کدام محصولات را باید ذخیره کنید؟

انتخاب محصولات مناسب برای سهام بسیار مهم است - و اغلب دستیابی به آن به همان اندازه سخت است. در این قطعه ، نویسندگان رویکرد جدیدی را برای برنامه ریزی مجموعه ارائه می دهند. این رویکرد مبتنی بر این ایده است که بیشتر اوقات ، مشتریان به دنبال خرید محصولات خاص نیستند. در عوض ، آنها به دنبال مجموعه ای از ویژگی ها هستند. به عنوان مثال ، هنگامی که مشتریان خرید تلویزیون را در نظر می گیرند ، در مورد اندازه صفحه نمایش ، وضوح ، قیمت ، LCD یا پلاسما و برند فکر می کنند. روش جدید از فروش محصولات موجود برای برآورد تقاضا برای ویژگی های مختلف خود استفاده می کند ، و سپس از آن تخمین ها برای پیش بینی تقاضا برای محصولات جدید بالقوه بر اساس ویژگی های آنها استفاده می کند. این تکنیک می تواند به خرده فروشان کمک کند تا کار بهتری را برای جایگزینی فروشندگان آهسته انجام دهند ، و می دانند که آیا مشتریان در صورت عدم یافتن محصول ایده آل خود و سفارشی کردن مجموعه ها ، احتمالاً برای انتخاب دیگری حل و فصل می شوند.

توییت پست اشتراک گذاری حاشیه نویسی کردن صرفه جویی PDF را دریافت کنید کپی بخرید چاپ

گرفتن درست مجموعه محصولات آسان نیست ، اما برای موفقیت خرده فروشی کاملاً مهم است. بر خلاف مدیریت و قیمت گذاری موجودی ، جایی که خرده فروشان داده و ابزارهای تحلیلی زیادی برای هدایت تصمیم گیری دارند ، بهینه سازی مجموعه ای هنوز هم بسیار بیشتر از علم است. و برقراری تماس اشتباه می تواند فاجعه بار باشد. این مثالها را در نظر بگیرید:

• پس از نظرسنجی که در آن مشتریان گفتند که آنها دوست دارند فروشگاه های کم رنگ تر باشند ، والمارت در سال 2008 تأثیر پروژه را معرفی کرد و 15 ٪ از SKU های حمل شده را از بین برد. فروش به میزان قابل توجهی کاهش یافت و مجبور شد بیشتر تغییرات را به عقب برگرداند.

• Super Fresh ، متعلق به خرده فروش مواد غذایی A& P ، حمل بسیاری از کالاهای مواد غذایی خشک کم پرفروش خود را متوقف کرد تا امکان گسترش پیشنهادات تازه را فراهم کند. اما محصولات حذف شده برای مشتریان ضروری بودند. وقتی نتوانستند آنها را پیدا کنند ، تجارت خود را به جای دیگری بردند و خرده فروش وارد ورشکستگی شد.

• یک خرده فروش کالاهای خانگی از داده های جمعیتی برای بومی سازی مجموعه های خود برای تهیه بهتر سلیقه مشتریان استفاده می کرد. این کار با رختخواب مد شروع شد و از دیدن یک آسانسور 18 ٪ درآمد هیجان زده شد. اما هنگامی که داده ها را در گروه حمام مد اعمال می کرد ، درآمدها جوانه نمی زدند. دلسرد کننده ، خرده فروش این تلاش را رها کرد.

• هنگامی که مدیرعامل جدید یک خرده فروش تایر مجموعه ای خود را از لاستیک های ارزان قیمت به سمت های گران قیمت تر تغییر داد ، او روش سختی را که قیمت برای مشتریانش اهمیت داشت ، آموخت. مدیرعامل پس از دو سال جایگزین شد و جانشین وی بیشتر محصولاتی را که از بین رفته بودند ، ترمیم کرد.

این حرکت ها مانند بسیاری از تغییرات مجموعه ای از استراتژی ، عمدتاً اعمال ایمان بودند. به راحتی می توان سگها را در مجموعه خود قرار داد ، البته داده های فروش به شما خواهند گفت که - اما این دور از آشکار نیست که فروشندگان آهسته باید جایگزین شوند. و همیشه این نگرانی جالب وجود دارد که یک فروشنده آهسته که شما حذف می کنید ممکن است یک محصول مهم برای برخی از بهترین مشتریان شما باشد و باعث می شود آنها به رقبا نقص دهند. همانطور که همه خرده فروشان می دانند ، انتخاب بهترین مجموعه یک عمل متعادل است. هر تغییر می تواند اثرات موج دار داشته باشد.

