Assortment optimization යනු මෙම පරතරය ආමන්ත්රණය කරන විනයයි. එය දත්ත, අඛණ්ඩ ඉගෙනීම, සහ ගබඩා{2}}මට්ටමේ ක්රියාත්මක කිරීම හරහා පාරිභෝගිකයින් රාක්කයේ ඇත්ත වශයෙන්ම සොයා ගන්නා දේට - මූලස්ථානය තීරණය කරන දේ සම්බන්ධ කරයි. මෙම මාර්ගෝපදේශය එය කුමක්ද, බොහෝ ප්රවේශයන් අසාර්ථක වන්නේ ඇයි, එය ක්රියාත්මක කරන්නේ කෙසේද සහ ප්රතිඵල මැනිය යුතු ආකාරය ආවරණය කරයි.
Assortment Optimization එදිරිව Assortment Planning: වෙනස කුමක්ද?
මෙම පද දෙක බොහෝ විට එකිනෙකට වෙනස් ලෙස භාවිතා වේ. ඔවුන් මූලික වශයෙන් වෙනස් ක්රියාවලීන් විස්තර කරයි.
| මානය | Assortment සැලසුම් කිරීම | Assortment Optimization |
|---|---|---|
| ස්වභාවය | ස්ථිතික, ආවර්තිතා | ගතික, අඛණ්ඩ |
| දත්ත ආදාන | ඓතිහාසික විකුණුම්, වර්ග නීති | තථ්ය-කාල සංඥා + ඓතිහාසික දත්ත |
| තීරණ සංඛ්යාතය | සෘතුමය හෝ වාර්ෂික සමාලෝචන | සිදුවෙමින් පවතින, බොහෝ විට ස්වයංක්රීයයි |
| භූගෝලීය කැටිති | ගබඩා පොකුරු හෝ බැනර් | තනි ගබඩා මට්ටම |
| එය මග හැරෙන දේ | -වෙළඳසැල ක්රියාත්මක කිරීමේ යථාර්ථය තුළ | හොඳින් කළහොත් කිසිවක් නැත |
සැලසුම් කිරීම ඔබේ එකතුව කෙබඳු විය යුතුද යන්න නිර්වචනය කරයි. ප්රශස්තකරණය එය සත්ය වශයෙන්ම ක්රියාත්මක වන බව සහතික කරයි - සහ කොන්දේසි වෙනස් වන විට වැඩිදියුණු වෙමින් පවතී.
වර්ගීකරණ තීරණ ගන්නා සහ අහිමි වන ස්ථර තුන
බොහෝ සිල්ලර වෙළෙන්දෝ පළමු ස්ථරයේ විශාල වශයෙන් ආයෝජනය කරති. විශාලතම කාර්ය සාධන හිඩැස් අනෙක් දෙකෙහි ජීවත් වේ.
උපායමාර්ගික ස්ථරය: විකිණීමට ඇති දේ
ප්රවර්ග-මට්ටමේ තීරණ සිදුවන්නේ මෙතැනදීය: රාක්ක ඉඩ උපයන නිෂ්පාදන මොනවාද, ජාතික වෙළඳ නාමවලට එරෙහිව පුද්ගලික ලේබල තුලනය වන ආකාරය සහ සමස්ත ගබඩා උපාය මාර්ගය තුළ එක් එක් කාණ්ඩය ඉටු කරන කාර්යභාරය කුමක්ද. මෙහි තීරණ ගනු ලබන්නේ මූලස්ථානයේදී වන අතර, වෙළඳපල දත්ත සහ තරඟකාරී මිණුම් සලකුණු මගින් මෙහෙයවනු ලබන අතර දිගු චක්ර මත වෙනස් වේ.
අවදානම: සමස්ථ දත්ත දේශීය විචලනය ආවරණය කරයි. පිළිගත හැකි ජාතික විකුණුම් සහිත නිෂ්පාදනයක් වෙළඳසැල් වලින් 40% ක අඩු කාර්ය සාධනයක් ඇති අතර තවත් 30% ක කාර්ය සාධනය වැඩි විය හැක. සාමාන්ය සංඥාව සඟවයි.
උපායශීලී ස්ථරය: එය විකුණන්නේ කොහේද සහ කෙසේද
උපායශීලී ස්තරය මූලෝපාය ස්ථාන-විශේෂිත සැලසුම්වලට පරිවර්ථනය කරයි: ගබඩා පොකුරු, ප්ලැනෝග්රෑම් සැලසුම් සහ වෙළඳ නීති. මෙම එකතුව අව්යාජ දේශීය - බවට පත්වන්නේ ඉහළ-ඝනත්ව නාගරික වෙළඳසැලකට තදාසන්න ආකෘතියකට වඩා වෙනස් අවකාශ සීමාවන්, ගමනාගමන රටා සහ සාප්පු යාමේ මෙහෙයුම් ඇත.
අවදානම: මෙම මට්ටමේ තීරණ තවමත් සත්ය ගබඩා{0}}මට්ටමේ සංඥාවලට වඩා උපකල්පන මත දැඩි ලෙස රඳා පවතී. ප්රායෝගිකව පුලුල් ලෙස නොගැලපෙන පරිදි-කඩදාසි මත එකතු කිරීම් හොඳින් ස්ථානගත වී ඇති බව පෙනේ.
මෙහෙයුම් ස්ථරය: ඇත්ත වශයෙන්ම පාරිභෝගිකයා වෙත ළඟා වන දේ
එකතු කිරීමේ ප්රශස්තකරණය සාර්ථක වන්නේ හෝ නිහඬව අසාර්ථක වන්නේ මෙහිදීය. ක්රියාකාරී ස්තරය මඟින් පාරිභෝගිකයින් මුහුණ දෙන භෞතික යථාර්ථය පිළිබිඹු කරයි: රාක්කයේ ඇති නිෂ්පාදන මොනවාද, ප්ලැනෝග්රෑම් නිවැරදිව ක්රියාත්මක වන්නේද, ප්රවර්ධන දෘශ්යමානද, සහ තොග අල්ලා ඉක්මනින් විසඳන්නේද යන්න.
