधी अस्तित्वात असतात.

ऑनलाइन आणि भौतिक चॅनेलवर वर्गीकरण ऑप्टिमायझेशन

भौतिक आणि डिजिटल चॅनेलवर कार्यरत असलेल्या किरकोळ विक्रेत्यांसाठी, वर्गीकरण निर्णय एकाकीपणे व्यवस्थापित केले जाऊ शकत नाहीत.किरकोळ वातावरणबदलले आहे: ग्राहक चॅनेल दरम्यान प्रवाहीपणे फिरतात आणि प्रत्येक चॅनेलमधील डेटा दुसऱ्या चॅनेलमधील निर्णय सूचित करू शकतो.

वर्गीकरण सिग्नल म्हणून ऑनलाइन.तुमच्या इ उच्च-ब्राउझ करा, कमी-खरेदीचे नमुने अशा उत्पादनांना सूचित करू शकतात ज्यांचे ग्राहक खरेदी करण्यापूर्वी वैयक्तिकरित्या मूल्यमापन करू इच्छितात, ज्याचा परिणाम-स्टोअर श्रेणीसाठी आहे. त्यानुसारमॅकिन्से संशोधन, 70% पेक्षा जास्त ग्राहक आता वैयक्तिक अनुभवांची अपेक्षा करतात - अशी अपेक्षा जी संप्रेषणांइतकीच उत्पादन उपलब्धतेवर लागू होते.

युनिफाइड वि. विभेदित वर्गीकरण.तुमचे ऑनलाइन आणि{0}}स्टोअरमधील वर्गीकरण संरेखित केले पाहिजे की नाही हे तुमच्या स्टोअरचे स्वरूप आणि ग्राहकाच्या वर्तनावर अवलंबून असते. युनिफाइड वर्गीकरण ऑपरेशन्स सुलभ करते आणि क्लिनर डिमांड डेटा तयार करते, परंतु भौतिक स्टोअर्सना ऑनलाइन कॅटलॉगची जटिलता वाहून नेण्यास भाग पाडते जे बहुतेक फॉरमॅट सामावून घेऊ शकत नाहीत. एक विभेदित दृष्टीकोन - जेथे भौतिक स्टोअरमध्ये क्युरेट केलेले, उच्च-वेग कोर असते तर ऑनलाइन चॅनेल लांब शेपटी हाताळते - जेव्हा दोन चॅनेल वास्तविकपणे भिन्न शॉपिंग मिशन सर्व्ह करतात तेव्हा चांगले कार्य करते. निर्णय फ्रेमवर्क सोपे आहे: जर ग्राहक नियमितपणे ऑनलाइन शोधत असतील आणि-स्टोअरमध्ये रूपांतरित झाले तर, संरेखन महत्त्वाचे आहे. ऑनलाइन आणि{9}}स्टोअरमधील खरेदीदार मोठ्या प्रमाणात वेगळे प्रेक्षक असल्यास, भिन्नता अधिक कार्यक्षम असू शकते.

कुठून सुरुवात करायची.तुमचा ई-कॉमर्स शून्य-परिणाम शोध डेटा तुमच्या श्रेणी नियोजन पुनरावलोकनाशी जोडणे हा सर्वात व्यावहारिक एंट्री पॉइंट आहे. कोणत्याही नवीन तंत्रज्ञानाची आवश्यकता नाही - श्रेणी व्यवस्थापकांद्वारे पुनरावलोकन केलेल्या अयशस्वी शोध क्वेरींच्या मासिक निर्यातीमुळे-स्टोअर विक्री डेटा कधीही प्रकट होणार नाही अशा वर्गीकरणातील अंतर उघड करू शकते. यासह पेअर करत आहेसुधारित शेल्फ-स्तरीय डेटा कॅप्चरभौतिक स्टोअरमध्ये ऑनलाइन सिग्नल आणि{0}}स्टोअर अंमलबजावणी दरम्यान एक बंद लूप तयार करते.

हे सराव मध्ये कसे दिसते

खालील परिस्थिती स्पष्ट करतात की वर्गीकरण ऑप्टिमायझेशन तत्त्वे रिटेल फॉरमॅटवर कशी लागू होतात. ही उदाहरणे उदाहरणे आहेत, विशिष्ट कंपनी केस स्टडी नाहीत.