بسیاری از ابزارهای نرم افزاری ادعا می کنند که با کمک به خرده فروشان تصمیم می گیرند که کدام ترکیب محصولات را به حداکثر برساند ، از برنامه ریزی مجموعه پشتیبانی می کنند. اما با استثنائات بسیار اندک ، آنها توانایی پیش بینی تقاضا برای محصولات جدید یا تخمین میزان تقاضا را در صورت کاهش یک فروشنده آهسته به سایر محصولات منتقل می کنند. این ابزارها چیزی بیش از تسهیل یک فرآیند برنامه ریزی دستی که به قضاوت مدیران برای ورودی های کلیدی متکی است ، انجام می دهند. آنها هیچ کاری برای کاهش ریسک ذاتی در هر تصمیم تولید محصول انجام نمی دهند.

برای پرداختن به این کمبود ، ما تکنیکی را تهیه کرده ایم که برنامه ریزی مجموعه ای را بسیار علمی تر می کند. ریشه در مشاهدات ما دارد که بیشتر اوقات مشتریان محصولات خریداری نمی کنند. آنها مجموعه ای از ویژگی ها را خریداری می کنند. به آخرین باری که یک تلویزیون خریداری کرده اید فکر کنید. گفتی "من تلویزیون X می خواهم"؟یا آیا در مورد اندازه صفحه نمایش ، وضوح ، قیمت ، LCD در مقابل پلاسما و برند فکر کردید؟رویکرد ما از فروش محصولات موجود برای برآورد تقاضا برای ویژگی های مختلف آنها استفاده می کند و سپس از این تخمین ها برای پیش بینی تقاضا برای محصولات جدید بالقوه استفاده می کند. خرده فروشان که با این داده ها مسلح هستند ، می توانند از نظر علمی بیشتر آزمایش کنند.

رویکرد ما به ویژه برای خرده فروشان در بخش های خوب و مواد غذایی مفید است. در بخش پوشاک حساس به مد ، جایی که محصولات به سرعت تغییر می کنند ، کمتر کاربرد دارد. خرده فروشان مواد غذایی در حال حاضر از وفور داده های موجود در بازار برای شناسایی اضافات احتمالی استفاده می کنند - اسکی که آنها در سایر خرده فروشان فروش خوبی ندارند. اما تحقیقاتی که انجام دادیم نشان می دهد که رویکرد مبتنی بر ویژگی ما حاشیه خطای کمتری دارد.

همچنین به خرده فروشان کمک می کند تا در مورد سؤالات زیر بینش بگیرند:

• آیا می توانیم با جایگزین کردن محصولات آهسته با محصولات جدید ، مجموعه خود را بهبود بخشیم؟تقاضای احتمالی موارد جدید بالقوه چیست؟

• اگر مشتریان محصول ایده آل خود را پیدا نکنند ، احتمال اینکه آنها دیگری را جایگزین کنند ، چقدر است؟

• اگر تعداد محصولاتی را که حمل می کنیم افزایش یا کاهش می دهیم ، چگونه فروش تغییر خواهد کرد؟

• آیا بومی سازی - مجموعه های سازگار با فروشگاه یا خوشه فروشگاه - حس می کند؟اگر چنین است ، برای کدام دسته؟اگر تصمیم به ایجاد خوشه فروشگاه هایی با مجموعه های متمایز داریم ، چند نفر را باید ایجاد کنیم و از چه معیاری باید در ایجاد آنها استفاده کنیم؟

با تمرکز بر روی ویژگی های محصولات ، خرده فروشان می توانند تعداد مشتریانی را که می گویند "این دقیقاً همان چیزی است که من می خواهم" یا "این محصول ممکن است چیزی نباشد که من از نظر ایده آل دوست دارم ، به حداکثر برساند ، اما به اندازه کافی نزدیک است ، و من آن را خریداری می کنم. "حال بیایید با استفاده از دو مثال در خرده فروشی قطعات خودرو: بخش تایر یک زنجیره (یک پروژه تحقیقاتی که انجام دادیم) و بخش ظاهر و شیمیایی دیگری (یک کار مشاوره). در حالی که این فرایند در اینجا به صورت مرحله به مرحله شرح داده شده است ، در واقع چند بعدی و بسیار تکراری است. بخش اعظم تجزیه و تحلیل توسط یک مدل رایانه ای انجام می شود که توصیه های نهایی را ارائه می دهد.

درک کنید که کدام ویژگی ها بیشتر برای مشتریان مهم است

استفاده از روش ما هنوز هم به قضاوت در مورد اینکه کدام ویژگی ها برای مصرف کنندگان مهم است و اینکه چگونه این ترجیحات ممکن است در تصمیم گیری های خرید آنها تأثیر بگذارد در صورت عدم انتخاب اول خود ، نیاز دارد. مراحل زیر می تواند به خرده فروشان کمک کند تا این سؤالات را برطرف کنند.

مشخص کنید که کدام ویژگی ها برای مشتریان مهم است.

بیشتر خرده فروشان از نظر ویژگی ها در مورد محصولات خود فکر می کنند و می توانند به راحتی مواردی را که در گروه خود مهم هستند شناسایی کنند. آنها ممکن است شامل قیمت ، مارک ، اندازه ، طعم و رنگ باشند.

