Co to jest optymalizacja asortymentu?

Optymalizacja asortymentu to dziedzina, która ma zaradzić tej luce. Łączy decyzję centrali z tym, co klienci faktycznie znajdują na półce - poprzez dane, ciągłe uczenie się i realizację-na poziomie sklepu. W tym przewodniku omówiono, na czym polega, dlaczego większość podejść zawodzi, jak je wdrożyć i jak mierzyć wyniki.

Optymalizacja asortymentu a planowanie asortymentu: jaka jest różnica?

Te dwa terminy są często używane zamiennie. Opisują zasadniczo różne procesy.

Planowanie określa, jak powinien wyglądać Twój asortyment. Optymalizacja gwarantuje, że rzeczywiście działa - i stale się poprawia w miarę zmiany warunków.

Trzy warstwy, w których podejmowane są i tracone decyzje dotyczące asortymentu

Większość sprzedawców detalicznych dużo inwestuje w pierwszą warstwę. Największe różnice w wydajności występują w pozostałych dwóch.

Warstwa strategiczna: co sprzedać

To tutaj podejmowane są decyzje na poziomie-kategorii: które produkty zajmują miejsce na półkach, w jaki sposób marka prywatna wypada na tle marek krajowych i jaką rolę odgrywa każda kategoria w ogólnej strategii sklepu. Decyzje podejmowane są tutaj w centrali na podstawie danych rynkowych i konkurencyjnych testów porównawczych, a zmiany zachodzą w długich cyklach.

Ryzyko: zagregowane dane maskują lokalne zróżnicowanie. Produkt o akceptowalnej sprzedaży krajowej może osiągać wyniki słabsze w 40% sklepów i osiągać lepsze wyniki w kolejnych 30%. Średnie ukrywają sygnał.

Warstwa taktyczna: gdzie i jak to sprzedać

Warstwa taktyczna przekłada strategię na plany-dla konkretnej lokalizacji: klastry sklepów, projekt planogramu i zasady merchandisingu. To tutaj asortyment staje się prawdziwie lokalny. --Zagęszczony sklep miejski ma inne ograniczenia przestrzenne, wzorce ruchu pieszego i misje kupujących niż sklep podmiejski.

Ryzyko: decyzje na tym poziomie nadal w dużej mierze opierają się na założeniach, a nie na rzeczywistych sygnałach-na poziomie sklepu. Asortymenty mogą wyglądać dobrze-na papierze, choć w praktyce pozostają zasadniczo niewspółosiowe.

Warstwa operacyjna: Co faktycznie dociera do klienta

W tym przypadku optymalizacja asortymentu kończy się sukcesem lub porażką. Warstwa operacyjna odzwierciedla rzeczywistość fizyczną, z którą spotykają się klienci: jakie produkty znajdują się na półce, czy planogramy są wykonane poprawnie, czy promocje są widoczne oraz czy braki w magazynie są wychwytywane i szybko rozwiązywane.

Bez wglądu w realizację sklepu-w czasie rzeczywistym każda decyzja na wczesnym etapie jest częściowo domysłem. Technologie takie jaketykiety na półki elektronicznea czujniki IoT są coraz częściej wykorzystywane do wypełnienia tej luki w widoczności, - automatycznie rejestrując stany półek, zamiast polegać na ręcznych audytach, które zdarzają się zbyt rzadko, aby można było podjąć działania.

Dlaczego tradycyjna optymalizacja asortymentu zawodzi

Większość strategii asortymentowych-jest dobrze zaprojektowana na papierze. Tutaj załamują się w praktyce.

Tryb awarii 1: Dane historyczne optymalizują się pod kątem przeszłości

Historia sprzedaży pokazuje, co klienci kupili na warunkach istniejących w momencie - z dostępnym asortymentem i po ustalonych cenach. Nie może powiedzieć, czego klienci chcieli, ale nie mogli znaleźć. W przypadku-kategorii szybko zmieniających się, zanim trend pojawi się wyraźnie w danych historycznych, czas na podjęcie działania często już minął.

Tryb awarii 2: Scentralizowane decyzje, lokalna rzeczywistość

Kiedy decyzje dotyczące asortymentu podejmowane są wyłącznie w centrali,-niuanse na poziomie sklepu są uśredniane. Produkt o przeciętnej sprzedaży krajowej, ale dobrych wynikach w określonych typach sklepów, może zostać usunięty z listy. Ustandaryzowany planogram jest wdrażany w sklepach, w których wymiary półek i dane demograficzne klientów znacznie się różnią.