किराणा: एकूण डेटामध्ये स्थानिक मागणी मास्किंग.प्रादेशिक किराणा शृंखला एकूण श्रेणी डेटा वापरून वर्गीकरण योजना करते. वांशिक खाद्य श्रेणी - विशिष्ट अतिपरिचित क्षेत्रांमध्ये मजबूत कलाकार - सातत्याने कमी प्रतिनिधित्व करतात कारण बॅनर स्तरावर आणल्यावर त्यांची विक्री कमी केली जाते. वास्तविक बास्केट कंपोझिशनवर तयार केलेला क्लस्टर-आधारीत दृष्टीकोन हे स्पष्ट करतो की काही स्टोअर गटांमध्ये कमी श्रेणीची मागणी ही स्ट्रक्चरल डेटा एकत्रीकरण समस्या होती. स्थानिक खरेदी वर्तन प्रतिबिंबित करण्यासाठी त्या स्टोअरचे टेम्पलेट समायोजित केल्याने अंतर कमी होते. सक्षम करणारा घटक हे नवीन तंत्रज्ञान नाही - ते बॅनर ऐवजी स्टोअरद्वारे मागणी डेटाचे विभाजन करत आहे. सारख्या साधनांद्वारे चांगली दृश्यमानताकिराणा दुकानात इलेक्ट्रॉनिक शेल्फ लेबलत्या समायोजित वर्गीकरण प्रत्यक्षात कार्यान्वित केले जात आहेत की नाही या चालू मोजमापाचे समर्थन करते.

फॅशन: लाँग-टेल SKU व्यवस्थापन.विशिष्ट पोशाख किरकोळ विक्रेत्याकडे प्रत्येक हंगामात अनेक हजार सक्रिय SKU असतात. उत्पादकता पुनरावलोकनावरून असे दिसून येते की श्रेणीचा एक महत्त्वपूर्ण भाग नियोजन, यादी आणि पुनर्पूर्ती संसाधने वापरत असताना कमाईचा असमानतेने लहान वाटा निर्माण करतो. विश्लेषण कमी कामगिरी करणाऱ्यांचे दोन गट वेगळे करते: ओळखण्यायोग्य निष्ठावान ग्राहक आधार नसलेले SKU आणि नकारात्मक स्थान-ते-मार्जिन योगदान, आणि विशिष्ट खरेदीदार विभागामध्ये कमी एकंदर व्हॉल्यूम परंतु उच्च पुनरावृत्ती खरेदी दर असलेले SKU. पहिला गट टप्प्याटप्प्याने बाहेर पडतो. दुसरा समायोजित जागा वाटपासह राखून ठेवला आहे. परिणाम म्हणजे एक घट्ट श्रेणी जी कार्यान्वित करणे सोपे आहे आणि शेल्फ स्तरावर निर्णय थकवा निर्माण होण्याची शक्यता कमी आहे.

सुविधा किरकोळ: भिन्नता म्हणून अंमलबजावणीची गती.एक लहान-स्वरूप सुविधा शृंखला अशा ठिकाणी कार्य करते जिथे प्रत्येक चौरस फूट जास्त भाग असतो-आणि स्टॉकआउटची किंमत कमी इन्व्हेंटरी बफरद्वारे वाढविली जाते. मर्यादित घटक म्हणजे वर्गीकरण योजना नाही - हा स्टॉकआउट होणारा आणि त्याला प्रतिसाद देणारा स्टोअर असोसिएट यांच्यातील वेळ आहे. अनुसूचित मॅन्युअल तपासणीवर अवलंबून न राहता स्वयंचलित शेल्फ मॉनिटरिंगद्वारे ते अंतर कमी करणे, उच्च-मार्जिन आवेग श्रेणींसाठी-स्टोअर उपलब्धतेवर थेट आणि मोजता येण्याजोगे प्रभाव पाडते.

वारंवार विचारले जाणारे प्रश्न

रिटेलमध्ये वर्गीकरण ऑप्टिमायझेशन म्हणजे काय?

वर्गीकरण ऑप्टिमायझेशन ही विक्री, मार्जिन आणि ग्राहकांचे समाधान वाढवण्यासाठी प्रत्येक स्टोअरमध्ये ऑफर केलेले उत्पादन मिश्रण सतत निवडण्याची आणि परिष्कृत करण्याची प्रक्रिया आहे. एका-वेळच्या वर्गीकरणाच्या प्लॅनिंगच्या विपरीत, ते वास्तविक-वेळ डेटा आणि उत्पादनाची निवड प्रत्यक्ष मागणीशी संरेखित ठेवण्यासाठी चालू कामगिरी पुनरावलोकने एकत्रित करते.

