Właściwe zatowarowanie kilkuset sklepów i to codziennie… Wydaje się, że niemożliwe jest traktowanie każdego z nich odrębnie, indywidualnie podchodząc do alokacji i replenishmentu. Właśnie, wydaje się… Z wykorzystaniem odpowiedniej technologii możliwa staje się analiza historii sprzedaży oraz historycznej dostępności produktów na poziomie poszczególnych produktów i sklepów. To z kolei pozwala znaleźć odpowiedź na pytanie, które produkty najlepiej sprzedawały się w danym punkcie sprzedaży w przeszłości. Jest to punkt wyjścia do osiągnięcia kluczowego celu, czyli zapewnienia, aby każdy sklep był wypełniony produktami odpowiadającymi ich potencjałowi sprzedażowemu.
Maksymalne wykorzystanie potencjału sprzedażowego
Analiza danych bieżących i historycznych, udziału w sprzedaży poszczególnych grup asortymentowych, uwzględnienie mikro- i makrotrendów, a wreszcie trafne prognozowanie sprzedaży pozwala przewidzieć, które produkty będą cieszyły się największym zainteresowaniem klientów. Właściwe zatowarowanie sklepów to nie tylko kwestia wyboru odpowiednich modeli, kolorów i rozmiarów. To także precyzyjne określenie liczby poszczególnych produktów, które powinny trafić do każdego ze sklepów. Celem jest maksymalne wykorzystanie potencjału sprzedaży każdego produktu i każdego sklepu, co przełoży się na zwiększenie dostępności produktów (zmniejszenie out-of-stocków) przy jednoczesnym zmniejszeniu overstocku. Przykładowo: niektóre salony lepiej sprzedają produkty premium bądź garnitury, podczas gdy inne osiągają wyższe wyniki na towarach basic lub koszulach. Kluczowe jest zrozumienie specyfiki wynikającej z lokalizacji sklepu i klientów, którzy go odwiedzają.
W tej skomplikowanej układance technologia staje się kluczowym sojusznikiem. Dzięki Machine Learning i sztucznej inteligencji możliwa jest skuteczna analiza danych, identyfikowanie wzorców i trendów, a także przewidywanie przyszłości. W dynamicznie zmieniającej się sytuacji rynkowej, ważne jest podążanie za zmianami. Cyklicznie trenowane modele Machine Learning automatyzują proces „uczenia się” na najnowszych, na bieżąco aktualizowanych danych.
Historia alokacji w branży mody
Paczki alokacyjne były (a często wciąż są) podstawowym sposobem na optymalizację zarządzania zapasami w branży mody. Zamawianie produktów u producentów już w predefiniowanych paczkach pozwala detalistom sprawnie dystrybuować towary od dostawcy, przez magazyn do swoich sklepów. Takie podejście ma jednak swoje wady. Preferencje konsumentów są różne, a więc powstaje pytanie, czy alokacja w oparciu o paczki alokacyjne buduje optymalną ofertę w każdym sklepie.
Pakiety alokacyjne często opierają się na stałych zestawach, które mogą obejmować na przykład 20 T-shirtów, z czego 2 niebieskie w rozmiarze S, 3 w rozmiarze M, 3 w rozmiarze L oraz 2 w rozmiarze XL i taką samą kombinację dla T-shirtów czarnych. Takie podejście nie uwzględnia jednak specyfiki sprzedaży w poszczególnych sklepach, gdzie popyt na poszczególne kolory i rozmiary może się znacznie różnić. Alokacja produktów w oparciu o paczki alokacyjne powoduje, że sklepy otrzymują taki sam towar, mimo że nie każdy z nich sprzedaje te same produkty z równą skutecznością. To prowadzi do sytuacji, w której niektóre sklepy borykają się z nadmiarem jednego koloru bądź rozmiaru, podczas gdy inne doświadczają braków w popularnych wariantach.
Problemem jest zatem brak elastyczności alokacji opartej na pakietach alokacyjnych. Wskazanie, które produkty powinny znaleźć się w predefiniowanym zestawie odbywa się ekspercko. Ze względu na długi lead time często nawet 12 miesięcy przed dostarczeniem produktów do sklepów. Uproszczona analiza oparta na średnich danych dotyczących rozkładu kolorów i rozmiarów, nie odpowiada rzeczywistemu popytowi w różnych lokalizacjach. Alokacja w oparciu o paczki alokacyjne prowadzi do nadmiaru zapasów w niektórych sklepach oraz braków w innych. Nadmiar zapasów wiąże się z niską rotacją, zamrożonym kapitałem i brakiem przestrzeni ekspozycyjnej dla innych produktów.
Skutkuje to koniecznością przesuwania takich produktów do innego sklepu bądź zwrotem do magazynu, a także koniecznością przeceniania towaru, co obniża marżę. Z kolei braki towarowe skutkują utratą sprzedaży oraz frustracją klientów i utratą zaufania do marki, wynikającą z czasowego braku dostępności poszczególnych produktów w danym kolorze i rozmiarze. W obliczu rosnącej konkurencji
i coraz wyższych oczekiwań konsumentów podejście, które optymalizuje logistykę, ale nie jest w pełni pro-konsumenckie, przynosi więcej szkód niż pożytku.
Branża modowa powinna zatem dążyć do tego, by każdy salon zatowarowany był w sposób, który odpowiada jego potencjałowi. Jak jednak przewidzieć, w których sklepach popyt będzie większy, a w których mniejszy, rozpatrując poszczególne produkty, kolory i rozmiary? Wiedza o tym zapisana jest w historii sprzedaży każdego sklepu. Wyzwaniem jest umiejętna analiza danych historycznych i wyciąganie wniosków, które należy przełożyć na precyzyjną alokację towarów w sklepach.