Tryb awarii 3: Silosy danych powodują niekompletne decyzje

Organizacje zajmujące się handlem detalicznym generują dane z wielu systemów - punktów--sprzedaży, zapasów, lojalności,-handlu elektronicznego i-czujników w-sklepach. Menedżerowie kategorii pracują na jednym zbiorze danych. Łańcuch dostaw działa z innego. Operacje przechowywania od strony trzeciej. Żaden z tych poglądów nie jest pełny, a decyzje podjęte w jednym silosie spowodują problemy widoczne tylko w innym.

Tryb awarii 4: Zgodność z planogramem jest niższa niż myśli centrala

Planogram przynosi wartość tylko wtedy, gdy jest wykonany prawidłowo i konsekwentnie. W większości sieci detalicznych wskaźniki zgodności różnią się znacznie w poszczególnych sklepach -, a centrala zazwyczaj nie jest tego świadoma, dopóki nie zostanie zmierzona. Jeśli oceniasz wydajność produktu na półce na podstawie danych sprzedażowych, ale produkt ten znajdował się na niewłaściwej pozycji w 20% Twoich sklepów przez trzy miesiące, Twoje dane dotyczące wydajności są niewiarygodne. Zrozumienieczęstotliwość odświeżania danych półkijest bezpośrednio powiązany z dokładnością tych pomiarów.

Tryb awarii 5: Sygnały wielokanałowe pozostają nieprzeczytane

Zachowania klientów w Internecie są bogatym źródłem informacji o asortymencie, które większość sprzedawców detalicznych ignoruje. Wyszukiwania z zerowymi-wynikami na Twojej platformie-handlu elektronicznego pokazują dokładnie to, czego szukają klienci, a czego nie oferujesz. Wzorce-częstego przeglądania i niskie-zakupów ujawniają popyt, który może wymagać-oceny w sklepie przed konwersją. Klient, który szuka produktu w Internecie, stwierdza, że ​​jest on niedostępny i opuszcza produkt, nie generuje żadnych danych w-systemie sklepu -, ale ten brak danych sam w sobie jest sygnałem, jeśli zbudujesz proces, aby go przechwycić. Punktem wyjścia jest połączenie danych wyszukiwania i przeglądania online z procesem planowania kategorii, nawet nieformalnie.

Jak sztuczna inteligencja poprawia decyzje dotyczące asortymentu

Ręczne zarządzanie asortymentem w setkach sklepów i dziesiątkach tysięcy SKU osiągnęło granice możliwości arkuszy kalkulacyjnych i okresowych przeglądów. Sztuczna inteligencja przyczynia się do tego w konkretny i wymierny sposób.

Prognozowanie popytu-na poziomie sklepu.Tradycyjne prognozowanie działa na poziomie banera lub klastra. Modele uczenia maszynowego mogą generować prognozy na poziomie pojedynczego sklepu i SKU, uwzględniając czynniki lokalne - dane demograficzne okolicy, pobliską konkurencję i sezonowe mikro-trendy -, które szersze modele uśredniają. Ta szczegółowość sprawia, że ​​lokalne decyzje dotyczące asortymentu można obronić, a nie zakładać.

Racjonalizacja SKU.Nie każdy produkt zasługuje na swoje miejsce. Modele sztucznej inteligencji mogą identyfikować, które jednostki SKU zużywają nieruchomości na półkach i kapitał zapasowy bez proporcjonalnych zwrotów - uwzględniających wkład w marżę, efekty substytucyjne i wpływ na koszyk. Zasadnicze rozróżnienie polega na tym, że firmy-o powolnym ruchu obsługują lojalną niszę, a podmioty-o powolnym ruchu, które po prostu osiągają słabsze wyniki. Sztuczna inteligencja potrafi rozróżnić te dwa elementy na skalę, której nie jest w stanie przeprowadzić analiza ręczna.

Dynamiczne dostosowanie cen i promocji.Decyzje asortymentowe nie istnieją w oderwaniu od cen. Oparte na sztucznej inteligencjiceny dynamicznemoże w czasie rzeczywistym dostosować działania promocyjne do wyników asortymentu, - zmniejszając rozbieżności między tym, co zaplanowano, a tym, na co faktycznie reagują klienci na poziomie półki.