ගබඩා ක්රියාත්මක කිරීම සඳහා තථ්ය-කාල දෘශ්යතාව නොමැතිව, සෑම ඉහළ ප්රවාහ තීරණයක්ම අර්ධ වශයෙන් අනුමාන කිරීමකි. වැනි තාක්ෂණයන්ඉලෙක්ට්රොනික රාක්ක ලේබල්සහ IoT සංවේදක මෙම දෘශ්යතා පරතරය වැසීමට වැඩි වැඩියෙන් භාවිතා වේ - ක්රියා කළ නොහැකි තරම් කලාතුරකින් සිදුවන අතින් විගණන මත යැපීමට වඩා රාක්ක තත්වයන් ස්වයංක්රීයව ග්රහණය කරයි.
සාම්ප්රදායික එකතු කිරීම් ප්රශස්තකරණය අසාර්ථක වන්නේ ඇයි?
බොහෝ එකතු කිරීමේ උපාය මාර්ග-කඩදාසි මත හොඳින් සැලසුම් කර ඇත. ප්රායෝගිකව ඒවා කඩා වැටෙන තැන මෙන්න.
අසාර්ථක මාදිලිය 1: ඓතිහාසික දත්ත අතීතය සඳහා ප්රශස්ත කරයි
විකුණුම් ඉතිහාසය ඔබට - එකල පැවති කොන්දේසි යටතේ, ලබා ගත හැකි එකතුව සමඟ, නියම කර ඇති මිල ගණන් යටතේ මිලදී ගත් දේ ගැන කියයි. පාරිභෝගිකයින්ට අවශ්ය නමුත් සොයාගත නොහැකි වූයේ කුමක්දැයි එය ඔබට පැවසිය නොහැක. වේගවත්-චලනය වන ප්රවර්ගවල, ඓතිහාසික දත්තවල ප්රවණතාවක් පැහැදිලිව පෙනෙන අවස්ථාව වන විට, ක්රියා කිරීමට ඇති කවුළුව බොහෝ විට දැනටමත් සමත් වී ඇත.
අසාර්ථක මාදිලිය 2: මධ්යගත තීරණ, දේශීය යථාර්ථය
එකතු කිරීමේ තීරණ මුලුමනින්ම මූලස්ථානයේදී සිදු කරන විට, ගබඩා-මට්ටමේ සූක්ෂ්මතාවය සාමාන්යකරණය වේ. මධ්යස්ථ ජාතික විකුණුම් ඇති නමුත් විශේෂිත වෙළඳසැල් වර්ගවල ශක්තිමත් කාර්ය සාධනයක් සහිත නිෂ්පාදනයක් ලැයිස්තුගත කළ හැක. ප්රමිතිගත සැලැස්මක් සැලකිය යුතු ලෙස වෙනස් රාක්ක මානයන් සහ සාප්පු හිමියන්ගේ සංඛ්යාලේඛන සහිත වෙළඳසැල් හරහා යොදවනු ලැබේ.
අසාර්ථක මාදිලිය 3: දත්ත සිලෝස් අසම්පූර්ණ තීරණ නිෂ්පාදනය කරයි
සිල්ලර ආයතන බහු පද්ධති - ලක්ෂ්ය-විකිණුම්, ඉන්වෙන්ටරි, පක්ෂපාතීත්වය, ඊ-වාණිජ්යය, සහ-වෙළඳසැල් සංවේදක හරහා දත්ත උත්පාදනය කරයි. ප්රවර්ග කළමනාකරුවන් එක් දත්ත කට්ටලයකින් ක්රියා කරයි. සැපයුම් දාමය තවත් එකකින් ක්රියා කරයි. ගබඩා මෙහෙයුම් තුනෙන් එකකින්. මෙම දසුන් කිසිවක් සම්පූර්ණ නොවන අතර, ඕනෑම තනි සිලෝවකින් ගන්නා තීරණ තවත් එකක පමණක් පෙනෙන ගැටළු නිර්මාණය කරයි.
අසාර්ථක මාදිලිය 4: ප්ලැනෝග්රෑම් අනුකූලතාව මූලස්ථානය සිතනවාට වඩා අඩුය
planogram අගයක් ලබා දෙන්නේ එය නිවැරදිව සහ ස්ථාවර ලෙස ක්රියාත්මක කළහොත් පමණි. බොහෝ සිල්ලර ජාලයන්හි, වෙළඳසැල් - හරහා අනුකූලතා අනුපාත සැලකිය යුතු ලෙස වෙනස් වන අතර එය මනින තෙක් මූලස්ථානය සාමාන්යයෙන් නොදනී. ඔබ විකුණුම් දත්ත මත පදනම්ව නිෂ්පාදනයේ රාක්ක කාර්ය සාධනය ඇගයීමට ලක් කරන්නේ නම්, නමුත් එම නිෂ්පාදනය මාස තුනක් තිස්සේ ඔබේ වෙළඳසැල් වලින් 20% ක වැරදි බේකරි ස්ථානයේ තිබේ නම්, ඔබේ කාර්ය සාධන දත්ත විශ්වාස කළ නොහැක. අවබෝධයරාක්ක දත්ත කොපමණ වාරයක් නැවුම් කරන්නේද යන්නමෙම මිනුම්වල නිරවද්යතාවට සෘජුවම බැඳී ඇත.