هنگامی که ما پروژه تحقیقاتی خود را در مورد لاستیک ها شروع کردیم ، مدیر دسته خرده فروشان به ما گفت که ویژگی های مهم لاستیک ها برند ، ضمانت مسافت پیموده شده و اندازه است. این خرده فروش چندین مارک تبلیغاتی ملی را ارائه داد که مدیر معتقد است مشتریان قابل تعویض هستند. ما آنها را به عنوان مارک های ملی گروه بندی کردیم. این خرده فروش همچنین سه مارک خانه با کیفیت و قیمت متفاوت را ارائه داد ، که ما آن را House 1 (مارک پریمیوم) ، خانه 2 (سطح متوسط) و خانه 3 (کمترین سطح) می نامیم. تعدادی از ضمانت های مسافت پیموده شده ارائه شد ، اما خرده فروش معتقد بود که مصرف کنندگان بسیاری را معادل آن می دانند. بنابراین ، ما ضمانت های مسافت پیموده شده را به سه سطح گروه بندی کردیم: پایین (15،000 تا 40،000 مایل) ، متوسط (40،001 تا 60،000 مایل) و زیاد (بیشتر از 60،000 مایل).

این چهار مارک و سه سطح وارانتی مسافت پیموده شده حاکی از 12 ترکیب با نام تجاری وارانتی است که خرده فروش از نظر تئوریک می تواند ارائه دهد ، اما برخی از آنها حس کمی داشتند ، مانند ضمانت کوهنوردی بالا در یک برند کم قیمت. فقط شش ترکیب در واقع ارائه شده است (در کاهش نظم کیفیت): ملی بالا ، رسانه ملی ، خانه 1 بلند ، خانه 2 بلند ، خانه 2 متوسط و خانه 3 کم.

مشاهده سگها در مجموعه شما آسان است ، اما از نظر آشکار نیست که فروشندگان آهسته باید جایگزین شوند.

سومین ویژگی اصلی لاستیک ، اندازه ، شامل نوع (به عنوان مثال ، شعاع) و اینکه آیا برای یک ماشین مسافر یا نوع دیگری از وسیله نقلیه است. لاستیک ها در 64 اندازه قرار دارند ، به این معنی که 384 SKU ممکن است که خرده فروش می توانست حمل کند (64 اندازه 6 × 6 ترکیب مارک وارانتی). اما در بیشتر فروشگاه ها فقط 105 نفر داشت. تعداد این تعداد در زنجیره متفاوت بود ، بیشتر با توجه به اندازه فروشگاه. این مجموعه ها نیز متفاوت بودند ، اما بیشتر فروشگاه ها محبوب ترین SKU ها را حمل می کردند.

اگر محصول مورد نظر خود را ارائه نمی دهید ، چه کاری را انجام می دهند.

تمایل مشتریان برای خرید محصول دیگر در صورتی که انتخاب اول خود را پیدا نکنند ، ورودی مهمی است وقتی یک خرده فروش در حال رها کردن کالاها را در نظر می گیرد. تمایل آنها تا حد زیادی به این ویژگی بستگی دارد. مشتریان احتمالاً یک اندازه لباس را برای دیگری جایگزین نمی کنند ، اما اگر قرمز در این مجموعه نباشد ممکن است رنگ آبی را خریداری کنند. به همین ترتیب ، مردم قصد ندارند یک تایر 14 اینچی را برای یک چرخ 15 اینچی خریداری کنند ، اما ممکن است یک مارک تجاری و وارانتی مسافت پیموده شده را برای دیگری جایگزین کنند. بنابراین در ساخت مجموعه ای ، خرده فروشان باید این واقعیت را به حساب بیاورند که اگر مشتریان مورد ایده آل خود را پیدا نکنند ، برخی از آنها گزینه بعدی را خریداری می کنند و برخی دیگر نمی توانند. در مثال تایر ما ، ما به درصد مشتریانی که در صورت انتخاب اول آنها در دسترس نبودند و درصدی که کاهش می یابد ، به درصد مشتریانی که با یک سطح کیفیت تغییر می کنند ، علاقه مند بودیم.

فروش فعلی و بالقوه را با ویژگی تجزیه و تحلیل کنید

اکنون خواهیم فهمید که کالاهای شما در حال حاضر به فروش نمی رسند و چگونه افزودن آنها به ترکیب محصول شما بر فروش کلی تأثیر می گذارد. اینجاست که علم وارد می شود.

داده های فروش را برای یک دوره اخیر جمع کنید.

با آنچه می دانید شروع کنید: فروش واحد SKU هایی که در حال حاضر حمل می کنید و سهم ترکیبی از هر مارک وارانتی از کل فروش شما. این پایه و اساس مدل است. ما به طور معمول به شش ماه به ارزش یک سال داده های اخیر نگاه می کنیم.

در پروژه تایر ، ما داده های فروش را توسط SKU برای هر فروشگاه طی یک دوره شش ماهه اخیر جمع آوری کردیم. شکل 1 ، نشان دادن داده های یک فروشگاه برای 15 از 64 اندازه تایر ، داده های خام را برای تجزیه و تحلیل ما نشان می دهد.(داده ها برای محافظت از اطلاعات اختصاصی تغییر یافته است.)