Monitorowanie wykonania.Dane z wizji komputerowej i czujników mogą identyfikować odchylenia planogramu bez konieczności przeprowadzania pełnych ręcznych audytów. Postępy wtechnologia etykiet półkowychsprawiły, że automatyczne-monitorowanie stanu półki stało się coraz bardziej dostępne dla-średnich sprzedawców detalicznych, a nie tylko dużych sieci.

Ramy wdrożenia składające się z pięciu-etapów

Większość sprzedawców detalicznych wie, że optymalizacja asortymentu ma znaczenie. Mniej ma jasny punkt wyjścia. Ramy te zaprojektowano tak, aby można je było stosować w dowolnej skali.

Krok 1: Przeprowadź audyt swojego obecnego asortymentu

Zanim cokolwiek zoptymalizujesz, ustal uczciwy punkt odniesienia. Jaki jest aktualny poziom zapasów według kategorii i sklepu? Które jednostki SKU generują dolny decyl sprzedaży na metr kwadratowy? Gdzie występują największe rozbieżności pomiędzy planowanym asortymentem a rzeczywistą dostępnością na półkach? Jeśli nie możesz odpowiedzieć na te pytania na podstawie wiarygodnych danych, jest to samo w sobie najważniejsze odkrycie - i sygnał, aby zainwestować w widoczność, zanim zainwestujesz w narzędzia optymalizacyjne. Strukturalnypodstawowe obliczenie ROImoże pomóc w ilościowym określeniu, gdzie-luki mają największy wpływ, zanim zastosuje się jakiekolwiek podejście.

Krok 2: Zdefiniuj klastry sklepów

Nie wszystkie sklepy powinny posiadać ten sam asortyment, ale całkowicie unikalny asortyment dla każdego sklepu jest operacyjnie niemożliwy do zarządzania. Klastrowanie sklepów pozwala pokonać te skrajności, grupując lokalizacje o znacząco podobnych profilach popytu. Skuteczne grupowanie opiera się na rzeczywistych zachowaniach zakupowych - składzie koszyka, szybkości kategorii, wzorcach misji kupującego -, a nie na zakładanych grupach demograficznych. Większość sprzedawców detalicznych działa w oparciu o cztery do ośmiu klastrów, w zależności od wielkości sieci i różnorodności formatów. Właściwy numer to taki, w którym każdy klaster rzeczywiście zachowuje się na tyle odmiennie, że uzasadnia to odrębny szablon produktu.

Krok 3: Zintegruj swoje źródła danych

Optymalizacja asortymentu jest tak dobra, jak dane, które ją zasilają. Potrzebujesz co najmniej danych o sprzedaży na poziomie-SKU według sklepu, z co najmniej 12-miesięczną historią, bieżącym poziomem zapasów i pewną miarą dostępności na półce. Kwestia sposobu przechwytywania danych z półek - czy to za pomocą ręcznych raportów, systemów ESL czy czujników IoT - bezpośrednio wpływa na świeżość i niezawodność danych. Zrozumienieopcje łączności umożliwiające przechwytywanie danych z półekto praktyczna, wczesna decyzja. Doskonała integracja danych nie jest warunkiem wstępnym uruchomienia -, ale zanim zaufasz ich wynikom, musisz poznać luki i opóźnienia w danych.

Krok 4: Ustaw reguły optymalizacji i poręcze

Modele AI i algorytmy optymalizacyjne wymagają ograniczeń. Nie każda decyzja powinna być zautomatyzowana. Jasno określ, które decyzje mogą być podejmowane automatycznie -, np. wyzwalacze uzupełniania-jednostek SKU o dużej szybkości -, a które wymagają weryfikacji przez człowieka, np. usunięcie produktu z klastra. Poręcze chronią również przed błędami, które popełniają zautomatyzowane systemy, gdy dane są niekompletne. Typowy przykład: algorytm zaleca usunięcie produktu ze względu na niską sprzedaż, gdy faktyczną przyczyną są utrzymujące się zapasy, których dane sprzedażowe nie odróżniają od niskiego popytu.Błędy wyświetlania ceny i dostępnościsą powiązanym trybem awarii operacyjnej, który warto zrozumieć przed wprowadzeniem automatyzacji.

