વર્ગીકરણ ઓપ્ટિમાઇઝેશન શું છે?

વર્ગીકરણ ઑપ્ટિમાઇઝેશન એ શિસ્ત છે જે આ અંતરને સંબોધિત કરે છે. તે ડેટા, સતત શીખવા અને સ્ટોર-લેવલ એક્ઝિક્યુશન દ્વારા શેલ્ફ - પર ગ્રાહકો ખરેખર શું શોધે છે તે નક્કી કરે છે તેની સાથે તે કનેક્ટ કરે છે. આ માર્ગદર્શિકા તે શું છે, શા માટે મોટા ભાગના અભિગમો નિષ્ફળ જાય છે, તેનો અમલ કેવી રીતે કરવો અને પરિણામોને કેવી રીતે માપવા તે આવરી લે છે.

વર્ગીકરણ ઓપ્ટિમાઇઝેશન વિ. વર્ગીકરણ આયોજન: શું તફાવત છે?

આ બે શબ્દો ઘણીવાર એકબીજાના બદલે વાપરવામાં આવે છે. તેઓ મૂળભૂત રીતે વિવિધ પ્રક્રિયાઓનું વર્ણન કરે છે.

આયોજન એ વ્યાખ્યાયિત કરે છે કે તમારું વર્ગીકરણ કેવું હોવું જોઈએ. ઑપ્ટિમાઇઝેશન ખાતરી કરે છે કે તે વાસ્તવમાં - પરફોર્મ કરે છે અને પરિસ્થિતિઓમાં ફેરફાર થતાં તેમાં સુધારો થતો રહે છે.

ત્રણ સ્તરો જ્યાં વર્ગીકરણ નિર્ણયો લેવામાં આવે છે અને ખોવાઈ જાય છે

મોટાભાગના રિટેલરો પ્રથમ સ્તરમાં ભારે રોકાણ કરે છે. અન્ય બેમાં સૌથી મોટા પ્રદર્શન અંતર રહે છે.

વ્યૂહાત્મક સ્તર: શું વેચવું

અહીં કેટેગરી-સ્તરના નિર્ણયો થાય છે: કયા ઉત્પાદનો શેલ્ફ સ્પેસ કમાય છે, રાષ્ટ્રીય બ્રાન્ડ્સ સામે ખાનગી લેબલ કેવી રીતે સંતુલિત થાય છે અને એકંદર સ્ટોર વ્યૂહરચનામાં દરેક શ્રેણી શું ભૂમિકા ભજવે છે. બજારના ડેટા અને સ્પર્ધાત્મક બેન્ચમાર્કિંગ દ્વારા સંચાલિત, અને લાંબા ચક્ર પર ફેરફાર, મુખ્ય મથક પર અહીં નિર્ણયો લેવામાં આવે છે.

જોખમ: એકંદર ડેટા સ્થાનિક વિવિધતાને માસ્ક કરે છે. સ્વીકાર્ય રાષ્ટ્રીય વેચાણ ધરાવતું ઉત્પાદન 40% સ્ટોર્સમાં ઓછું પ્રદર્શન કરી શકે છે અને અન્ય 30%માં વધુ પ્રદર્શન કરી રહ્યું છે. સરેરાશ સિગ્નલ છુપાવે છે.

વ્યૂહાત્મક સ્તર: તેને ક્યાં અને કેવી રીતે વેચવું

વ્યૂહાત્મક સ્તર વ્યૂહરચનાને સ્થાન-વિશિષ્ટ યોજનાઓમાં અનુવાદિત કરે છે: સ્ટોર ક્લસ્ટરિંગ, પ્લાનોગ્રામ ડિઝાઇન અને મર્ચેન્ડાઇઝિંગ નિયમો. આ તે છે જ્યાં વર્ગીકરણ ખરેખર સ્થાનિક બની જાય છે - ઉચ્ચ-ઘનતાવાળા શહેરી સ્ટોરમાં ઉપનગરીય ફોર્મેટ કરતાં અલગ જગ્યાની મર્યાદાઓ, પગની ટ્રાફિક પેટર્ન અને દુકાનદાર મિશન હોય છે.

જોખમ: આ સ્તરે નિર્ણયો હજુ પણ વાસ્તવિક સ્ટોર-સ્તરના સંકેતોને બદલે ધારણાઓ પર ખૂબ આધાર રાખે છે. વર્ગીકરણ કાગળ પર સારી રીતે-સ્થાનિક દેખાઈ શકે છે જ્યારે વ્યવહારમાં વ્યાપકપણે ખોટી રીતે સંકલિત રહે છે.

ઓપરેશનલ લેયર: વાસ્તવમાં ગ્રાહક સુધી શું પહોંચે છે

આ તે છે જ્યાં વર્ગીકરણ ઑપ્ટિમાઇઝેશન સફળ થાય છે અથવા શાંતિથી નિષ્ફળ જાય છે. ઓપરેશનલ લેયર ગ્રાહકોને મળેલી ભૌતિક વાસ્તવિકતાને પ્રતિબિંબિત કરે છે: કયા ઉત્પાદનો શેલ્ફ પર છે, શું પ્લાનોગ્રામ યોગ્ય રીતે ચલાવવામાં આવે છે કે કેમ, પ્રમોશન દૃશ્યમાન છે કે કેમ અને સ્ટોકઆઉટ્સ ઝડપથી પકડાય છે અને ઉકેલાય છે કે કેમ.

