Kreiranje asortimanskih listi
Mnoga poduzeća ulistavaju nove proizvode i kreiraju nove promotivne ideje za podizanje profita u svojim tvrtkama. Umjetna inteligencija (AI) moćan je alat za određivanje isplativosti pojedinih proizvoda. Osobe koje se bave asortimanom proizvoda obično odabiru koje će artikle uključiti u svoje proizvode na temelju poslovnih ciljeva. Odabir unosnih artikala pomaže tvrtkama postići uspjeh u prodaji. Korporativni kupci i dobavljači biraju koje će artikle uvrstiti na temelju trenutnih zahtjeva kupaca. Na primjer, vlasnik restorana može napraviti novo jelo odabirom namirnica koje će kupiti od svojih dobavljača. Međutim, neki dobavljači imaju veliki izbor artikala koje mogu prodati – čime se maksimizira profit za vlasnika tvrtke. Dobavljač može ponuditi široku paletu opcija za određeni artikl, poput posuđa ili stolnjaka za restoran. Na taj način vlasnik tvrtke može prilagoditi popis stavki svojim potrebama. Osim toga, to je jednostavan način za njega da održi ili poveća profitabilnost.
Kada određuju koje će artikle ponuditi, tvrtke bi trebale uzeti u obzir potražnju proizvoda kao i poteškoće u nabavi i proizvodnji svakog artikla. Na primjer, neki artikli široke potrošnje popularni su među potrošačima jer su jeftini i jednostavni za korištenje. Osim toga, mnogi takvi artikli dostupni su preko više različitih tvornica i dobavljača, čime se smanjuje rizik stvaranja uspješne linije proizvoda. S druge strane, jedinstvene predmete može biti teže proizvesti zbog visokih troškova proizvodnje ili zahtjeva za licenciranjem od nositelja autorskih prava. Određivanje artikala za prodaju proces je ekstrapolacije koji zahtijeva dobro poslovno znanje i financijsku oštroumnost. Vlasnici tvrtki obično biraju profitabilne artikle kada stvaraju nove ponude ili mijenjaju asortiman za prodaju na pojedinim lokacijama.
Nekad se mislilo da su asortimani sa širokim izborom artikala najprofitabilniji jer najviše odgovaraju na trenutne potrebe kupaca. Međutim, kombinacijom modela prediktivne analitike i parametara koji su izravno ili neizravno povezani s profitabilnošću proizvoda, stavke na razini pojedine lokacije mogu se grupirati na temelju profitabilnosti, odnosno ne na temelju prošlih događaja, već budućih kretanja. Na temelju tih podataka može se upravljati nabavom artikala i izravno utjecati na profitabilnost svake lokacije. Ovi se izračuni rade tjedno kako bi se upravljalo profitabilnošću u istom vremenskom intervalu. Temeljem toga kreiraju se matematički upravljane asortimanske liste s fokusom na profitabilnost pojedinih artikala na lokaciji. Iz tih lista moguće je kreirati i globalne asortimanske liste na razini pojedinih regija ili tipova prodajnih lokacija. Naravno, ovdje je riječ o matematičkim, a ne marketinškim asortimanskim listama koje u sebi uračunavaju i neke druge odnose. Za trgovce na malo koji traže načine povećanja prihoda uz smanjenje troškova, prediktivna analitika može ponuditi neke intrigantne mogućnosti.
Izračun koeficijenta profitabilnosti artikala na razini lokacije
Profitabilnost se uobičajeno prati “unazad” temeljem prodaje, međutim naš pristup je da koristimo profitabilnost artikala kao parametar za naručivanje u budućnosti. Kako bismo to mogli koristiti izračunavamo koeficijent profitabilnosti koji nam osigurava veću ili manju “hrabrost” modela prilikom naručivanja. Bitna stvar je da se koeficijent izračunava na razini svake lokacije i zatim omogućava različito ponašanje prilikom naručivanja artikala.
Proces izračunavanja koeficijenta profitabilnosti izvršava se tjedno, zatim se artikli klasificiraju u deset profitnih kategorija na svakoj lokaciji te im se dodjeljuje ocjena profitabilnosti za budući tjedan, a temeljem tih podataka se zatim vrše korekcije u naručivanju artikala.