Krok 5: Mierz, ucz się i powtarzaj

Optymalizacja asortymentu to proces ciągły, a nie jednorazowy-projekt. Ustal regularny rytm przeglądu - co najmniej raz na kwartał w przypadku decyzji strategicznych i co miesiąc w przypadku dostosowań taktycznych. Twórz uporządkowane pętle informacji zwrotnej pomiędzy zespołami zajmującymi się kategorią centralną i przechowuj dane o wydajności na poziomie-poziomu sklepu. Traktuj każdy cykl planowania jako eksperyment: postaw hipotezę, wprowadź zmianę, zmierz wynik i wykorzystaj zdobytą wiedzę w następnym cyklu. Organizacje, które wyciągają najwięcej wartości z tego procesu, to nie te, które dysponują najbardziej wyrafinowanymi narzędziami. To ci, którzy wyrobili sobie nawyk konsekwentnego uczenia się na podstawie danych.

Sześć wskaźników KPI do pomiaru optymalizacji asortymentu

Śledź wszystkie sześć wskaźników na poziomie sklepu, a nie tylko zbiorczo. Średnie-na poziomie sieci często ukrywają sklepy, w których problemy są najpoważniejsze - i gdzie istnieją największe możliwości optymalizacji.

Optymalizacja asortymentu w kanałach internetowych i fizycznych

W przypadku sprzedawców detalicznych działających w kanałach fizycznych i cyfrowych decyzje dotyczące asortymentu nie mogą być podejmowane w oderwaniu od siebie.Środowisko detalicznesię zmieniło: klienci płynnie poruszają się między kanałami, a dane z każdego kanału mogą wpływać na decyzje w drugim.

Online jako sygnał asortymentowy.Wyszukiwania z zerowymi- wynikami na Twojej-platformie handlu elektronicznego są bezpośrednim wskaźnikiem luk asortymentowych, - klienci mówią Ci dokładnie, czego chcą, a czego nie masz w ofercie. Często-przeglądalność i niska-wzorce zakupów mogą wskazywać produkty, które klienci chcą osobiście ocenić przed zakupem, co ma wpływ na-zakres sklepu. WedługBadania McKinsey’a, ponad 70% konsumentów oczekuje obecnie spersonalizowanych doświadczeń -. Oczekiwanie to dotyczy zarówno dostępności produktów, jak i komunikacji.

Asortyment ujednolicony a zróżnicowany.To, czy asortyment w sklepie internetowym i- powinien być identyczny, zależy od formatu sklepu i zachowań klientów. Ujednolicony asortyment upraszcza operacje i zapewnia czystsze dane dotyczące popytu, ale zmusza sklepy fizyczne do przenoszenia złożoności katalogu internetowego, której nie jest w stanie obsłużyć większość formatów. Zróżnicowane podejście, - w którym sklepy fizyczne oferują wyselekcjonowany,-szybki rdzeń, podczas gdy kanał internetowy obsługuje długi ogon, - sprawdza się dobrze, gdy oba kanały realizują naprawdę różne misje zakupowe. Ramy decyzyjne są proste: jeśli klienci regularnie wyszukują informacje w internecie i dokonują konwersji-w sklepie, dopasowanie ma znaczenie. Jeśli klienci-robiący zakupy online i w sklepach stacjonarnych to w dużej mierze odrębni odbiorcy, różnicowanie może być skuteczniejsze.

Od czego zacząć.Najbardziej praktycznym punktem wyjścia jest połączenie danych wyszukiwania o-handlu zerowym-e-commerce z oceną planowania kategorii. Nie jest wymagana żadna nowa technologia. - Comiesięczny eksport nieudanych zapytań sprawdzany przez menedżerów kategorii może ujawnić luki w asortymencie, których-dane dotyczące sprzedaży w sklepie nigdy nie ujawnią. Łączenie tego zulepszone przechwytywanie danych-na poziomie półkiw sklepach stacjonarnych tworzy zamkniętą pętlę pomiędzy sygnałami online a realizacją-w sklepie.

Jak to wygląda w praktyce

Poniższe scenariusze ilustrują zastosowanie zasad optymalizacji asortymentu w różnych formatach sprzedaży detalicznej. Są to przykłady ilustrujące, a nie konkretne studia przypadku firmy.