સ્ટોર એક્ઝેક્યુશનમાં વાસ્તવિક-સમયની દૃશ્યતા વિના, દરેક અપસ્ટ્રીમ નિર્ણય આંશિક રીતે અનુમાનિત છે. જેવી ટેકનોલોજીઇલેક્ટ્રોનિક શેલ્ફ લેબલ્સઅને IoT સેન્સર્સનો ઉપયોગ મેન્યુઅલ ઓડિટ પર આધાર રાખવાને બદલે આ વિઝિબિલિટી ગેપ - કેપ્ચરિંગ શેલ્ફ સ્ટેટ્સને આપમેળે બંધ કરવા માટે વધુને વધુ કરવામાં આવે છે જે ક્રિયાયોગ્ય બનવા માટે ઘણી વાર થાય છે.

શા માટે પરંપરાગત વર્ગીકરણ ઓપ્ટિમાઇઝેશન નિષ્ફળ જાય છે

મોટાભાગની વર્ગીકરણ વ્યૂહરચનાઓ કાગળ પર સારી રીતે તૈયાર કરવામાં આવી છે-. અહીં તેઓ વ્યવહારમાં તૂટી જાય છે.

નિષ્ફળતા મોડ 1: ઐતિહાસિક ડેટા ભૂતકાળ માટે ઑપ્ટિમાઇઝ કરે છે

વેચાણનો ઈતિહાસ તમને જણાવે છે કે ગ્રાહકોએ તે સમયે - સમયે અસ્તિત્વમાં રહેલી શરતો હેઠળ શું ખરીદ્યું હતું, જે ઉપલબ્ધ ભાત સાથે, સેટ કરેલી કિંમતો પર. તે તમને કહી શકતું નથી કે ગ્રાહકો શું ઇચ્છે છે પરંતુ શોધી શક્યા નથી. ઝડપી-મૂવિંગ કેટેગરીમાં, ઐતિહાસિક ડેટામાં વલણ સ્પષ્ટપણે દેખાય ત્યાં સુધીમાં, કાર્ય કરવાની વિન્ડો ઘણી વખત પસાર થઈ ગઈ હોય છે.

નિષ્ફળતા મોડ 2: કેન્દ્રીય નિર્ણયો, સ્થાનિક વાસ્તવિકતા

જ્યારે વર્ગીકરણના નિર્ણયો સંપૂર્ણપણે મુખ્યમથક પર લેવામાં આવે છે, ત્યારે સ્ટોર-સ્તરની સૂક્ષ્મતા સરેરાશ દૂર થઈ જાય છે. સાધારણ રાષ્ટ્રીય વેચાણ ધરાવતું ઉત્પાદન પરંતુ વિશિષ્ટ સ્ટોર પ્રકારોમાં મજબૂત પ્રદર્શન હોઈ શકે છે. એક પ્રમાણભૂત પ્લાનોગ્રામ નોંધપાત્ર રીતે અલગ અલગ શેલ્ફ પરિમાણો અને દુકાનદાર વસ્તી વિષયક સાથે સ્ટોર્સમાં જમાવવામાં આવે છે.

નિષ્ફળતા મોડ 3: ડેટા સિલોસ અપૂર્ણ નિર્ણયો ઉત્પન્ન કરે છે

છૂટક સંસ્થાઓ બહુવિધ સિસ્ટમો પર ડેટા જનરેટ કરે છે - પૉઇન્ટ-ઑફ-વેચાણ, ઇન્વેન્ટરી, લોયલ્ટી, ઇ-વાણિજ્ય, અને સ્ટોર સેન્સર્સમાં-. કેટેગરી મેનેજર એક ડેટા સેટમાંથી કામ કરે છે. સપ્લાય ચેઇન બીજાથી કામ કરે છે. ત્રીજા ભાગથી સ્ટોરની કામગીરી. આમાંના કોઈપણ મંતવ્યો પૂર્ણ નથી, અને કોઈપણ એક સિલોમાંથી લીધેલા નિર્ણયો માત્ર બીજામાં દૃશ્યમાન સમસ્યાઓ ઊભી કરશે.