අසාර්ථක ප්රකාරය 5: Omnichannel සංඥා කියවා නැත
සබැඳි පාරිභෝගික හැසිරීම බොහෝ භෞතික සිල්ලර වෙළෙන්දන් නොසලකා හරින ලද වර්ගීකරණ බුද්ධියේ පොහොසත් මූලාශ්රයකි. Zero-ප්රතිඵල සෙවීම් ඔබේ ඊ-වෙළඳ වේදිකාවේ ඔබ රැගෙන නොයන පාරිභෝගිකයින් සොයන දේ හරියටම පෙන්වයි. ඉහළ-බ්රවුස්, අඩු-මිලදී ගැනීමේ රටා පරිවර්තනය කිරීමට පෙර ගබඩාව තුළ{6}}ඇගයීම අවශ්ය විය හැකි ඉල්ලුම හෙළි කරයි. අන්තර්ජාලය හරහා නිෂ්පාදනයක් සොයන පාරිභෝගිකයෙකු, එය ලබා ගත නොහැකි බව සොයා, සහ පිටව යන විට, -ගබඩාවේ පද්ධතිය තුළ - දත්ත උත්පාදනය නොකරන නමුත්, ඔබ එය ග්රහණය කර ගැනීමේ ක්රියාවලිය ගොඩනඟන්නේ නම්, එම දත්ත නොමැති වීම සංඥාවක් වේ. ආරම්භක ලක්ෂ්යය වන්නේ ඔබගේ මාර්ගගත සෙවීම් සහ බ්රවුස් දත්ත ඔබගේ ප්රවර්ග සැලසුම් කිරීමේ කාර්ය ප්රවාහයට, අවිධිමත් ලෙස පවා සම්බන්ධ කිරීමයි.
AI එකතු කිරීමේ තීරණ වැඩිදියුණු කරන ආකාරය
වෙළඳසැල් සිය ගණනක් සහ දස දහස් ගණනක් SKU හරහා අතින් එකතු කිරීමේ කළමනාකරණය පැතුරුම්පත් සහ වරින් වර සමාලෝචන සඳහා සහාය විය හැකි සීමාවන් කරා ළඟා වී ඇත. AI නිශ්චිත, මැනිය හැකි ආකාරවලින් දායක වේ.
ගබඩා-මට්ටමේ ඉල්ලුම පුරෝකථනය.සම්ප්රදායික පුරෝකථනය බැනර් හෝ පොකුරු මට්ටමින් ක්රියාත්මක වේ. යන්ත්ර ඉගෙනුම් ආකෘති වලට තනි පුද්ගල ගබඩාව සහ SKU මට්ටමින් පුරෝකථන ජනනය කළ හැක, දේශීය සාධක - අසල්වැසි ජනවිකාස, අවට තරඟකාරිත්වය, සෘතුමය ක්ෂුද්ර{2}}ප්රවණතා - පුළුල් මාදිලි සාමාන්යයෙන් දුරස් වේ. මෙම කැටිති බව උපකල්පනය කරනවාට වඩා දේශීය එකතු කිරීමේ තීරණ ආරක්ෂා කරයි.
SKU තාර්කිකකරණය.සෑම නිෂ්පාදනයක්ම එහි ඉඩ උපයන්නේ නැත. ආන්තික දායකත්වය, ආදේශන බලපෑම් සහ කූඩයේ බලපෑම සඳහා ගිණුම්කරණ - සමානුපාතික ප්රතිලාභ නොමැතිව රාක්ක නිශ්චල දේපල සහ ඉන්වෙන්ටරි ප්රාග්ධනය පරිභෝජනය කරන්නේ කුමන SKU දැයි AI ආකෘති හඳුනා ගත හැකිය. තීරනාත්මක වෙනස වන්නේ විශ්වාසවන්ත ස්ථානයකට සේවය කරන මන්දගාමී-චලනයන් සහ සරලව අඩු කාර්ය සාධනයක් ඇති මන්දගාමී{4}}චලනයන් අතර වේ. අතින් විශ්ලේෂණය කළ නොහැකි පරිමාණයකින් AI හට මේ දෙක අතර වෙනස හඳුනාගත හැකිය.
ගතික මිලකරණය සහ ප්රවර්ධන පෙළගැස්ම.එකතු කිරීමේ තීරණ මිලකරණයෙන් වෙන්ව නොපවතී. AI-පදවයිගතික මිලකරණයතත්ය කාලීනව එකතු කිරීමේ කාර්ය සාධනය සමඟ ප්රවර්ධන ක්රියාකාරකම් පෙළගැස්විය හැක - සැලසුම් කර ඇති දේ සහ පාරිභෝගිකයින් ඇත්තටම රාක්ක මට්ටමින් ප්රතිචාර දක්වන දේ අතර නොගැලපීම අඩු කරයි.
ක්රියාත්මක කිරීම අධීක්ෂණය.පරිගණක දැක්ම සහ සංවේදක දත්ත මඟින් සම්පූර්ණ අතින් විගණනය කිරීම අවශ්ය නොවී ප්ලැනෝග්රෑම් අපගමනය හඳුනා ගත හැකිය. ඉදිරියට යයිරාක්ක ලේබල් තාක්ෂණයවිශාල දම්වැල් පමණක් නොව මධ්යම ප්රමාණයේ සිල්ලර වෙළෙන්දන්ට-ස්වයංක්රීය රාක්ක{0}}රාජ්ය අධීක්ෂණය වැඩි වැඩියෙන් ප්රවේශ විය හැකි බවට පත් කර ඇත.
ක්රියාත්මක කිරීම සඳහා පංච-පියවර රාමුවක්
බොහෝ සිල්ලර වෙළෙන්දෝ වර්ග ප්රශස්තිකරණ කරුණු දනිති. ස්වල්ප දෙනෙකුට පැහැදිලි ආරම්භක ලක්ෂ්යයක් ඇත. මෙම රාමුව ඕනෑම පරිමාණයකින් භාවිතා කළ හැකි පරිදි නිර්මාණය කර ඇත.
පියවර 1: ඔබගේ වර්තමාන එකතුව විගණනය කරන්න
ඕනෑම දෙයක් ප්රශස්ත කිරීමට පෙර, අවංක පදනමක් ස්ථාපිත කරන්න. ප්රවර්ගය අනුව සහ ගබඩාව අනුව ඔබේ වර්තමාන තොග අනුපාතය කොපමණද? වර්ග අඩියකට විකුණුම්වල පහළම දශම ජනනය කරන්නේ කුමන SKU ද? සැලසුම්ගත එකතුව සහ සැබෑ රාක්ක ලබා ගැනීම අතර විශාලතම හිඩැස් ඇත්තේ කොහේද? ඔබට විශ්වාසදායක දත්ත සමඟින් මෙම ප්රශ්නවලට පිළිතුරු දිය නොහැකි නම්, එයම වැදගත්ම සොයාගැනීම - සහ ප්රශස්තිකරණ මෙවලම් සඳහා ආයෝජනය කිරීමට පෙර දෘශ්යතාව සඳහා ආයෝජනය කිරීමට සංඥාව වේ. ව්යුහගත යමූලික ROI ගණනය කිරීමඕනෑම ප්රවේශයකට යාමට පෙර වැඩිම-බලපෑම් හිඩැස් ඇත්තේ කොතැනද යන්න ප්රමාණ කිරීමට උදවු කළ හැක.