Artykuły spożywcze: maskowanie lokalnego popytu w danych zagregowanych.Regionalna sieć spożywcza planuje asortymenty na podstawie zagregowanych danych kategorii. Etniczne kategorie żywności - osiągające dobre wyniki w określonych dzielnicach - są stale niedostatecznie reprezentowane, ponieważ ich sprzedaż jest osłabiona po zwinięciu do poziomu banera. Podejście oparte na klastrach, oparte na rzeczywistym składzie koszyka, pokazuje, że to, co wyglądało na niski popyt na kategorie w niektórych grupach sklepów, było zamiast tego problemem z agregacją danych strukturalnych. Dostosowanie szablonów tych sklepów, aby odzwierciedlały lokalne zachowania zakupowe, wypełnia tę lukę. Czynnikiem umożliwiającym nie jest nowa technologia -, lecz dezagregacja danych o popycie według sklepu, a nie banera. Lepsza widoczność dzięki takim narzędziom jakelektroniczne etykiety półkowe w sklepach spożywczychwspomaga bieżący pomiar tego, czy skorygowane asortymenty są faktycznie realizowane.

Moda:-długie zarządzanie SKU.Sprzedawca odzieży specjalistycznej oferuje kilka tysięcy aktywnych SKU w sezonie. Przegląd produktywności pokazuje, że znaczna część asortymentu generuje nieproporcjonalnie małą część przychodów, pochłaniając jednocześnie zasoby związane z planowaniem, inwentaryzacją i uzupełnianiem zapasów. W analizie wyodrębniono dwie grupy podmiotów osiągających gorsze wyniki: jednostki SKU bez możliwej do zidentyfikowania bazy lojalnych klientów i ujemnym wkładem-do-marży oraz jednostki SKU o niskim ogólnym wolumenie, ale wysokim wskaźniku powtarzalności zakupów w określonym segmencie nabywców. Pierwsza grupa jest wycofywana. Druga zostaje zachowana po skorygowaniu przydziału miejsca. Rezultatem jest węższy zakres, który jest łatwiejszy do wykonania i z mniejszym prawdopodobieństwem powoduje zmęczenie decyzyjne na poziomie półki.

Handel detaliczny: szybkość realizacji jako wyróżnik.Sieć sklepów wielobranżowych o małym formacie-działa w lokalizacjach, w których stawka jest-każda metr kwadratowy, a koszt wyczerpania zapasów jest zwiększany przez niskie bufory magazynowe. Czynnikiem ograniczającym nie jest plan asortymentowy -, ale czas pomiędzy wystąpieniem wyczerpania zapasów a zareagowaniem na nie przez pracownika sklepu. Zmniejszenie tej luki poprzez automatyczne monitorowanie półek, zamiast polegać na zaplanowanych ręcznych kontrolach, ma bezpośredni i wymierny wpływ na-dostępność w sklepie w przypadku-kategorii impulsów generujących wysoką marżę.

Często zadawane pytania

Na czym polega optymalizacja asortymentu w handlu detalicznym?

Optymalizacja asortymentu to proces ciągłego wybierania i udoskonalania asortymentu produktów oferowanych w każdym sklepie w celu maksymalizacji sprzedaży, marży i zadowolenia klientów. W odróżnieniu od jednorazowego-planowania asortymentu, integruje-dane w czasie rzeczywistym i bieżące przeglądy wyników, aby wybór produktów był dostosowany do rzeczywistego popytu.

Jaka jest różnica pomiędzy planowaniem asortymentu a optymalizacją asortymentu?

Planowanie asortymentu to okresowy, scentralizowany proces, - zazwyczaj sezonowy lub roczny -, który określa, które produkty mają być dostępne w oparciu o dane historyczne. Optymalizacja asortymentu ma charakter ciągły. Wykorzystuje sygnały-czasu rzeczywistego i-dane dotyczące wydajności na poziomie sklepu, aby dostosowywać asortyment do zmieniających się warunków. Planowanie wyznacza początkowy kierunek; optymalizacja utrzymuje kalibrację.

Jak AI usprawnia optymalizację asortymentu?

Sztuczna inteligencja umożliwia prognozowanie-na poziomie sklepu, które wykracza poza średnie klastry, identyfikuje nierentowne jednostki SKU przy uwzględnieniu efektu substytucji, generuje zalecenia dotyczące planogramu na podstawie bieżącej prędkości sprzedaży i przetwarza sygnały w czasie rzeczywistym- o pogodzie, wydarzeniach lokalnych, aktywności konkurencji -, których ręczne cykle planowania nie mogą uwzględnić na czas w odpowiednim czasie, aby podjąć działania.

Jakie są najczęstsze przyczyny niepowodzeń optymalizacji asortymentu?