નિષ્ફળતા મોડ 4: પ્લાનોગ્રામ અનુપાલન મુખ્ય મથકની ધારણા કરતા ઓછું છે

પ્લાનોગ્રામ માત્ર ત્યારે જ મૂલ્ય આપે છે જો તે યોગ્ય રીતે અને સાતત્યપૂર્ણ રીતે ચલાવવામાં આવે. મોટાભાગના રિટેલ નેટવર્ક્સમાં, અનુપાલન દરો સમગ્ર સ્ટોર્સ પર નોંધપાત્ર રીતે બદલાય છે - અને મુખ્ય મથક સામાન્ય રીતે જ્યાં સુધી તે માપવામાં ન આવે ત્યાં સુધી જાણતું નથી. જો તમે વેચાણ ડેટાના આધારે ઉત્પાદનના શેલ્ફ પ્રદર્શનનું મૂલ્યાંકન કરી રહ્યાં છો, પરંતુ તે ઉત્પાદન તમારા 20% સ્ટોર્સમાં ત્રણ મહિનાથી ખોટી ખાડી સ્થિતિમાં છે, તો તમારો પ્રદર્શન ડેટા અવિશ્વસનીય છે. સમજણશેલ્ફ ડેટા કેટલી વાર રિફ્રેશ થાય છેઆ માપની ચોકસાઈ સાથે સીધી રીતે જોડાયેલ છે.

નિષ્ફળતા મોડ 5: ઓમ્નીચેનલ સિગ્નલ્સ વાંચ્યા વગર જાય છે

ઑનલાઇન ગ્રાહક વર્તણૂક એ વર્ગીકરણ બુદ્ધિનો સમૃદ્ધ સ્ત્રોત છે જેને મોટાભાગના ભૌતિક રિટેલરો અવગણે છે. તમારા ઇ ઉચ્ચ-બ્રાઉઝ કરો, નીચા-ખરીદીની પેટર્ન એવી માંગને દર્શાવે છે કે જેને રૂપાંતરણ પહેલાં સ્ટોર મૂલ્યાંકનની-માં જરૂર પડી શકે છે. ગ્રાહક જે ઓનલાઈન ઉત્પાદન શોધે છે, તેને અનુપલબ્ધ જણાય છે, અને છોડી દે છે તે ઇન-સ્ટોર સિસ્ટમ -માં કોઈ ડેટા જનરેટ કરતું નથી પરંતુ તે ડેટાની ગેરહાજરી પોતે જ એક સંકેત છે, જો તમે તેને મેળવવા માટેની પ્રક્રિયા બનાવો છો. પ્રારંભિક બિંદુ તમારી ઑનલાઇન શોધ અને બ્રાઉઝ ડેટાને તમારી શ્રેણી આયોજન વર્કફ્લો સાથે જોડવાનું છે, અનૌપચારિક રીતે પણ.

AI વર્ગીકરણ નિર્ણયોને કેવી રીતે સુધારે છે

સેંકડો સ્ટોર્સ અને હજારો SKU માં મેન્યુઅલ વર્ગીકરણ સંચાલન સ્પ્રેડશીટ્સ અને સામયિક સમીક્ષાઓ શું સમર્થન કરી શકે તેની મર્યાદા સુધી પહોંચી ગયું છે. AI ચોક્કસ, માપી શકાય તેવી રીતે યોગદાન આપે છે.

સ્ટોર-સ્તરની માંગની આગાહી.પરંપરાગત આગાહી બેનર અથવા ક્લસ્ટર સ્તરે કાર્ય કરે છે. મશીન લર્નિંગ મૉડલ્સ વ્યક્તિગત સ્ટોર અને SKU સ્તરે અનુમાન જનરેટ કરી શકે છે, સ્થાનિક પરિબળો - પડોશી વસ્તી વિષયક, નજીકની સ્પર્ધા, મોસમી સૂક્ષ્મ-ટ્રેન્ડ્સ - કે જે વ્યાપક મોડલ સરેરાશથી દૂર રહે છે. આ ગ્રેન્યુલારિટી એ છે જે સ્થાનિક વર્ગીકરણના નિર્ણયોને ધારવાને બદલે બચાવપાત્ર બનાવે છે.

SKU તર્કસંગતીકરણ.દરેક ઉત્પાદન તેની જગ્યા મેળવતું નથી. AI મૉડલ્સ ઓળખી શકે છે કે કયા SKUs પ્રમાણસર વળતર વિના શેલ્ફ રિયલ એસ્ટેટ અને ઇન્વેન્ટરી મૂડીનો ઉપયોગ કરી રહ્યાં છે - માર્જિન યોગદાન, અવેજી અસરો અને બાસ્કેટ અસર માટે એકાઉન્ટિંગ. નિર્ણાયક તફાવત એ ધીમી-મૂવર્સ વચ્ચે છે જે વફાદાર વિશિષ્ટ સેવા આપે છે અને ધીમા-મૂવર્સ કે જેઓ ફક્ત ઓછું પ્રદર્શન કરે છે. AI એ બંને વચ્ચેના સ્કેલ પર તફાવત કરી શકે છે જે મેન્યુઅલ વિશ્લેષણ કરી શકતું નથી.

ગતિશીલ ભાવો અને પ્રમોશન ગોઠવણી.વર્ગીકરણ નિર્ણયો કિંમતોથી અલગતામાં અસ્તિત્વમાં નથી. AI-સંચાલિતગતિશીલ ભાવપ્રમોશનલ પ્રવૃત્તિને રીઅલ ટાઇમમાં વર્ગીકરણ પ્રદર્શન સાથે સંરેખિત કરી શકે છે - શું આયોજન કરવામાં આવ્યું હતું અને ગ્રાહકો શેલ્ફ સ્તરે ખરેખર શું પ્રતિસાદ આપે છે તે વચ્ચેની મેળ ખાતી નથી.