පියවර 2: ඔබේ ගබඩා පොකුරු නිර්වචනය කරන්න
සියලුම වෙළඳසැල් එකම එකතුවක් රැගෙන නොයා යුතුය, නමුත් සෑම වෙළඳසැලක් සඳහාම සම්පූර්ණයෙන්ම අද්විතීය එකතුවක් ක්රියාකාරීව කළමනාකරණය කළ නොහැක. අර්ථවත් ලෙස සමාන ඉල්ලුම් පැතිකඩ සහිත ස්ථාන සමූහගත කිරීමෙන් ගබඩා පොකුරු මෙම අන්තයන් සමනය කරයි. ඵලදායි පොකුරු ගොඩනගා ඇත්තේ සත්ය මිලදී ගැනීමේ හැසිරීම - කූඩ සංයුතිය, ප්රවේගය, සාප්පු යාමේ මෙහෙයුම් රටා - උපකල්පිත ජනවිකාස මත නොවේ. බොහෝ සිල්ලර වෙළෙන්දෝ ජාල ප්රමාණය සහ ආකෘති විවිධත්වය මත පදනම්ව, පොකුරු හතරේ සිට අට දක්වා ක්රියාත්මක වේ. නිවැරැදි අංකය යනු එක් එක් පොකුරු වෙනස් නිෂ්පාදන අච්චුවක් සහතික කිරීමට ප්රමාණවත් ලෙස වෙනස් ලෙස හැසිරෙන එකයි.
පියවර 3: ඔබේ දත්ත මූලාශ්ර ඒකාබද්ධ කරන්න
Assortment optimization හොඳ වන්නේ එය පෝෂණය කරන දත්ත තරම් පමණි. අවම වශයෙන්, ඔබට අවම වශයෙන් මාස 12 ක ඉතිහාසයක්, වත්මන් ඉන්වෙන්ටරි මට්ටම් සහ රාක්ක ලබා ගැනීමේ යම් මිම්මක් සහිත ගබඩාව මඟින් SKU{1}} මට්ටමේ විකුණුම් දත්ත අවශ්ය වේ. අතින් වාර්තා, ESL පද්ධති, හෝ IoT සංවේදක - හරහා - රාක්ක දත්ත ග්රහණය කර ගන්නේ කෙසේද යන ප්රශ්නය දත්ත නැවුම්බව සහ විශ්වසනීයත්වයට සෘජුවම බලපායි. අවබෝධ කර ගැනීමරාක්ක දත්ත ග්රහණය සඳහා සම්බන්ධතා විකල්පප්රායෝගික ඉක්මන් තීරණයකි. පරිපූර්ණ දත්ත ඒකාබද්ධ කිරීම - ආරම්භ කිරීම සඳහා පූර්ව අවශ්යතාවයක් නොවන නමුත් එහි ප්රතිදානය විශ්වාස කිරීමට පෙර ඔබේ දත්තවල හිඩැස් සහ ප්රමාදය ඔබ තේරුම් ගත යුතුය.
පියවර 4: Optimization Rules සහ Guardrails සකසන්න
AI ආකෘති සහ ප්රශස්තිකරණ ඇල්ගොරිතම සඳහා සීමාවන් අවශ්ය වේ. සෑම තීරණයක්ම ස්වයංක්රීය නොවිය යුතුය. අධි{3}}ප්රවේග SKU සඳහා නැවත පිරවීමේ ප්රේරක - සහ පොකුරකින් නිෂ්පාදනයක් ඉවත් කිරීම වැනි මානව සමාලෝචනයක් අවශ්ය වන - ස්වයංක්රීයව ක්රියාත්මක විය හැකි තීරණ මොනවාදැයි පැහැදිලිව නිර්වචනය කරන්න. දත්ත අසම්පූර්ණ වූ විට ස්වයංක්රීය පද්ධති සිදු කරන දෝෂ වලින් ආරක්ෂා කරයි. පොදු උදාහරණයක්: ඇල්ගොරිතමයක් නිෂ්පාදනයක් ඉවත් කිරීමට නිර්දේශ කරන්නේ එහි විකුණුම් අඩු බැවින්, සැබෑ හේතුව විකුණුම් දත්ත අඩු ඉල්ලුමෙන් වෙන්කර හඳුනා නොගන්නා අඛණ්ඩ කොටස් තොගයක් වන විටය.මිල සහ ලබා ගැනීමේ දර්ශන දෝෂස්වයංක්රීයකරණය හඳුන්වා දීමට පෙර අවබෝධ කර ගත යුතු අදාළ මෙහෙයුම් අසාර්ථක මාදිලියකි.
පියවර 5: මැනීම, ඉගෙනීම සහ පුනරුච්චාරණය කිරීම
Assortment optimization යනු අඛණ්ඩ ක්රියාවලියකි, එක්-කාල ව්යාපෘතියක් නොවේ. උපාය මාර්ගික තීරණ සඳහා අවම වශයෙන් කාර්තුමය වශයෙන් - නිත්ය සමාලෝචන රිද්මයක් ස්ථාපිත කරන්න, උපක්රමික ගැලපීම් සඳහා මාසිකව. මධ්යම ප්රවර්ග කණ්ඩායම් අතර ව්යුහාත්මක ප්රතිපෝෂණ ලූප ගොඩනඟන්න සහ-මට්ටමේ කාර්ය සාධන දත්ත ගබඩා කරන්න. සෑම සැලසුම් චක්රයක්ම අත්හදා බැලීමක් ලෙස සලකන්න: උපකල්පනයක් සාදන්න, වෙනසක් ක්රියාත්මක කරන්න, ප්රතිඵලය මැන බලන්න, එම ඉගෙනීම ඊළඟ චක්රයේ භාවිතා කරන්න. මෙම ක්රියාවලියෙන් වැඩි වටිනාකමක් ලබා ගන්නා සංවිධාන වඩාත් සංකීර්ණ මෙවලම් ඇති ඒවා නොවේ. ඔවුන් දත්ත වලින් අඛණ්ඩව ඉගෙනීමේ පුරුද්ද ගොඩනඟා ගත් අයයි.