تقاضای پیش بینی برای همه SKU های بالقوه.

این واقعیت که برخی از SKU ها فقط فروش تک رقمی داشتند ، حاکی از آن است که جایگزینی آنها می تواند درآمد را افزایش دهد ، اما این چالش این بود که بفهمیم SKU های جدید بهتر می فروشند. اولین قدم استفاده از داده های فروش برای پیش بینی تقاضای کل برای هر اندازه تایر در صورت ارائه تمام ترکیبات وارانی با مارک تجاری است.

برای نشان دادن ، بیایید به اندازه F. نگاهی بیندازیم (شکل 2 را ببینید) توجه کنید که خرده فروش در حال حاضر اندازه F را در چهار مورد از شش ترکیب مارک وارانتی حمل می کند. ما با افزودن سهام کل فروش که توسط هر یک از ترکیبات ارائه شده در اندازه F (7. 7 ٪ + 2. 6 ٪ + 19. 2 ٪ + 57. 5 ٪) استفاده می کنیم ، شروع می کنیم. این به ما می گوید سهم تقاضای کل برای اندازه F که خرده فروش در حال حاضر ضبط می کند (87 ٪). به عبارت دیگر ، خرده فروش از لحاظ نظری سهام فروش مرتبط با دو ترکیب ارائه شده را از بین می برد: رسانه ملی ، 2 ٪ و خانه 3 پایین ، 11 ٪.

برای محاسبه تقاضای کل برای اندازه F ، ما به سادگی فروش کل را برای اندازه F با سهم تقاضا ضبط شده تقسیم می کنیم: 1،204 ÷ 87 ٪ = 1،384. هنگامی که ما تقاضای کل برای اندازه F را می دانیم ، می توانیم با ضرب تقاضای کل برای اندازه با سهم فروش که توسط ترکیب مارک وارانتی حاصل می شود ، تقاضا برای هر SKU را در آن اندازه تخمین بزنیم. به عنوان مثال ، House 3 Low سهم کلی 11 ٪ دارد. استفاده از این درصد در 1،384 پیش بینی 152 واحد برای خانه 3 در اندازه کم F.

پیش بینی را اصلاح کنید.

این محاسبه ما را فقط به یک پیش بینی دقیق می برد ، زیرا می بینید که آیا فروش کالایی را که در واقع حمل می کنید پیش بینی کرده اید. ما در بالا مشخص کردیم که اگر همه ترکیبات برای اندازه F ارائه شود ، کل فروش 1،384 واحد خواهد بود. بنابراین ، تقاضا برای House 2 Medium ، فروشنده برتر خرده فروش ، 796 (1،384 x 57. 5 ٪) تخمین زده می شود. با این حال ، فروش واقعی کاملاً پایین تر بود: 763 واحد.

یکی از دلایل اختلاف این است که سهام فروش تحت تأثیر مجموعه ارائه شده است. House 2 High و Medium تقریباً در هر اندازه ارائه می شد ، که کل سهام فروش آنها را نسبت به ترکیبات مارک وارانتی ارائه می داد که در اندازه های کمتری ارائه می شود.

برای تصحیح چنین اختلافاتی ، ما باید سهام فروش مارک وارانتی را به حداقل برسانیم تا میانگین تفاوت را به حداقل برسانیم-آنچه آماری ها میانگین انحراف مطلق را می نامند-بین تخمین ها و فروش واقعی. این فرآیند بسیار تکراری با استفاده از یک ابزار بهینه سازی مانند Excel Solver انجام می شود. در اصل ، این ابزار مقادیر آزمایشی را برای شماره های سهم برند وارانتی به محاسبات برآورد تقاضا برای همه SKU های فعلی وصل می کند و می بیند که پیش بینی های نتیجه ای به فروش واقعی چقدر نزدیک است. سپس مقادیر سهم را تنظیم می کند تا پیش بینی ها را به هم نزدیک تر کند ، و تا زمانی که به مقادیر سهم برسد ، تکرار می شود که مجموع اختلافات موجود در SKU های ارائه شده را به حداقل می رساند. این دقیقاً راهی است که شما برای عینک های عینک دریافت می کنید: با یک لنز آزمایشی شروع کنید ، یک لنز متفاوت را امتحان کنید - عادلانه یا بدتر؟

این فرایند منجر به سهام تقاضای "بهترین" برای شش ترکیب مارک وارانتی شد: 2. 4 ٪ ، 1. 1 ٪ ، 1. 5 ٪ ، 6. 7 ٪ ، 18. 6 ٪ و 69. 6 ٪.(شکل 3 را ببینید.) سهام تقاضا را با سهام فروش واقعی مقایسه کنید ، و تصویری به طرز چشمگیری متفاوت از مجموعه های بهینه شروع به ظهور می کند.