એક્ઝેક્યુશન મોનીટરીંગ.કમ્પ્યુટર વિઝન અને સેન્સર ડેટા સંપૂર્ણ મેન્યુઅલ ઓડિટની જરૂર વગર પ્લાનોગ્રામ વિચલનોને ઓળખી શકે છે. માં આગળ વધે છેશેલ્ફ લેબલ ટેકનોલોજીસ્વચાલિત શેલ્ફ-રાજ્ય મોનિટરિંગને મધ્યમ-કદના રિટેલર્સ માટે વધુને વધુ સુલભ બનાવ્યું છે, માત્ર મોટી સાંકળો જ નહીં.

અમલીકરણ માટે પાંચ-પગલાની ફ્રેમવર્ક

મોટાભાગના રિટેલરો વર્ગીકરણ ઓપ્ટિમાઇઝેશન બાબતો જાણે છે. ઓછા લોકો પાસે સ્પષ્ટ પ્રારંભિક બિંદુ છે. આ ફ્રેમવર્ક કોઈપણ સ્કેલ પર વાપરી શકાય તે માટે રચાયેલ છે.

પગલું 1: તમારા વર્તમાન વર્ગીકરણનું ઑડિટ કરો

કંઈપણ ઑપ્ટિમાઇઝ કરતાં પહેલાં, પ્રમાણિક આધારરેખા સ્થાપિત કરો. કેટેગરી અને સ્ટોર દ્વારા તમારો વર્તમાન સ્ટોકઆઉટ દર શું છે? કયા SKU પ્રતિ ચોરસ ફૂટ વેચાણનો તળિયે ઘટાડો કરે છે? આયોજિત વર્ગીકરણ અને વાસ્તવિક શેલ્ફ ઉપલબ્ધતા વચ્ચે સૌથી વધુ અંતર ક્યાં છે? જો તમે ભરોસાપાત્ર ડેટા સાથે આ પ્રશ્નોના જવાબ આપી શકતા નથી, તો તે પોતે સૌથી મહત્વપૂર્ણ શોધ - છે અને ઑપ્ટિમાઇઝેશન ટૂલ્સમાં રોકાણ કરતાં પહેલાં દૃશ્યતામાં રોકાણ કરવાનો સંકેત છે. સંરચિતઆધારરેખા ROI ગણતરીકોઈપણ અભિગમને પ્રતિબદ્ધ કરતા પહેલા સૌથી વધુ-અસરકારક અંતર ક્યાં છે તે નક્કી કરવામાં મદદ કરી શકે છે.

પગલું 2: તમારા સ્ટોર ક્લસ્ટર્સને વ્યાખ્યાયિત કરો

બધા સ્ટોર્સમાં સમાન વર્ગીકરણ હોવું જોઈએ નહીં, પરંતુ દરેક સ્ટોર માટે એક સંપૂર્ણપણે અનન્ય વર્ગીકરણ કાર્યકારી રીતે અવ્યવસ્થિત છે. સ્ટોર ક્લસ્ટરિંગ અર્થપૂર્ણ રીતે સમાન માંગ પ્રોફાઇલ સાથે સ્થાનોને જૂથબદ્ધ કરીને આ ચરમસીમાઓને દૂર કરે છે. અસરકારક ક્લસ્ટરિંગ વાસ્તવિક ખરીદી વર્તન - બાસ્કેટ કમ્પોઝિશન, કેટેગરી વેગ, શોપર મિશન પેટર્ન - ધારિત વસ્તી વિષયક પર આધારિત નથી. નેટવર્કના કદ અને ફોર્મેટની વિવિધતાના આધારે મોટાભાગના રિટેલર્સ ચારથી આઠ ક્લસ્ટરો સાથે કામ કરે છે. સાચો નંબર એ છે જ્યાં દરેક ક્લસ્ટર એક અલગ ઉત્પાદન નમૂનાની ખાતરી આપવા માટે ખરેખર અલગ રીતે વર્તે છે.

પગલું 3: તમારા ડેટા સ્ત્રોતોને એકીકૃત કરો

વર્ગીકરણ ઓપ્ટિમાઇઝેશન તેટલું જ સારું છે જે તેને ફીડ કરે છે. ઓછામાં ઓછા, તમારે ઓછામાં ઓછા 12 મહિનાના ઇતિહાસ, વર્તમાન ઇન્વેન્ટરી સ્તરો અને શેલ્ફ ઉપલબ્ધતાના કેટલાક માપ સાથે સ્ટોર દ્વારા SKU-સ્તરના વેચાણ ડેટાની જરૂર છે. મેન્યુઅલ રિપોર્ટ્સ, ESL સિસ્ટમ્સ, અથવા IoT સેન્સર્સ દ્વારા - શેલ્ફ ડેટા કેવી રીતે કેપ્ચર થાય છે તે પ્રશ્ન સીધી રીતે ડેટાની તાજગી અને વિશ્વસનીયતાને અસર કરે છે. ની સમજણશેલ્ફ ડેટા કેપ્ચર માટે કનેક્ટિવિટી વિકલ્પોવ્યવહારિક વહેલો નિર્ણય છે. પરફેક્ટ ડેટા એકીકરણ એ - શરૂ કરવા માટે પૂર્વશરત નથી પરંતુ તમારે તેના આઉટપુટ પર વિશ્વાસ કરતા પહેલા તમારા ડેટાના અંતર અને વિલંબને સમજવાની જરૂર છે.