Assortment Optimization මැනීම සඳහා KPI හයක්
| කේපීඅයි | එය මනින දේ | දිශාව | ලුහුබැඳ යන ආකාරය |
|---|---|---|---|
| Stockout Rate | ගබඩා වේලාවන් තුළ SKU ලබා ගත නොහැකි කාලයෙන් % | ↓ පහළ | POS හිඩැස් +ස්වයංක්රීය තොග හඳුනාගැනීමරාක්ක සංවේදක හරහා |
| -අනුපාතය හරහා විකුණන්න | නැවත පිරවීමට හෝ සලකුණු කිරීමට පෙර විකුණන ලද ඉන්වෙන්ටරි % | ↑ උසස් | ඒකක අලෙවි කරන ලද ÷ ඒකක ලැබුණු, SKU සහ ගබඩාව මගින් නිරීක්ෂණය කරන ලදී |
| SKU ඵලදායිතාව | රාක්ක ඉඩ ඒකකයකට ආදායම හෝ ආන්තිකය | ↑ උසස් | ප්රවර්ග ආදායම ÷ රාක්ක දර්ශන, පොකුරු සාමාන්යයට සාපේක්ෂව මිණුම් සලකුණු කර ඇත |
| Planogram අනුකූලතා අනුපාතය | ප්ලැනෝග්රෑම් නිවැරදිව ක්රියාත්මක කරන වෙළඳසැල් වලින් % | ↑ උසස් | අතින් විගණන හෝ ස්වයංක්රීය රාක්ක රූප විශ්ලේෂණය;ESL යෙදවීමමැනීමේ හැකියාව වැඩි දියුණු කරයි |
| ප්රවර්ග ආන්තිකය දායකත්වය | වෙන් කළ අවකාශයට සාපේක්ෂව ජනනය කරන ලද දළ ආන්තිකය | ↑ උසස් | P&L ප්රවර්ගය පොකුරු මගින් ප්ලැනෝග්රෑම් වෙන් කිරීමට එරෙහිව නිරීක්ෂණය කරන ලදී |
| පොකුරු ඉල්ලුම පෙළගැස්ම | සැලසුම්ගත එකතුව සහ සැබෑ වර්ගීකරණය අතර විචලනය-පොකුරු මට්ටමින් | ↓ අඩු විචලනය | පොකුරු හරහා අනුපාතය හරහා විකුණුම්{0}}සසඳන්න; ඉහළ විචලනය සංඥා දේශීයකරණ හිඩැස් |
ප්රමිතික හයම එකතුවෙන් පමණක් නොව ගබඩා මට්ටමින් හඹා යන්න. ජාල-මට්ටමේ සාමාන්යයන් නිතරම ගැටලු වඩාත් උග්ර වන - සහ විශාලතම ප්රශස්තකරණ අවස්ථා පවතින වෙළඳසැල් සඟවයි.
මාර්ගගත සහ භෞතික නාලිකා හරහා Assortment Optimization
භෞතික සහ ඩිජිටල් නාලිකා හරහා ක්රියාත්මක වන සිල්ලර වෙළෙන්දන් සඳහා, එකතු කිරීමේ තීරණ හුදකලාව කළමනාකරණය කළ නොහැක.සිල්ලර පරිසරයවෙනස් වී ඇත: පාරිභෝගිකයින් නාලිකා අතර තරල ලෙස ගමන් කරන අතර, එක් එක් නාලිකාවේ දත්ත අනෙකෙහි තීරණ දැනුම් දිය හැක.
එකතු කිරීමේ සංඥාවක් ලෙස සබැඳිව.Zero-ප්රතිඵල සෙවීම් ඔබේ e-වාණිජ්ය වේදිකාවේ - පාරිභෝගිකයින් ඔබට රැගෙන නොයන අවශ්ය දේ හරියටම පවසන විවිධ හිඩැස්වල සෘජු දර්ශකයකි. ඉහළ-බ්රවුස්, අඩු-මිලදී ගැනීමේ රටා පාරිභෝගිකයින්ට මිලදී ගැනීමට පෙර පුද්ගලිකව ඇගයීමට අවශ්ය නිෂ්පාදන පෙන්නුම් කළ හැකිය, එය ගබඩා පරාසය තුළ-ඇතුළත් වේ. අනුවමැකින්සි පර්යේෂණ, පාරිභෝගිකයින්ගෙන් 70%කට වඩා දැන් පුද්ගලාරෝපිත අත්දැකීම් - අපේක්ෂාවක් වන අතර එය සන්නිවේදනයට මෙන්ම නිෂ්පාදන ලබා ගැනීමේ හැකියාවටද අදාළ වේ.