वर्गीकरण नियोजन आणि वर्गीकरण ऑप्टिमायझेशनमध्ये काय फरक आहे?

वर्गीकरण नियोजन ही एक नियतकालिक, केंद्रीकृत प्रक्रिया आहे - विशेषत: हंगामी किंवा वार्षिक - जी ऐतिहासिक डेटावर आधारित कोणती उत्पादने घेऊन जावी हे परिभाषित करते. वर्गीकरण ऑप्टिमायझेशन सतत आहे. हे रिअल-टाइम सिग्नल आणि स्टोअर-स्तरीय कार्यप्रदर्शन डेटा समाविष्ट करते ज्यामुळे परिस्थिती बदलते म्हणून वर्गीकरण जुळवून घेते. नियोजन सुरुवातीची दिशा ठरवते; ऑप्टिमायझेशन ते कॅलिब्रेट ठेवते.

AI वर्गीकरण ऑप्टिमायझेशन कसे सुधारते?

AI क्लस्टर सरासरीच्या पलीकडे जाणारे स्टोअर-स्तरीय मागणी अंदाज सक्षम करते, प्रतिस्थापन प्रभावांचा लेखाजोखा करताना कमी कामगिरी करणारे SKU ओळखते, सध्याच्या विक्री वेगावर आधारित प्लॅनोग्राम शिफारशी व्युत्पन्न करते आणि वास्तविक-वेळ सिग्नल - हवामान, स्थानिक कार्यक्रम, स्पर्धक क्रियाकलाप {3} मध्ये चक्रीय क्रियाकलापांचे नियोजन करू शकत नाही अशा वेळेवर प्रक्रिया करते. वर कृती करा.

वर्गीकरण ऑप्टिमायझेशन अयशस्वी होण्याची सर्वात सामान्य कारणे कोणती आहेत?

पाच सर्वात सामान्य अपयश मोड: -ऐतिहासिक डेटावर जास्त अवलंबून राहणे जे वर्तमान मागणी कॅप्चर करू शकत नाही; केंद्रीकृत निर्णय-स्थानिक भिन्नता चुकवणारे; सायल्ड डेटा सिस्टम जे अपूर्ण चित्र तयार करतात; प्लॅनोग्राम अनुपालन मुख्यालयाच्या गृहीतापेक्षा कमी आहे; आणि ऑनलाइन मागणी सिग्नल समाविष्ट करण्यात अयशस्वी जे केवळ-स्टोअर विक्री डेटामध्ये अदृश्य अंतर दर्शवते.

वर्गीकरण ऑप्टिमायझेशनसाठी मी कोणते केपीआय ट्रॅक करावे?

सर्वात उपयुक्त मेट्रिक्स म्हणजे स्टॉकआउट रेट, विक्री-दराद्वारे, SKU उत्पादकता (शेल्फ स्पेसच्या प्रति युनिट महसूल किंवा मार्जिन), प्लॅनोग्राम अनुपालन दर, श्रेणी मार्जिन योगदान आणि क्लस्टर मागणी संरेखन (नियोजित वर्गीकरण आणि वास्तविक विक्री यांच्यातील फरक-क्लस्टर स्तरावर). या सर्वांचा केवळ एकत्रितच नव्हे तर स्टोअर स्तरावर मागोवा घ्या.

अंमलबजावणीसाठी किती वेळ लागतो?

बेसलाइन ऑडिट आणि क्लस्टर-आधारीत ऑप्टिमायझेशन फ्रेमवर्क सामान्यत: विद्यमान डेटा वापरून काही महिन्यांत विकसित केले जाऊ शकते. अधिक अत्याधुनिक AI-चालित सतत ऑप्टिमायझेशनसाठी मजबूत डेटा पाया आवश्यक आहे आणि पूर्णपणे कार्यान्वित होण्यासाठी 12 ते 18 महिने लागू शकतात. कोणत्याही नवीन तंत्रज्ञानाची आवश्यकता होण्यापूर्वी ऑडिटसह प्रारंभ केल्याने जवळजवळ नेहमीच द्रुत विजय उपलब्ध होतात.

लहान किरकोळ विक्रेत्यांना वर्गीकरण ऑप्टिमायझेशनचा फायदा होऊ शकतो?