પગલું 4: ઑપ્ટિમાઇઝેશન નિયમો અને ગાર્ડરેલ્સ સેટ કરો

AI મૉડલ્સ અને ઑપ્ટિમાઇઝેશન ઍલ્ગોરિધમ્સને અવરોધોની જરૂર છે. દરેક નિર્ણય સ્વયંસંચાલિત ન હોવો જોઈએ. સ્પષ્ટપણે વ્યાખ્યાયિત કરો કે કયા નિર્ણયો આપમેળે ચાલી શકે છે - જેમ કે ઉચ્ચ-વેગ SKUs - માટે પુનઃપ્રાપ્તિ ટ્રિગર્સ અને જેને માનવ સમીક્ષાની જરૂર છે, જેમ કે ક્લસ્ટરમાંથી ઉત્પાદનને દૂર કરવું. ગાર્ડરેલ્સ એ ભૂલો સામે પણ રક્ષણ આપે છે જે ડેટા અપૂર્ણ હોય ત્યારે સ્વચાલિત સિસ્ટમો કરે છે. એક સામાન્ય ઉદાહરણ: એક અલ્ગોરિધમ ઉત્પાદનને દૂર કરવાની ભલામણ કરે છે કારણ કે તેનું વેચાણ ઓછું હોય છે, જ્યારે વાસ્તવિક કારણ સતત સ્ટોકઆઉટ હોય છે જે વેચાણ ડેટા ઓછી માંગથી અલગ પડતો નથી.કિંમત અને ઉપલબ્ધતા પ્રદર્શન ભૂલોઓટોમેશન રજૂ કરવામાં આવે તે પહેલાં સમજવા યોગ્ય સંબંધિત ઓપરેશનલ નિષ્ફળતા મોડ છે.

પગલું 5: માપો, શીખો અને પુનરાવર્તન કરો

વર્ગીકરણ ઑપ્ટિમાઇઝેશન એ સતત પ્રક્રિયા છે, એક-વખતનો પ્રોજેક્ટ નથી. વ્યૂહાત્મક નિર્ણયો માટે ઓછામાં ઓછા ત્રિમાસિક ધોરણે નિયમિત સમીક્ષા લય - સ્થાપિત કરો, વ્યૂહાત્મક ગોઠવણો માટે માસિક. કેન્દ્રીય કેટેગરી ટીમો વચ્ચે સંરચિત પ્રતિસાદ લૂપ બનાવો અને-સ્તરના પ્રદર્શન ડેટાને સ્ટોર કરો. દરેક આયોજન ચક્રને પ્રયોગ તરીકે ગણો: એક પૂર્વધારણા બનાવો, ફેરફારનો અમલ કરો, પરિણામને માપો, આગલા ચક્રમાં તે શિક્ષણનો ઉપયોગ કરો. સંસ્થાઓ કે જેઓ આ પ્રક્રિયામાંથી સૌથી વધુ મૂલ્ય મેળવે છે તે સૌથી વધુ આધુનિક સાધનો ધરાવતી નથી. તેઓ એવા છે જેમણે ડેટામાંથી સતત શીખવાની આદત બનાવી છે.

વર્ગીકરણ ઑપ્ટિમાઇઝેશનને માપવા માટે છ KPIs

સ્ટોર સ્તરે તમામ છ મેટ્રિક્સ ટ્રૅક કરો, માત્ર એકંદરમાં નહીં. નેટવર્ક-લેવલ એવરેજ એ સ્ટોર્સને વારંવાર છુપાવે છે જ્યાં સમસ્યાઓ સૌથી વધુ તીવ્ર હોય છે - અને જ્યાં સૌથી મોટી ઑપ્ટિમાઇઝેશન તકો અસ્તિત્વમાં હોય છે.

ઓનલાઈન અને ભૌતિક ચેનલો પર વર્ગીકરણ ઓપ્ટિમાઈઝેશન

ભૌતિક અને ડિજિટલ ચેનલો પર કામ કરતા રિટેલરો માટે, વર્ગીકરણના નિર્ણયોને એકલતામાં સંચાલિત કરી શકાતા નથી.છૂટક વાતાવરણબદલાઈ ગયું છે: ગ્રાહકો ચૅનલ વચ્ચે પ્રવાહી રીતે ફરે છે, અને દરેક ચૅનલમાંથી ડેટા અન્યમાં નિર્ણયોની જાણ કરી શકે છે.