ඒකාබද්ධ එදිරිව වෙනස් වූ එකතුව.ඔබගේ මාර්ගගත සහ-වෙළඳසැලේ එකතු කිරීම් පෙළගැස්විය යුතුද යන්න ඔබගේ ගබඩා ආකෘතිය සහ පාරිභෝගික හැසිරීම මත රඳා පවතී. ඒකාබද්ධ එකතුවක් මෙහෙයුම් සරල කරන අතර පිරිසිදු ඉල්ලුම දත්ත නිෂ්පාදනය කරයි, නමුත් බොහෝ ආකෘතිවලට ඉඩ දිය නොහැකි සබැඳි නාමාවලියක සංකීර්ණත්වය රැගෙන යාමට භෞතික ගබඩාවලට බල කරයි. ඔන්ලයින් නාලිකාව දිගු වලිගය හසුරුවන අතර - භෞතික ගබඩාවල සංවෘත, ඉහළ{4}}ප්රවේග හරයක් ගෙන යන - වෙනස් ප්රවේශයක් නාලිකා දෙක සැබවින්ම වෙනස් සාප්පු සවාරි මෙහෙයුම් සඳහා හොඳින් ක්රියා කරයි. තීරණ රාමුව සරලයි: ගනුදෙනුකරුවන් නිතරම සබැඳිව සෙවීමට සහ-වෙළඳසැලට පරිවර්තනය කරන්නේ නම්, පෙළගැස්ම වැදගත් වේ. සබැඳි සහ -වෙළඳසැල් සාප්පු සවාරි යන්නන් බොහෝ දුරට වෙනස් ප්රේක්ෂකයින් නම්, අවකලනය වඩාත් කාර්යක්ෂම විය හැක.
කොහෙන් පටන් ගන්නද.වඩාත්ම ප්රායෝගික පිවිසුම් ලක්ෂ්යය වන්නේ ඔබේ ඊ-වාණිජ්ය ශුන්ය-ප්රතිඵල සෙවුම් දත්ත ඔබේ ප්රවර්ග සැලසුම් සමාලෝචනයට සම්බන්ධ කිරීමයි. නව තාක්ෂණයක් අවශ්ය නොවේ - ප්රවර්ග කළමණාකරුවන් විසින් සමාලෝචනය කරන ලද අසාර්ථක සෙවුම් විමසුම්වල මාසික අපනයනය-ගබඩාවේ විකුණුම් දත්ත කිසිදා හෙළි නොකරන වර්ගීකරණ හිඩැස් මතු කළ හැකිය. මෙය යුගල කිරීමවැඩිදියුණු කළ රාක්ක{0}}මට්ටමේ දත්ත ග්රහණයභෞතික ගබඩා තුළ සබැඳි සංඥා සහ-වෙළඳසැල ක්රියාත්මක කිරීම අතර සංවෘත ලූපයක් නිර්මාණය කරයි.
මෙය ප්රායෝගිකව පෙනෙන ආකාරය
පහත දැක්වෙන අවස්ථා මගින් සිල්ලර ආකෘති හරහා එකතු කිරීමේ ප්රශස්තකරණ මූලධර්ම අදාළ වන ආකාරය නිදර්ශනය කරයි. මේවා නිදර්ශන උදාහරණ මිස විශේෂිත සමාගම් සිද්ධි අධ්යයන නොවේ.
සිල්ලර බඩු: සමස්ථ දත්තවල දේශීය ඉල්ලුම ආවරණය කිරීම.කලාපීය සිල්ලර බඩු දාමයක් සමස්ථ කාණ්ඩ දත්ත භාවිතයෙන් එකතු කිරීම් සැලසුම් කරයි. ජනවාර්ගික ආහාර කාණ්ඩ - නිශ්චිත අසල්වැසි ප්රදේශවල ප්රබල ක්රියාකාරීන් - බැනර් මට්ටමට පෙරළන විට ඔවුන්ගේ විකුණුම් තනුක වන නිසා නිරන්තරයෙන් අඩුවෙන් නියෝජනය වේ. සැබෑ බාස්කට් සංයුතිය මත ගොඩනැගුණු පොකුරු-පදනම් ප්රවේශයක් හෙළිදරව් කරන්නේ ඇතැම් ගබඩා කණ්ඩායම්වල අඩු ප්රවර්ග ඉල්ලුමක් මෙන් පෙනෙන දෙය ව්යුහාත්මක දත්ත එකතු කිරීමේ ගැටලුවක් බවයි. දේශීය මිලදී ගැනීමේ හැසිරීම් පිළිබිඹු කිරීමට එම ගබඩාවල සැකිලි සකස් කිරීම පරතරය වසා දමයි. සක්රීය කිරීමේ සාධකය නව තාක්ෂණය නොවේ - එය බැනරයෙන් නොව ගබඩාවෙන් ඉල්ලුම දත්ත වෙන් කිරීමයි. වැනි මෙවලම් හරහා වඩා හොඳ දෘශ්යතාවක්සිල්ලර වෙළඳසැල්වල ඉලෙක්ට්රොනික රාක්ක ලේබල්එම ගැලපුම් එකතු කිරීම් සත්ය වශයෙන්ම ක්රියාත්මක වන්නේද යන්න අඛණ්ඩව මැනීමට සහය දක්වයි.
විලාසිතා: දිගු-වලිග SKU කළමනාකරණය.විශේෂිත ඇඟලුම් සිල්ලර වෙළෙන්දෙක් එක් වාරයකට ක්රියාකාරී SKU දහස් ගණනක් රැගෙන යයි. ඵලදායිතා සමාලෝචනයකින් හෙළි වන්නේ පරාසයේ සැලකිය යුතු කොටසක් සැලසුම් කිරීම, ඉන්වෙන්ටරි සහ නැවත පිරවීමේ සම්පත් පරිභෝජනය කරන අතරතුර ආදායමෙන් අසමාන ලෙස කුඩා කොටසක් ජනනය කරන බවයි. විශ්ලේෂණය අඩු කාර්ය සාධන කණ්ඩායම් දෙකක් වෙන් කරයි: හඳුනාගත හැකි විශ්වාසවන්ත පාරිභෝගික පදනමක් නොමැති SKU සහ ආන්තික දායකත්වය සඳහා සෘණ ඉඩ-, සහ SKUs අඩු සමස්ත පරිමාවක් සහිත නමුත් නිශ්චිත ගැනුම්කරුවන්ගේ අංශයක් අතර ඉහළ පුනරාවර්තන මිලදී ගැනීමේ අනුපාත. පළමු කණ්ඩායම ඉවත් කරනු ලැබේ. දෙවැන්න සකස් කරන ලද ඉඩ වෙන් කිරීම සමඟ රඳවා තබා ගනී. එහි ප්රතිඵලය වන්නේ ක්රියාත්මක කිරීමට පහසු වන දැඩි පරාසයක් වන අතර රාක්ක මට්ටමේදී තීරණ විඩාව ඇති කිරීමට ඇති ඉඩකඩ අඩුය.