توجه داشته باشید که پیش بینی ها ، در حالی که نزدیک به فروش واقعی هستند ، کاملاً دقیق نیستند. دو عامل در خطاهای پیش بینی نقش دارند: اول ، نوسانات تصادفی در فروش وجود دارد. و دوم ، فرض ما مبنی بر اینکه تقاضا برای یک SKU برابر با تقاضای اندازه ضرب شده توسط سهم برند وارانتی است ، ناقص است ، زیرا سهام ترکیبات مارک وارانتی می تواند از نظر اندازه متفاوت باشد.(به عنوان مثال ، تقاضا برای لاستیک های کم مصرف در اندازه هایی که دارای اتومبیل های قدیمی تر و ارزان تر از اندازه های دیگر بودند ، بیشتر بود.

با تعیین بهترین ارزش سهم ، تقاضا را می توان برای همه SKU های بالقوه تخمین زد.(شکل 4 را ببینید)

حساب برای تجارت بالا و پایین.

حالا بیایید یک چین و چروک دیگر را در نظر بگیریم: جایگزینی. محاسباتی که ما در بالا توضیح دادیم صریحاً این واقعیت را به خود اختصاص نمی دهد که مشتریان ممکن است در صورت عدم ارائه گزینه مورد نظر خود ، مایل به خرید ترکیبی متفاوت از مارک تجاری باشند. به عنوان مثال ، خرده فروش مشکوک بود که سهم 57. 5 ٪ فروش House 2 Medium لزوماً به معنای این نیست که بیش از نیمی از مشتریان خود این ترکیب را ترجیح می دهند. آنها ممکن است برای آن حل و فصل شده باشند زیرا گزینه ارجح آنها ، خانه ارزان تر 3 پایین ، ارائه نشده است. یکی از سرنخ هایی که می تواند این مورد باشد این بود که وقتی House 3 Low در یک اندازه معین ارائه می شد ، آن را به صورت خارج از خانه 2 در حدود شش تا یک قرار می داد.

امور پیچیده تر و پیچیده تر ، میزان تجارت مشتریان بالا و پایین ممکن است برای همه سطح کیفیت یکسان نباشد. اگر فکر می کنید این مورد برای SKU هایی که برای تجارت شما بسیار مهم هستند ، باید در محاسبات خود حساب کنید. برای پروژه تایر ، ما فرض کردیم که کسری از مشتریانی که تجارت می کنند بالا یا پایین برای همه ترکیبات وارانگی برند برابر بودند به استثنای مشتریانی که از خانه 3 به خانه 2 متوسط تغییر می کنند.(این دو ترکیب با نام تجاری بیش از دو سوم فروش را به خود اختصاص داده اند.)

بنابراین مدل ما اکنون به نه پارامتر نیاز دارد: شش سهم برند وارانتی و سه پارامتر تعویض ، که شامل کسری از مشتریانی است که یک سطح با کیفیت را تجارت می کنند ، که یک سطح با کیفیت را تجارت می کنند ، و از خانه 3 کم به خانه 2 متوسط تغییر می کنندبشرمانند گذشته ، ما از ابزاری مانند Solver Excel استفاده می کنیم که مقادیر آزمایشی را برای سهام و کسری وصل می کند ، برآورد تقاضا را محاسبه می کند و می بیند که پیش بینی های نتیجه ای به فروش واقعی چقدر نزدیک است. این سهام و کسری را تنظیم می کند تا پیش بینی ها نزدیکتر شود و تا زمانی که بهبود دیگری نداشته باشد ، تکرار می شود. نتایج نهایی: 35 ٪ از مشتریانی که نتوانستند خانه 3 را در اندازه خود پیدا کنند ، تجارت می کنند و خانه 2 را خریداری می کنند. برای سایر سطح کیفیت ، 2 ٪ تجارت می کنند و اگر نتوانند آنچه را که به دنبال آن بودند پیدا کنند ، 1 ٪ تجارت می کنند.

این به سادگی شناسایی 100 SKU های برتر درآمد و نامگذاری آن به عنوان مجموعه ای ساده نیست.

هنگامی که کسری از مشتریانی را که به سمت بالا یا پایین تجارت می کنند ، می دانید ، می توانید در تخمین تقاضای خود جایگزینی را حساب کنید. خانه 2 را در اندازه F در نظر بگیرید. زیرا خانه 3 در این اندازه کم نیست ، تخمین تقاضا را برای House 2 Medium انجام دهید و به آن اضافه کنید که از خانه 3 کم است که توسط کسری از مشتریانی که تجارت می کنند ضرب شده است. در مقابل ، در مقابل ، هر دو خانه 2 متوسط و خانه 3 پایین در مجموعه هستند ، بنابراین هیچ ارزشی برای تقاضای تعویض در برآورد House 2 Medium مشخص نمی شود.

به دنبال پیشگویی های خود تحقق باشید.