વર્ગીકરણ સંકેત તરીકે ઑનલાઇન.તમારા ઇ ઉચ્ચ-બ્રાઉઝ કરો, ઓછી-ખરીદીની પેટર્ન એવા ઉત્પાદનોને સૂચવી શકે છે કે જેનું ગ્રાહકો ખરીદતા પહેલા રૂબરૂ મૂલ્યાંકન કરવા માગે છે, જે સ્ટોર રેન્જમાં- માટે અસરો ધરાવે છે. અનુસારમેકકિન્સે સંશોધન, 70% થી વધુ ઉપભોક્તા હવે વ્યક્તિગત અનુભવોની અપેક્ષા રાખે છે - એવી અપેક્ષા જે સંચારની જેમ ઉત્પાદનની ઉપલબ્ધતા પર પણ લાગુ પડે છે.

એકીકૃત વિ. વિભિન્ન વર્ગીકરણ.તમારી ઓનલાઈન અને{0}}સ્ટોર શ્રેણીઓ સંરેખિત હોવી જોઈએ કે કેમ તે તમારા સ્ટોર ફોર્મેટ અને ગ્રાહક વર્તન પર આધાર રાખે છે. એકીકૃત વર્ગીકરણ કામગીરીને સરળ બનાવે છે અને ક્લીનર ડિમાન્ડ ડેટાનું ઉત્પાદન કરે છે, પરંતુ ભૌતિક સ્ટોર્સને ઓનલાઈન કેટલોગની જટિલતાને વહન કરવા દબાણ કરે છે જેને મોટાભાગના ફોર્મેટ સમાવી શકતા નથી. એક વિભિન્ન અભિગમ - જ્યાં ભૌતિક સ્ટોર્સ ક્યુરેટેડ, ઉચ્ચ-વેગ કોર ધરાવે છે જ્યારે ઓનલાઈન ચેનલ લાંબી પૂંછડીને હેન્ડલ કરે છે - જ્યારે બે ચેનલો ખરેખર અલગ શોપિંગ મિશન પ્રદાન કરે છે ત્યારે સારી રીતે કાર્ય કરે છે. નિર્ણયનું માળખું સરળ છે: જો ગ્રાહકો નિયમિતપણે ઑનલાઇન શોધ કરે છે અને સ્ટોરમાં કન્વર્ટ થાય છે-, તો ગોઠવણી બાબતો. જો ઓનલાઈન અને -સ્ટોરના ખરીદદારો મોટાભાગે અલગ-અલગ પ્રેક્ષકો હોય, તો ભેદભાવ વધુ કાર્યક્ષમ હોઈ શકે છે.

ક્યાંથી શરૂઆત કરવી.સૌથી વ્યવહારુ પ્રવેશ બિંદુ તમારા ઇ કોઈ નવી તકનીકની આવશ્યકતા નથી - કેટેગરી મેનેજરો દ્વારા સમીક્ષા કરાયેલ નિષ્ફળ શોધ ક્વેરીઝની માસિક નિકાસ એ વર્ગીકરણના અંતરને સપાટી પર લાવી શકે છે જે-સ્ટોરમાં વેચાણ ડેટા ક્યારેય જાહેર કરશે નહીં. આની સાથે જોડી બનાવી રહ્યા છીએસુધારેલ શેલ્ફ-લેવલ ડેટા કેપ્ચરભૌતિક સ્ટોર્સમાં ઓનલાઈન સિગ્નલો અને સ્ટોરના અમલીકરણમાં-વચ્ચે બંધ લૂપ બનાવે છે.

વ્યવહારમાં આ શું દેખાય છે

નીચેના દૃશ્યો દર્શાવે છે કે કેવી રીતે વર્ગીકરણ ઑપ્ટિમાઇઝેશન સિદ્ધાંતો રિટેલ ફોર્મેટમાં લાગુ પડે છે. આ દૃષ્ટાંતરૂપ ઉદાહરણો છે, ચોક્કસ કંપની કેસ સ્ટડીઝ નથી.

કરિયાણા: એકંદર ડેટામાં સ્થાનિક માંગ માસ્કિંગ.પ્રાદેશિક કરિયાણાની સાંકળ એકંદર કેટેગરી ડેટાનો ઉપયોગ કરીને વર્ગીકરણની યોજના બનાવે છે. વંશીય ખાદ્ય કેટેગરીઝ - ચોક્કસ પડોશમાં મજબૂત પર્ફોર્મર્સ - સતત ઓછા રજૂ કરવામાં આવે છે કારણ કે જ્યારે બેનર સ્તર સુધી રોલ અપ કરવામાં આવે છે ત્યારે તેમના વેચાણમાં ઘટાડો થાય છે. વાસ્તવિક બાસ્કેટ કમ્પોઝિશન પર બાંધવામાં આવેલ ક્લસ્ટર-આધારિત અભિગમ દર્શાવે છે કે અમુક સ્ટોર જૂથોમાં નીચી કેટેગરીની માંગ જે દેખાતી હતી તે તેના બદલે માળખાકીય ડેટા એકત્રીકરણ સમસ્યા હતી. સ્થાનિક ખરીદીની વર્તણૂકને પ્રતિબિંબિત કરવા માટે તે સ્ટોર્સના નમૂનાઓને સમાયોજિત કરવાથી અંતર બંધ થાય છે. સક્ષમ કરનાર પરિબળ નવી તકનીક નથી - તે બેનર દ્વારા નહીં પણ સ્ટોર દ્વારા માંગ ડેટાને અલગ કરી રહ્યું છે. જેવા સાધનો દ્વારા વધુ સારી દૃશ્યતાકરિયાણાની દુકાનોમાં ઇલેક્ટ્રોનિક શેલ્ફ લેબલ્સતે સમાયોજિત વર્ગીકરણ વાસ્તવમાં એક્ઝિક્યુટ કરવામાં આવી રહ્યું છે કે કેમ તેના ચાલુ માપનને સમર્થન આપે છે.