Przejście na AI-driven allocation
Sztuczna inteligencja coraz odważniej wspiera branżę fashion w obszarze identyfikacji wzorców i trendów, a także przewidywania przyszłych zdarzeń. Za sprawą AI przetwarzane są ogromne zbiory danych pochodzących z różnych źródeł. To pozwala markom na lepsze dostosowanie się do zmieniającego się rynku. Dzięki tym nowoczesnym narzędziom detaliści mogą szybciej reagować na zmiany preferencji zakupowych konsumentów, a więc lepiej planować swoje kolekcje.
To właśnie dzięki sztucznej inteligencji możliwe jest wdrożenie zaawansowanych strategii alokacji, dostosowanych do potencjału każdego sklepu indywidualnie. Modele oparte na Machine Learning uczą się automatycznie na historycznych danych, a w ten sposób pozyskana wiedza wykorzystywana jest do trafnego przewidywania popytu na poszczególne produkty w każdym ze sklepów.
Specyfika branży fashion jest wyzwaniem dla Machine Learning. Sprzedaż relatywnie rzadka i niskowolumenowa, duża liczba produktów w ofercie, ogromna zmienność oferty związana z wymianą kolekcji przynajmniej dwa razy w roku, konieczność uwzględnienia występowania produktów w różnych rozmiarach i kolorach, na ogół długie lead time’y dostawców, ograniczona przestrzeń ekspozycyjna w sklepach i wiele innych. Oznacza to, że modele Machine Learning muszą być dedykowane do branży fashion i opracowane przez ekspertów Data Science z głęboką wiedzą biznesową o branży fashion.
Jak to robimy w Occubee?
W Occubee koncentrujemy się na kliencie, jego preferencjach zakupowych, a dopiero w drugiej kolejności na aspektach logistycznych. Opracowane przez nas modele Machine Learning, dedykowane dla branży fashion, trenowane są na historycznej sprzedaży wszystkich produktów we wszystkich sklepach na przestrzeni ostatnich trzech lat, co pozwala pozyskać wiedzę zarówno o generalnych wzorcach i trendach na rynku, jak i o lokalnych różnicach i potencjale danego sklepu. Analizujemy bardzo duże zbiory danych zawierające informacje o sprzedaży wszystkich produktów w sklepach, pogodzie, historycznym braku dostępności produktów, która przekłada się na utraconą sprzedaż, pierwszej i drugiej cenie, promocjach i wyprzedażach, cechach produktów, takich jak rozmiar, kolor, materiał, fason, wzór i wiele innych.
Takie holistyczne podejście do danych pozwala nam, w oparciu o zaawansowany aparat matematyczny Machine Learning, identyfikować złożone zależności wielu czynników wpływających na sprzedaż. Tak nauczone modele Machine Learning pozwalają nam prognozować sprzedaż każdego produktu w każdym sklepie. Tym samym pozwalają określić potencjał sprzedażowy każdego sklepu i zapewnić optymalną ofertę z perspektywy klienta.
W Occubee odrębnie traktujemy alokację i replenishment. Ma to szczególne znaczenie dla produktów kolekcyjnych, dostępnych tylko w trakcie danego sezonu. Prognozy sprzedaży w oparciu o modele Machine Learning pozwalają nam identyfikować potencjał sprzedażowy każdego sklepu i produktu. Alokacja w Occubee bazuje na tak zidentyfikowanym potencjale, uwzględniając szereg dodatkowych czynników i reguł, jak na przykład pojemność sekcji sklepowych, ograniczoną przestrzeń ekspozycyjną, bieżący zapas, wymagania co do różnorodności oferty, zapewnienie dostępności różnych rozmiarów itp. W efekcie generowane są polecenia komisjonowania, tzn. informacja które produkty, w jakich rozmiarach i kolorach oraz w jakiej liczbie powinny zostać dostarczone do sklepów.
Podczas trwania sezonu oraz dla produktów basic, będących w ciągłej sprzedaży, zastosowanie ma replenishment. W Occubee mamy możliwość wybrania różnych strategii, np. zapewnij pełną rozmiarówkę danego produktu w sklepie, uzupełniaj w pierwszej kolejności produkty już będące w sklepie, a dopiero w drugiej kolejności rozszerzaj kolekcję i wiele innych.
W odróżnieniu od tradycyjnego podejścia do alokacji, kiedy to ekspercko zdefiniowany harmonogram zakłada wprowadzanie kolejnych modeli i kolorów do całej sieci jednocześnie, w Occubee identyfikujemy rozpoczęcie i zakończenie sezonu oraz cykl życia produktu w trakcie sezonu, na podstawie zmieniającej się charakterystyki sprzedaży produktów kolekcyjnych. Tym samym Occubee może zaproponować alokację konkretnego modelu i koloru w różnych punktach sprzedaży w różnym czasie. Przykładowo: nad morzem krótkie spodenki mogą być wprowadzane do oferty szybciej niż w górach, w których sezon wiosna-lato zaczyna się później.
Nasze podejście jest w pełni nastawione na klienta i jego preferencje zakupowe. Occubee pozwala zapewnić optymalny zapas w sklepie, maksymalizując sprzedaż poprzez dostosowanie oferty do potrzeb klientów i zapewnienie wysokiej dostępności produktów z uwzględnieniem rozmiarów i kolorów. Jednocześnie zmniejszamy overstocki pozytywnie wpływając na cash flow i optymalizując wykorzystanie przestrzeni ekspozycyjnej w sklepach. Takie podejście możliwe jest dzięki wykorzystaniu zaawansowanych technologii opartych na AI, wymaga jednak odejścia od paczek alokacyjnych…