اکنون این سناریوی آشنا را در نظر بگیرید: یک خرده فروش فکر می کند که مشتریان خود نمی خواهند یک نوع محصول خاص را خریداری کنند (یا خرده فروش نمی خواهد آن را حمل کند). بنابراین این شرکت مبلغ محدودی را ارائه می دهد و بنابراین بخش اعظم آن را نمی فروشد ، به نظر می رسد فرض اصلی را تأیید می کند که مشتریان آن را نمی خواهند. اما در پایان ، این مجموعه منعکس کننده محصولاتی است که خرده فروش می خواهد به جای آن دسته از مشتریان خود که می خواهند خریداری کنند - یک گزاره خطرناک باشد. یکی از مزایای تکنیک ما این است که به خرده فروشان این امکان را می دهد تا چنین شرایطی را مشخص کنند.

به عنوان مثال ، در مقایسه تقاضای تخمین زده شده و فروش واقعی در خرده فروش خودرو ، یک نتیجه غافلگیرکننده پیدا کردیم: خانه 3 پایین سهم فروش 11 ٪ داشت ، اما برآوردهای ما تقاضا را با 69. 6 ٪ از کل فروش ها به دست آورد. سهم فروش پایین به این دلیل رخ داده است که خرده فروش این تایر بسیار کم قیمت را در چند اندازه ارائه می داد و بنابراین بسیاری را به فروش نمی رساند. اما همانطور که داده ها نشان می دهند ، هنگامی که مشتریان بین خانه 3 خانه و خانه 2 انتخابی انتخاب داشتند ، آنها سابق را ترجیح می دادند. این الگوی زنجیره ای در سطح زنجیره ای ادامه داشت. نه اندازه وجود داشت که در آن خانه 3 خانه کم و خانه 2 ارائه شده بود ، و در هر صورت ، 3 خانه پایین خانه 2 خارج از خانه در کل فروش زنجیره ای - با بیش از هفت تا یک.

این خرده فروش انتخاب محدودی از ارزانترین تایر را ارائه داد زیرا مدیران آن فکر می کردند که می توانند مشتریان را تا خانه 2 خانه با قیمت 2 بالا تجارت کنند. اما آنها فقط در 35 ٪ از زمان موفق به فروش شدند. در واقع ، مدل ما نشان می دهد که با نادیده گرفتن سهم 69. 6 ٪ از خانه 3 پایین ، این شرکت 45 ٪ از فروش بالقوه خود را از دست داده است (65 ٪ از 69. 6 ٪ مشتریانی که می خواهند خانه 3 کم داشته باشند و تجارت نکنند)بشر

رویکرد ما نسبت به متعارف برتر است ، که به خرده فروشان نیاز دارد تا حدس بزنند که چگونه ویژگی ها بر تقاضا تأثیر می گذارند.

برای به دست آوردن بینش بیشتر در مورد این یافته ، ما درآمد متوسط را در منطقه ارائه شده توسط هر فروشگاه جدول بندی کردیم و از آن برای ایجاد شکل 5 استفاده کردیم که نشان می دهد سهم ارزانترین خانه 3 کم و عدم تمایل به تجارت با درآمد معکوس بود. به عبارت دیگر ، هرچه میانگین درآمد منطقه ای که یک فروشگاه در آن ارائه می دهد پایین تر باشد ، بیشتر مشتریان آن لاستیک های کم ارزش را ترجیح می دهند و کمتر مایل به تجارت با هزینه های گران قیمت تر بودند.

مجموعه را بهینه کنید

اکنون ما نحوه استفاده از مدل خود را برای تصمیم گیری در مورد کدام SKU های موجود و جدید یک مجموعه بهینه را توصیف خواهیم کرد.

1. تصمیم بگیرید که آیا درآمدها یا سود را به حداکثر برسانید.

طبیعی ترین اندازه گیری سود در یک زمینه خرده فروشی حاشیه ناخالص است - از نظر معمولی ، درآمد منهای هزینه کالاهای فروخته شده. مدارس تجاری و اقتصاددانان به حداکثر رساندن سود موعظه می کنند ، اما خرده فروشان نیز به درآمدها اهمیت می دهند ، تا حدودی به این دلیل که وال استریت از نزدیک آن متریک را تماشا می کند. در هر دو مثال تایر و در مورد ظاهر شیمیایی ، که بعداً به آن خواهیم پرداخت ، هدف این بود که درآمد را به حداکثر برسانیم.

2. در مورد قیمت گذاری برای SKU های احتمالی تصمیم بگیرید.

برای بهینه سازی یک مجموعه ، باید بدانید که هر SKU چقدر درآمد (یا حاشیه) تولید می کند. قیمت ها یک ورودی کلیدی در این محاسبه هستند. البته قیمت SKU های موجود شناخته شده است. اگر قیمت SKU های جدید در دسترس نیست ، با مقایسه ویژگی های SKU های فعلی با موارد جدید بالقوه ، تخمین ها را برآورده می کنید.

در مثال تایر ، ما مشاهده کردیم که قیمت های یک اندازه معین به طور مداوم از ترکیب برتر مارک وارانتی (ملی بالا) به پایین ترین قیمت (خانه 3 پایین) کاهش می یابد. ما این کاهش را برای تخمین قیمت SKU های حمل نشده اعمال کردیم.