පහසු සිල්ලර වෙළඳාම: අවකලනය ලෙස ක්රියාත්මක කිරීමේ වේගය.කුඩා-ආකෘති පහසුක දාමයක් සෑම වර්ග අඩියක්ම ඉහළ කොටස් ඇති ස්ථානවල ක්රියාත්මක වේ- සහ කොටස් තොගයක පිරිවැය අඩු ඉන්වෙන්ටරි බෆර මගින් විශාලනය කරයි. සීමාකාරී සාධකය එකතු කිරීමේ සැලැස්ම නොවේ - එය තොගයක් සිදු වීම සහ එයට ප්රතිචාර දක්වන ගබඩා සහකරු අතර කාලයයි. උපලේඛනගත අතින් පිරික්සුම් මත රඳා නොසිට, ස්වයංක්රීය රාක්ක අධීක්ෂණය හරහා එම පරතරය අඩු කිරීම, ඉහළ-ආන්තික ආවේග ප්රවර්ග සඳහා-වෙළඳසැලේ ඇති බව කෙරෙහි සෘජු සහ මැනිය හැකි බලපෑමක් ඇත.
නිතර අසන ප්රශ්න
සිල්ලර වෙළඳාමේ Assortment optimization යනු කුමක්ද?
Assortment optimization යනු විකුණුම්, ආන්තිකය සහ පාරිභෝගික තෘප්තිය උපරිම කර ගැනීම සඳහා එක් එක් වෙළඳසැලේ පිරිනමන නිෂ්පාදන මිශ්රණය අඛණ්ඩව තෝරා ගැනීම සහ පිරිපහදු කිරීමේ ක්රියාවලියයි. එක්-කාල එකතුවක් සැලසුම් කිරීමක් මෙන් නොව, එය නිෂ්පාදන තේරීම සැබෑ ඉල්ලුමට සමගාමීව තබා ගැනීම සඳහා තථ්ය-කාල දත්ත සහ දැනට පවතින කාර්ය සාධන සමාලෝචන ඒකාබද්ධ කරයි.
Assortment සැලසුම් කිරීම සහ assortment optimization අතර වෙනස කුමක්ද?
Assortment සැලසුම් කිරීම යනු ආවර්තිතා, මධ්යගත ක්රියාවලියකි - සාමාන්යයෙන් සෘතුමය හෝ වාර්ෂික - එය ඓතිහාසික දත්ත මත පදනම්ව ගෙන යා යුතු නිෂ්පාදන නිර්වචනය කරයි. Assorment ප්රශස්තකරණය අඛණ්ඩව පවතී. එය තත්ය-කාල සංඥා සහ ගබඩා-මට්ටමේ කාර්ය සාධන දත්ත ඇතුළත් කර කොන්දේසි වෙනස් වන විට එකතුව අනුවර්තනය කරයි. සැලසුම් කිරීම ආරම්භක දිශාව සකසයි; ප්රශස්තකරණය එය ක්රමාංකනය කරයි.
AI එකතු කිරීම් ප්රශස්තකරණය වැඩි දියුණු කරන්නේ කෙසේද?
AI විසින් ගබඩා-පොකුරු සාමාන්ය ඉක්මවා යන මට්ටමේ ඉල්ලුම පුරෝකථනය සක්රීය කරයි, ආදේශන බලපෑම් සඳහා ගිණුම්කරණ අතරතුර අඩු ක්රියාකාරී SKU හඳුනා ගනී, වත්මන් විකුණුම් ප්රවේගය මත පදනම්ව ප්ලැනෝග්රෑම් නිර්දේශ උත්පාදනය කරයි, සහ තත්ය-කාල සංඥා - කාලගුණය, ප්රාදේශීය සිදුවීම්, තරඟකරුවන්ගේ ක්රියාකාරකම් කාලය තුළ ක්රියා කළ නොහැක.
එකතු කිරීමේ ප්රශස්තකරණය අසාර්ථක වීමට වඩාත් පොදු හේතු මොනවාද?
වඩාත් පොදු අසාර්ථක ක්රම පහ: වත්මන් ඉල්ලුම ග්රහණය කරගත නොහැකි-ඉතිහාස දත්ත මත රඳා පැවතීම; දේශීය විචලනය මග හැරෙන මධ්යගත තීරණය- අසම්පූර්ණ පින්තූරයක් නිපදවන siled දත්ත පද්ධති; මූලස්ථානය උපකල්පනය කරනවාට වඩා අඩු සැලැස්මට අනුකූල වීම; සහ ගබඩා විකුණුම් දත්ත තුළ පමණක් නොපෙනෙන හිඩැස් හෙළි කරන මාර්ගගත ඉල්ලුම් සංඥා ඇතුළත් කිරීමට අසමත් වීම.
වර්ගීකරණය ප්රශස්තකරණය සඳහා මා නිරීක්ෂණය කළ යුතු KPI මොනවාද?
වඩාත්ම ප්රයෝජනවත් ප්රමිතික වන්නේ තොග අනුපාතිකය, විකුණුම්{0}} හරහා අනුපාතය, SKU ඵලදායිතාව (රාක්ක අවකාශයේ ඒකකයකට ආදායම හෝ ආන්තිකය), ප්ලැනෝග්රෑම් අනුකූලතා අනුපාතය, ප්රවර්ග ආන්තික දායකත්වය, සහ පොකුරු ඉල්ලුම පෙළගැස්වීම (සැලසුම්ගත එකතුව සහ සත්ය විකුණුම් අතර වෙනස-පොකුරු මට්ටමින්) වේ. මේ සියල්ල එකතුවෙන් පමණක් නොව ගබඩා මට්ටමින් හඹා යන්න.
ක්රියාත්මක කිරීමට කොපමණ කාලයක් ගතවේද?