Pięć najczęstszych przyczyn awarii:- nadmierne poleganie na danych historycznych, które nie są w stanie uchwycić bieżącego zapotrzebowania; scentralizowane podejmowanie decyzji-pomijające lokalne zróżnicowanie; izolowane systemy danych, które dają niekompletny obraz; zgodność planogramu niższa niż zakłada centrala; oraz brak uwzględnienia sygnałów popytu w Internecie, które ujawniają luki niewidoczne w samych-danych o sprzedaży w sklepie.

Jakie KPI należy śledzić, aby optymalizować asortyment?

Najbardziej przydatnymi metrykami są wskaźnik wyczerpania zapasów, współczynnik-sprzedaży, produktywność SKU (przychód lub marża na jednostkę powierzchni na półce), stopień zgodności z planogramem, wkład w marżę kategorii i dostosowanie popytu klastra (rozbieżność między planowanym asortymentem a rzeczywistą-sprzedażą na poziomie klastra). Śledź je wszystkie na poziomie sklepu, a nie tylko zbiorczo.

Jak długo trwa wdrożenie?

Bazowy audyt i ramy optymalizacji oparte na klastrach-zwykle można opracować w ciągu kilku miesięcy, korzystając z istniejących danych. Bardziej wyrafinowana ciągła optymalizacja-oparta na sztucznej inteligencji wymaga silniejszych podstaw danych, a pełne wdrożenie może zająć od 12 do 18 miesięcy. Rozpoczęcie audytu prawie zawsze pozwala na szybkie osiągnięcie korzyści, zanim potrzebna będzie jakakolwiek nowa technologia.

Czy mniejsi detaliści mogą skorzystać na optymalizacji asortymentu?

Tak. Zasady mają zastosowanie niezależnie od skali. - zrozumienie, które produkty zdobywają miejsce, śledzenie częstotliwości braków w magazynie i budowanie pętli informacji zwrotnej pomiędzy danymi sprzedażowymi a decyzjami dotyczącymi produktów, ma znaczenie w przypadku działalności dowolnej wielkości. Mniejsi sprzedawcy detaliczni mogą nie potrzebować korporacyjnych platform AI; bezpłatne lub niedrogie-narzędzia analityczne mogą pomóc w przydatnej optymalizacji w oparciu o już posiadane dane. Wybórrozwiązanie w zakresie etykiet na prawą półkęto praktyczny punkt wyjścia do poprawy gromadzenia danych bez znaczących inwestycji w infrastrukturę.

Jakich danych potrzebuję, żeby zacząć?

Co najmniej: dane dotyczące sprzedaży na poziomie{{0} SKU według sklepu z co najmniej 12-miesięczną historią, bieżącym poziomem zapasów i pewną miarą dostępności na półce -, a nawet ręcznymi raportami o wyczerpaniu zapasów. Na tej podstawie możesz przeprowadzić znaczący audyt, zidentyfikować-możliwości największego wpływu i opracować plan działania dotyczący poprawy danych. Doskonałe dane nie są warunkiem wstępnym. Przydatna optymalizacja jest możliwa w przypadku niedoskonałych danych, o ile zrozumiesz i uwzględnisz ich luki.

Od czego zacząć

Optymalizacja asortymentu zapewnia największą wartość, gdy działa w formie ciągłej pętli. - Analizuj wydajność, dostosowuj asortyment produktów, przeprowadzaj-w sklepie, mierz wyniki i powtarzaj. Sprzedawcy detaliczni, którzy najskuteczniej budują tę zdolność, niekoniecznie są tymi, którzy jako pierwsi inwestują w najbardziej zaawansowane narzędzia. To ci, którzy zaczynają od uczciwych danych na temat tego, gdzie ich obecny asortyment zawodzi, i budują nawyki organizacyjne, aby konsekwentnie działać na podstawie tych danych.

Jeśli zaczynasz od zera, możesz natychmiast podjąć cztery działania: przeprowadzić audyt dostępności zapasów i produktywności SKU, korzystając z danych, które już posiadasz; przejrzyj definicje klastrów sklepów pod kątem rzeczywistych zachowań zakupowych, a nie zakładanych danych demograficznych; połącz dane dotyczące wyszukiwania wyników zerowych-commerce-e-commerce z przepływem pracy związanym z planowaniem kategorii; i zdefiniuj, które decyzje dotyczące asortymentu powinny być zautomatyzowane, a które przeglądane przez człowieka przed wykonaniem.

Każdą z nich można wykonać przed zakupem jakiejkolwiek nowej technologii -, a każda z nich zapewni lepszy wgląd w to, gdzie inwestycja w technologię faktycznie poruszy igłę.