3. در مورد مجموعه های نهایی تصمیم بگیرید.

در مرحله بعد ، درآمد بالقوه هر SKU را با ضرب فروش واحد پیش بینی شده خود با قیمت خرده فروشی خود محاسبه کنید.

اکنون داده های مورد نیاز خود را برای شروع ساخت مجموعه خود دارید. با SKU شروع کنید که می تواند بیشترین درآمد یا سود فروشگاه یا زنجیره را ایجاد کند. سپس SKU را اضافه کنید که باعث افزایش عالی ترین درآمد شود. به اضافه کردن SKU ادامه دهید تا زمانی که به حداکثر تعداد SKU های مورد نظر برای حمل ، مثلاً 100 از یک جهان ممکن 400 برسید.

اشتباه نکنید: این به سادگی شناسایی 100 SKU های برتر درآمد و آن را به عنوان مجموعه ای می نامید. به دلیل تعویض تقاضا ، هر بار که یک SKU را به مجموعه اضافه می کنید ، باید چهره های خود را تنظیم کنید تا چگونگی تأثیر آن SKU جدید بر تقاضا برای کسانی که قبلاً اضافه کرده اید ، تنظیم کنید. بدیهی است که این روند بسیار تکراری است.

هنگامی که ما این فرآیند را برای ایجاد یک مجموعه بهینه زنجیره ای از SKU های تایر برای خرده فروش قطعات خودرو اعمال کردیم ، دریافتیم که 47 از 105 SKU باید جایگزین شوند.(جای تعجب نیست که بسیاری از SKU های جایگزین پیشنهادی خانه 3 پایین بودند.)

خرده فروش تا حدی توصیه های ما را اجرا کرد: این 10 SKU جدید را اضافه کرد و 10 نفر دیگر را حذف کرد. یکی از دلایل اجرای جزئی این بود که خرده فروش نمی تواند فروشندگان را برای تولید 47 SKU های پیشنهادی جدید پیدا کند.

ما فروش را پس از اجرای پیگیری کردیم و دریافتیم که حتی این تعدیل جزئی از مجموعه ، درآمد 5. 8 ٪ و حاشیه ناخالص 4. 2 ٪ افزایش یافته است - یک پیشرفت قابل توجه. تجزیه و تحلیل مجموعه ما همچنین باعث شد تا خرده فروشان قیمت ارزانترین تایر را کمی بالا ببرد و از تایر بسیار گران قیمت بعدی پایین بیاید و این شانس را افزایش می دهد که مشتریان تجارت می کنند.

زیبایی رویکرد ما این است که به شما امکان می دهد تا ببینید که درآمد با وسعت مجموعه چگونه متفاوت است. شکل 6 نشان می دهد که چگونه درآمدهای خرده فروش تایر تحت تأثیر تعداد SKU ها در مجموعه قرار می گیرد. خط بالایی در صورت داشتن هر فروشگاه دارای مجموعه بهینه خود ، درآمد را نشان می دهد ، در حالی که خط پایین درآمدها را برای یک مجموعه بهینه واحد برای زنجیره می دهد. از نمودارهایی مانند این می توان برای تغییر فضای قفسه اختصاص داده شده به دسته ها به منظور افزایش فروش استفاده کرد. آنها همچنین می توانند به خرده فروشان کمک کنند تا از اشتباهات Walmart و Super Fresh جلوگیری کنند و این باعث کاهش وسعت مجموعه آنها با نتایج فاجعه بار می شود.

بومی سازی مجموعه

ایجاد مجموعه های موضعی پیچیده است. یک خرده فروش باید درک کند که چگونه تقاضا بین فروشگاه ها تفاوت دارد و سپس مجموعه هایی را ایجاد می کند که برای ذخیره سلیقه های خاص تهیه می شود. بیشتر خرده فروشان برای حمل یک مجموعه منحصر به فرد برای هر فروشگاه بسیار پیچیده می دانند. در عوض ، آنها خوشه های فروشگاه هایی را ایجاد می کنند که از همان مجموعه استفاده می کنند. در چنین مواردی ، آنها باید تصمیم بگیرند که چه تعداد خوشه ای برای ایجاد ایجاد کنند ، بر اساس چه خوشه هایی باید تشکیل شود (به عنوان مثال ، درآمد یا آب و هوا) و چه مجموعه ای برای استفاده در هر خوشه.