මූලික විගණනය සහ පොකුරු{0}}පාදක ප්රශස්තකරණ රාමුවක් සාමාන්යයෙන් පවතින දත්ත භාවිතයෙන් මාස කිහිපයක් ඇතුළත සංවර්ධනය කළ හැක. වඩාත් සංකීර්ණ AI-මෙහෙයවන අඛණ්ඩ ප්රශස්තකරණය සඳහා ශක්තිමත් දත්ත පදනමක් අවශ්ය වන අතර සම්පූර්ණයෙන් ක්රියාත්මක වීමට මාස 12 සිට 18 දක්වා ගත විය හැකිය. ඕනෑම නව තාක්ෂණයක් අවශ්ය වීමට පෙර ලබා ගත හැකි ඉක්මන් ජයග්රහණ සෑම විටම පාහේ විගණනයෙන් ආරම්භ වේ.
කුඩා සිල්ලර වෙළෙන්දන්ට වර්ගීකරණය ප්රශස්තකරණයෙන් ප්රයෝජන ගත හැකිද?
ඔව්. පරිමාණ - කුමක් වුවත්, ඒවායේ ඉඩ උපයන නිෂ්පාදන තේරුම් ගැනීම, තොග සංඛ්යාත ලුහුබැඳීම සහ විකුණුම් දත්ත සහ නිෂ්පාදන තීරණ අතර ප්රතිපෝෂණ ලූප ගොඩනැගීම ඕනෑම ප්රමාණයේ මෙහෙයුමක් සඳහා අර්ථවත් වේ. කුඩා සිල්ලර වෙළෙන්දන්ට ව්යවසාය AI වේදිකා අවශ්ය නොවනු ඇත; නොමිලේ හෝ අඩු-මිල විශ්ලේෂණ මෙවලම් ඔවුන් සතුව දැනටමත් ඇති දත්ත මත පදනම්ව ප්රයෝජනවත් ප්රශස්තකරණයට සහාය විය හැක. තෝරා ගැනීමදකුණු රාක්ක ලේබල් විසඳුමසැලකිය යුතු යටිතල පහසුකම් ආයෝජනයකින් තොරව දත්ත ග්රහණය වැඩි දියුණු කිරීම සඳහා ප්රායෝගික ආරම්භක ලක්ෂ්යයකි.
මට ආරම්භ කිරීමට අවශ්ය දත්ත මොනවාද?
අවම වශයෙන්: SKU-අවම වශයෙන් මාස 12ක ඉතිහාසයක්, වත්මන් ඉන්වෙන්ටරි මට්ටම්, සහ අත්පොත තොග වාර්තා පවා - රාක්ක ලබා ගැනීමේ යම් මිනුමක් සහිත අලෙවි දත්ත මට්ටමේ විකුණුම් දත්ත. මෙම පදනමෙන්, ඔබට අර්ථාන්විත විගණනයක් ක්රියාත්මක කිරීමට, ඔබගේ ඉහළම බලපෑම් අවස්ථා හඳුනා ගැනීමට, සහ දත්ත වැඩිදියුණු කිරීමේ මාර්ග සිතියමක් ගොඩ නැගීමට හැකිය. පරිපූර්ණ දත්ත පූර්ව අවශ්යතාවක් නොවේ. ප්රයෝජනවත් ප්රශස්තකරණය අසම්පූර්ණ දත්ත සමඟ කළ හැකි අතර, ඔබ එහි ඇති හිඩැස් තේරුම් ගෙන ඒවා ගණන් ගන්නා තාක් කල්.
ආරම්භ කළ යුතු ස්ථානය
අඛණ්ඩ ලූපයක් ලෙස ක්රියා කරන විට - කාර්ය සාධනය විශ්ලේෂණය කරන විට, නිෂ්පාදන මිශ්රණය සීරුමාරු කරන විට,{1}}ගබඩාව තුළ ක්රියාත්මක කරන විට, ප්රතිඵල මනින විට, සහ නැවත නැවත කරන විට Assortment optimization වැඩිම අගයක් ලබා දෙයි. මෙම හැකියාව වඩාත් ඵලදායී ලෙස ගොඩනඟන සිල්ලර වෙළෙන්දෝ, වඩාත්ම දියුණු මෙවලම් සඳහා මුලින්ම ආයෝජනය කරන අය නොවේ. ඔවුන් තම වර්තමාන එකතුව අසාර්ථක වන ස්ථානය පිළිබඳ අවංක දත්ත සමඟ ආරම්භ කරන අය වන අතර, එම දත්ත මත අඛණ්ඩව ක්රියා කිරීමට ආයතනික පුරුදු ගොඩනඟා ගනී.
ඔබ මුල සිටම ආරම්භ කරන්නේ නම්, ක්රියා හතරක් වහාම ක්රියාත්මක වේ: ඔබ සතුව දැනටමත් ඇති දත්ත භාවිතයෙන් තොගයක් සහ SKU ඵලදායිතා විගණනයක් ධාවනය කරන්න; උපකල්පිත ජන විකාශනවලට වඩා සැබෑ මිලදී ගැනීමේ හැසිරීම් වලට එරෙහිව ඔබේ ගබඩා පොකුරු අර්ථ දැක්වීම් සමාලෝචනය කරන්න; ඔබගේ e-වාණිජ්ය ශුන්ය-ප්රතිඵල සෙවුම් දත්ත ඔබේ ප්රවර්ග සැලසුම් කාර්ය ප්රවාහයට සම්බන්ධ කරන්න; සහ ක්රියාත්මක කිරීමට පෙර මනුෂ්යයෙකු විසින් සමාලෝචනයට එරෙහිව ස්වයංක්රීය කළ යුත්තේ කුමන එකතු කිරීමේ තීරණද යන්න නිර්වචනය කරන්න.
ඕනෑම නව තාක්ෂණයක් ප්රසම්පාදනය කිරීමට පෙර මේ සෑම එකක්ම කළ හැකි - සහ එක් එක් තාක්ෂණ ආයෝජන ඇත්ත වශයෙන්ම ඉඳිකටුවක් ගෙන යන්නේ කොතැනටද යන්න පැහැදිලි දෘශ්යතාවක් ඇති කරයි.