ફેશન: લાંબી-ટેલ SKU મેનેજમેન્ટ.વિશિષ્ટ વસ્ત્રોના છૂટક વિક્રેતા દરેક સિઝનમાં ઘણા હજાર સક્રિય SKU ધરાવે છે. ઉત્પાદકતા સમીક્ષા દર્શાવે છે કે આયોજન, ઇન્વેન્ટરી અને ફરી ભરપાઈ સંસાધનોનો ઉપયોગ કરતી વખતે શ્રેણીનો નોંધપાત્ર ભાગ આવકનો અપ્રમાણસર રીતે નાનો હિસ્સો પેદા કરે છે. વિશ્લેષણ અંડરપર્ફોર્મર્સના બે જૂથોને અલગ પાડે છે: કોઈ ઓળખી શકાય તેવા વફાદાર ગ્રાહક આધાર વગરના SKU અને નેગેટિવ સ્પેસ-થી-માર્જિન યોગદાન, અને ચોક્કસ ખરીદદાર સેગમેન્ટમાં નીચા એકંદર વોલ્યુમ પરંતુ ઉચ્ચ પુનરાવર્તિત ખરીદી દર સાથેના SKU. પ્રથમ જૂથ તબક્કાવાર છે. બીજાને સમાયોજિત જગ્યા ફાળવણી સાથે જાળવી રાખવામાં આવે છે. પરિણામ એ એક કડક શ્રેણી છે જે ચલાવવા માટે સરળ છે અને શેલ્ફ સ્તરે નિર્ણય થાક બનાવવાની શક્યતા ઓછી છે.

સગવડ છૂટક: વિભેદક તરીકે અમલની ઝડપ.એક નાની-ફોર્મેટ સુવિધા સાંકળ એવા સ્થાનો પર કાર્ય કરે છે જ્યાં દરેક ચોરસ ફૂટનો હિસ્સો વધુ હોય-અને સ્ટોકઆઉટની કિંમત ઓછી ઇન્વેન્ટરી બફર્સ દ્વારા વધારી દેવામાં આવે છે. મર્યાદિત પરિબળ એ વર્ગીકરણ યોજના નથી - તે સ્ટોકઆઉટ થાય છે અને તેનો પ્રતિસાદ આપતા સ્ટોર સહયોગી વચ્ચેનો સમય છે. સુનિશ્ચિત મેન્યુઅલ તપાસો પર આધાર રાખવાને બદલે સ્વયંસંચાલિત શેલ્ફ મોનિટરિંગ દ્વારા તે અંતર ઘટાડવાથી, ઉચ્ચ- માર્જિન ઇમ્પલ્સ કેટેગરીઝ માટે -સ્ટોરમાં ઉપલબ્ધતા પર સીધી અને માપી શકાય તેવી અસર પડે છે.

વારંવાર પૂછાતા પ્રશ્નો

રિટેલમાં વર્ગીકરણ ઑપ્ટિમાઇઝેશન શું છે?

વર્ગીકરણ ઑપ્ટિમાઇઝેશન એ વેચાણ, માર્જિન અને ગ્રાહક સંતોષને મહત્તમ કરવા માટે દરેક સ્ટોરમાં ઓફર કરવામાં આવતા ઉત્પાદન મિશ્રણને સતત પસંદ અને શુદ્ધ કરવાની પ્રક્રિયા છે. એક-વખતના વર્ગીકરણ આયોજનથી વિપરીત, તે વાસ્તવિક-ટાઇમ ડેટા અને ઉત્પાદનની પસંદગીને વાસ્તવિક માંગ સાથે સંરેખિત રાખવા માટે ચાલુ પ્રદર્શન સમીક્ષાઓને એકીકૃત કરે છે.

વર્ગીકરણ આયોજન અને વર્ગીકરણ ઑપ્ટિમાઇઝેશન વચ્ચે શું તફાવત છે?

વર્ગીકરણ આયોજન એ સામયિક, કેન્દ્રિય પ્રક્રિયા છે - સામાન્ય રીતે મોસમી અથવા વાર્ષિક - જે ઐતિહાસિક ડેટાના આધારે કયા ઉત્પાદનોને વહન કરવા તે વ્યાખ્યાયિત કરે છે. વર્ગીકરણ ઑપ્ટિમાઇઝેશન સતત છે. તે વાસ્તવિક-સમય સંકેતો અને સંગ્રહ-સ્તરીય પ્રદર્શન ડેટાને સમાવિષ્ટ કરે છે જેથી પરિસ્થિતિ બદલાય છે. આયોજન પ્રારંભિક દિશા નક્કી કરે છે; ઑપ્ટિમાઇઝેશન તેને માપાંકિત રાખે છે.