تکنیک مبتنی بر ویژگی ما یک روش عالی برای پاسخ به این سؤالات است ، همانطور که در یک مطالعه از دسته ظاهر و شیمیایی که ما برای یک خرده فروش قطعات خودرو که صدها فروشگاه داشت ، مشاهده کردیم. مواد شیمیایی ظاهر شامل مجموعه ای از مایعات و خمیر است که برای شستشو ، موم ، درخشش ، لهستانی و محافظت از اتومبیل استفاده می شود. در مطالعه ، ما شش ویژگی محصولات را در این گروه مشخص کردیم: سطح اتومبیل که باید تحت درمان قرار گیرد ، چه کاری باید برای آن انجام شود ، حالت کاربرد ، اندازه بسته ، مارک و سطح کیفیت (خوب ، بهتر یا یابهترین). خرده فروش مشتاق بود که بفهمد الگوهای تقاضا در بین فروشگاه ها چگونه متفاوت است و سپس از آن اطلاعات برای بومی سازی مجموعه های خود استفاده می کند. این حداکثر پنج خوشه را در نظر گرفت و معتقد بود که داشتن بیش از پنج مجموعه از نظر عملیاتی امکان پذیر نخواهد بود.

ما از روش توضیح داده شده در بالا برای برآورد سهام تقاضا برای سطح ویژگی های مختلف استفاده کردیم ، از آن تخمین ها برای پیش بینی تقاضا برای SKU های بالقوه جدید استفاده کردیم و مجموعه ای از حداکثر درآمد را برای هر فروشگاه ایجاد کردیم.

با استفاده از مجموعه هایی که تولید کرده بودیم ، سپس خوشه های فروشگاه را ایجاد کردیم. ما این روند را با فرض اینکه هر فروشگاه یک خوشه را نشان می دهد ، شروع کردیم. سپس دو فروشگاه را شناسایی کردیم که در صورت مجبور شدن به اشتراک گذاری همان مجموعه ، کمترین کاهش درآمدها را متحمل می شوند و آنها را برای ایجاد یک خوشه دو فروشگاه ترکیب می کنند. ما این روند را تکرار کردیم ، دو فروشگاه بعدی را که می توانند به بهترین وجه مجموعه ای را به اشتراک بگذارند یا با اضافه کردن یک فروشگاه سوم به دو موردی که قبلاً با هم ترکیب کرده بودیم ، شناسایی کردیم - که همیشه منجر به کاهش درآمد می شود. ما ادامه می دادیم ، هر بار که تعداد خوشه های فروشگاه را به یک کاهش می دادیم ، تا اینکه با یک خوشه واحد از همه فروشگاه ها باقی مانده بود. این تعداد درآمد ما را برای تمام سطوح بومی سازی ، از یک مجموعه واحد برای کل زنجیره تا یک مجموعه جداگانه برای هر فروشگاه ، به ما داد.

شکل 7 درآمد پنج گزینه محلی سازی را نشان می دهد ، از یک تا پنج خوشه فروشگاه ، تنظیم شده است تا درآمد یک مجموعه واحد 100 را رقم بزند. همانطور که می بینید ، بازده از افزودن خوشه های فروشگاه کاهش می یابد ، که باعث شد خرده فروش این دو را پیاده سازی کندراه حل خوشه ای.

این داده ها همچنین نشان داد که یکی از این دو خوشه ، که حدود یک سوم از فروشگاه های زنجیره ای را تشکیل می دهد ، سطح بسیار بالاتری از محصولات مربوط به تایر را به فروش می رساند. آن خوشه دارای قومیت متمایز بود که خرده فروش آن را شهری/دو زبانه نامید. بنابراین مجموعه ای از این فروشگاه ها محصولات بیشتری مربوط به تایر را نشان می دهد ، و خرده فروش علائمی را ایجاد کرد که توجه آنها را به خود جلب می کرد.

پس از ردیابی فروش به مدت شش ماه ، دریافتیم که درآمد زنجیره ای در گروه ظاهر شیمیایی 3. 5 ٪ رشد داشته است. این افزایش هم از بومی سازی و هم از بهبود مجموعه پایه ناشی می شود. علاوه بر این ، مجموعه جدید و علائم جدید به روش دیگری به خرده فروش کمک کرده است: این فروش در فروشگاه های شهری/دو زبانه فروش را از دست داده بود ، اما پس از تغییرات ، شروع به افزایش در فروش فروشگاه های قابل مقایسه برای این گروه کرد. ما معتقدیم که این رویکرد مبتنی بر تقاضا به خوشه بندی برتر از رویکرد متعارف است ، که به خرده فروشان نیاز دارد تا حدس بزنند که چگونه ویژگی های فروشگاه بر تقاضا تأثیر می گذارد. تجزیه و تحلیل به ویژه در سطح عملیاتی تصمیم گیری در مورد حمل SKU ها به شدت مورد استفاده قرار نگرفته است. روش ما از Analytics برای جلب بینش در مورد ویژگی های محصول استفاده می کند که مشتریان خود را در هر فروشگاه ترجیح می دهند و سپس بر اساس آن بینش ها مجموعه های بومی شده ای ایجاد می کنند. برنامه ریزی مجموعه ای می تواند به فروش همان فروشگاه اضافه شود. اما اشتباه انجام شد ، می تواند یک خرده فروش را برای سالها فلج کند. روش ما می تواند به خرده فروشان کمک کند تا این کار را به خوبی انجام دهند.