होय. कोणती उत्पादने त्यांची जागा कमावतात हे समजून घेणे, स्टॉकआउट फ्रिक्वेन्सी शोधणे आणि विक्री डेटा आणि उत्पादन निर्णय यांच्यातील फीडबॅक लूप तयार करणे हे कोणत्याही आकाराच्या ऑपरेशनसाठी अर्थपूर्ण आहे हे समजून घेताना, स्केल - विचारात न घेता तत्त्वे लागू होतात. लहान किरकोळ विक्रेत्यांना एंटरप्राइझ एआय प्लॅटफॉर्मची आवश्यकता नसते; विनामूल्य किंवा कमी-किंमत विश्लेषण साधने त्यांच्याकडे आधीपासून असलेल्या डेटावर आधारित उपयुक्त ऑप्टिमायझेशनला समर्थन देऊ शकतात. निवडत आहेउजव्या शेल्फ लेबल समाधानमहत्त्वपूर्ण पायाभूत गुंतवणुकीशिवाय डेटा कॅप्चर सुधारण्यासाठी हा एक व्यावहारिक प्रारंभ बिंदू आहे.

मला सुरू करण्यासाठी कोणता डेटा आवश्यक आहे?

किमान: किमान 12 महिन्यांच्या इतिहासासह स्टोअरद्वारे SKU-स्तरीय विक्री डेटा, वर्तमान इन्व्हेंटरी पातळी आणि काही प्रमाणात शेल्फ उपलब्धता - अगदी मॅन्युअल स्टॉकआउट अहवाल. या पायावरून, तुम्ही अर्थपूर्ण ऑडिट करू शकता, तुमच्या सर्वोच्च-प्रभाव संधी ओळखू शकता आणि डेटा सुधारणा रोडमॅप तयार करू शकता. परिपूर्ण डेटा ही पूर्व शर्त नाही. अपूर्ण डेटासह उपयुक्त ऑप्टिमायझेशन शक्य आहे, जोपर्यंत तुम्ही समजता आणि त्यातील अंतर लक्षात घेता.

कुठून सुरुवात करायची

वर्गीकरण ऑप्टिमायझेशन सर्वात जास्त मूल्य प्रदान करते जेव्हा ते सतत लूप म्हणून कार्य करते - कार्यप्रदर्शनाचे विश्लेषण करा, उत्पादन मिश्रण समायोजित करा, स्टोअरमध्ये कार्यान्वित करा-, परिणाम मोजा आणि पुनरावृत्ती करा. ही क्षमता सर्वात प्रभावीपणे तयार करणारे किरकोळ विक्रेते सर्वात प्रगत साधनांमध्ये प्रथम गुंतवणूक करतात असे नाही. ते असे आहेत जे त्यांचे वर्तमान वर्गीकरण कोठे अयशस्वी होत आहे याबद्दल प्रामाणिक डेटासह प्रारंभ करतात आणि त्या डेटावर सातत्याने कार्य करण्याच्या संस्थात्मक सवयी तयार करतात.

जर तुम्ही सुरवातीपासून सुरुवात करत असाल, तर चार क्रिया ताबडतोब कारवाई करण्यायोग्य आहेत: तुमच्याकडे आधीपासून असलेला डेटा वापरून स्टॉकआउट आणि SKU उत्पादकता ऑडिट करा; गृहित लोकसंख्याशास्त्रापेक्षा वास्तविक खरेदी वर्तनाच्या विरूद्ध आपल्या स्टोअर क्लस्टर व्याख्यांचे पुनरावलोकन करा; तुमचा ई-कॉमर्स शून्य-परिणाम शोध डेटा तुमच्या श्रेणी नियोजन वर्कफ्लोशी कनेक्ट करा; आणि कोणते वर्गीकरण निर्णय स्वयंचलित असले पाहिजेत विरुद्ध एखाद्या व्यक्तीने अंमलबजावणी करण्यापूर्वी त्याचे पुनरावलोकन केले पाहिजे ते परिभाषित करा.

कोणतेही नवीन तंत्रज्ञान - मिळवण्यापूर्वी यापैकी प्रत्येक केले जाऊ शकते आणि प्रत्येक तंत्रज्ञानाची गुंतवणूक प्रत्यक्षात सुई कुठे हलवेल याची स्पष्ट दृश्यमानता निर्माण करेल.