Kako izgleda primjer različitog naručivanja temeljem različitog koeficijenta profitabilnosti može se vidjeti na dijagramu 1.
Izračun koeficijenta profitabilnosti artikala na razini lokacije ključan je u poslovnim odlukama u vezi sa strategijama promocije, proizvodnjom i upravljanjem zalihama. Razumijevajući kako različiti čimbenici utječu na prodajnu izvedbu vašeg proizvoda, možete donositi pametnije poslovne odluke u svezi s kvalitetom proizvoda, oglašavanjem i pakiranjem. U konačnici, ovo će vam pomoći da povećate profit uz pametne načine određivanja optimalnog broja artikala na polici na svakoj lokaciji.
Određivanje optimalnog broja artikala na polici (eng. facing)
Marketinška strategija može se optimizirati na temelju rezultata modela strojnog učenja. Na primjer, ako model strojnog učenja odredi da predmet treba zauzimati više od jedne lokacije – kao što je više polica u maloprodajnoj trgovini – to se mora uzeti u obzir tijekom implementacije. S druge strane, ako postoji samo jedna lokacija za ovaj proizvod, planiranje mora osigurati da svaki kupac vidi barem jedan primjerak ovog artikla tijekom svog posjeta kako bi prodaja ostala visoka. Broj artikla na polici uvjetovan je različitim odlukama i odnosima, ali korištenjem prediktivne analitike i koeficijenta profitabilnosti moguće je izračunati optimalan broj komada pojedinog artikla koji će biti izložen kao i optimalnu poziciju artikla na polici.
Pristup strojnog učenja za dodjelu udjela artikla u kategoriji na polici je složen te pritom razmatra atribute svake stavke prije nego što odluči gdje će je postaviti. Na policama također mora biti dovoljno mjesta za sve proizvode kako niti jedan kupac ne bi imao neugodnosti pri kupnji artikala u prodavaonici. Planiranje također mora uzeti u obzir kako se proizvodi kreću između različitih lokacija kako bi prodaja ostala visoka na svim lokacijama na kojima se ti proizvodi prodaju.
Za izvođenje ove analize koriste se podaci iz prediktivnog modela prodaje iz kojih se izračunava ocjena profitabilnosti i kombinira s trenutnim podacima o broju artikala na polici. Zatim se provodi komparativna analiza kako bi se identificirali artikli čiji broj na polici značajno odstupa od predviđenog. Na temelju toga i procjene profitabilnosti daju se preporuke za promjene i repozicioniranje. Nakon identificiranja tih lokacija, analitičari mogu upotrijebiti svoje znanje o kupovnim navikama potrošača kako bi odredili koje jedinice treba staviti na svako mjesto na polici. Isto tako, može se analizirati potencijal rasta prodaje pojedinih artikala i predložiti promjene u pozicioniranju. Nakon što se ti artikli nađu na policama, trebali bi dobiti najbolju izloženost i prodaju zahvaljujući boljoj vizualizaciji od strane potrošača.
Osnova procesa je prodajna predikcija za pojedini period, koja se uvijek uvećava za minimalnu količinu. Minimalna količina je broj artikala koji uvijek “mora” ostati na polici kako kupci ne bi imali dojam da je trgovina prazna. Međutim, bitno je naglasiti da prilikom naručivanja minimalnu količinu uzimamo u obzir da se smije trošiti te se ona ne gleda kao zaključana roba na polici već roba koja je također na raspolaganju za kupce, ali koja osigurava da polica ne ostane prazna. Uobičajeni proces je da preuzmemo inicijalne vrijednosti (naravno ako postoje), kako bismo znali koji udjeli osiguravaju da izgled dućana ne odaje dojam da je “na inventuri ili u zatvaranju”. Zatim krećemo s dinamičkim određivanjem tih količina i korekcijama, a rezultat su dinamičke granice minimalnih količina koje zatim variraju o sezoni i promocijama. Rezultat analiza je predlaganje udjela pojedinih artikla na polici koji se izračunava kao postotak u kategoriji, a primjer rezultata jedne takve analize vidljiv je na dijagramu 2.
Za više informacija kontaktirajte nas na: www.aduroidea.com