AI વર્ગીકરણ ઓપ્ટિમાઇઝેશન કેવી રીતે સુધારે છે?

AI સ્ટોર-સ્તરની માંગની આગાહીને સક્ષમ કરે છે જે ક્લસ્ટર એવરેજથી આગળ વધે છે, અવેજી અસરોનો હિસાબ કરતી વખતે અન્ડરપરફોર્મિંગ SKU ને ઓળખે છે, વર્તમાન વેચાણ વેગના આધારે પ્લાનોગ્રામ ભલામણો જનરેટ કરે છે અને વાસ્તવિક-સમય સંકેતો - હવામાન, સ્થાનિક ઇવેન્ટ્સ, સ્પર્ધક પ્રવૃત્તિમાં સ્પર્ધક સમયનું આયોજન{3} કરી શકતું નથી. પર કાર્ય કરો.

વર્ગીકરણ ઑપ્ટિમાઇઝેશન નિષ્ફળ થવાના સૌથી સામાન્ય કારણો શું છે?

પાંચ સૌથી સામાન્ય નિષ્ફળતા સ્થિતિઓ: ઐતિહાસિક ડેટા પર વધુ-નિર્ભરતા જે વર્તમાન માંગને કેપ્ચર કરી શકતી નથી; કેન્દ્રીયકૃત નિર્ણય-સ્થાનિક વિવિધતા ચૂકી જાય છે; સિલ્ડ ડેટા સિસ્ટમ્સ કે જે અપૂર્ણ ચિત્ર બનાવે છે; પ્લાનોગ્રામનું પાલન મુખ્યમથકની ધારણા કરતાં ઓછું છે; અને ઓનલાઈન ડિમાન્ડ સિગ્નલોનો સમાવેશ કરવામાં નિષ્ફળતા કે જે એકલા સ્ટોર વેચાણ ડેટામાં-અદૃશ્ય તફાવતો દર્શાવે છે.

વર્ગીકરણ ઑપ્ટિમાઇઝેશન માટે મારે કયા KPIs ટ્રૅક કરવા જોઈએ?

સૌથી ઉપયોગી મેટ્રિક્સ છે સ્ટોકઆઉટ રેટ, સેલ-થ્રુ રેટ, SKU ઉત્પાદકતા (આશ્રય સ્થાનના એકમ દીઠ આવક અથવા માર્જિન), પ્લાનોગ્રામ અનુપાલન દર, શ્રેણી માર્જિન યોગદાન અને ક્લસ્ટર માંગ સંરેખણ (આયોજિત વર્ગીકરણ અને વાસ્તવિક વેચાણ વચ્ચેનો તફાવત-ક્લસ્ટર સ્તરે). આ બધાને સ્ટોર સ્તરે ટ્રૅક કરો, માત્ર એકંદરમાં નહીં.

અમલીકરણમાં કેટલો સમય લાગે છે?

બેઝલાઇન ઓડિટ અને ક્લસ્ટર-આધારિત ઓપ્ટિમાઇઝેશન ફ્રેમવર્ક સામાન્ય રીતે હાલના ડેટાનો ઉપયોગ કરીને થોડા મહિનાઓમાં વિકસાવી શકાય છે. વધુ અત્યાધુનિક AI-સંચાલિત સતત ઑપ્ટિમાઇઝેશનને મજબૂત ડેટા ફાઉન્ડેશનની જરૂર છે અને તેને સંપૂર્ણ રીતે કાર્યરત થવામાં 12 થી 18 મહિનાનો સમય લાગી શકે છે. ઑડિટ સાથે શરૂ કરીને, કોઈપણ નવી તકનીકની જરૂર હોય તે પહેલાં ઉપલબ્ધ ઝડપી જીતને લગભગ હંમેશા જાહેર કરે છે.

શું નાના રિટેલર્સને વર્ગીકરણ ઑપ્ટિમાઇઝેશનથી ફાયદો થશે?

હા. કયા ઉત્પાદનો તેમની જગ્યા કમાય છે, સ્ટોકઆઉટ ફ્રિક્વન્સી ટ્રૅક કરવા અને વેચાણ ડેટા અને ઉત્પાદનના નિર્ણયો વચ્ચે પ્રતિસાદ લૂપ બનાવવાની કોઈપણ કદની કામગીરી માટે અર્થપૂર્ણ છે તે સમજણ - સ્કેલને ધ્યાનમાં લીધા વિના સિદ્ધાંતો લાગુ પડે છે. નાના છૂટક વિક્રેતાઓને એન્ટરપ્રાઇઝ AI પ્લેટફોર્મની જરૂર ન હોઈ શકે; મફત અથવા ઓછા-કિંમતના એનાલિટિક્સ ટૂલ્સ તેમની પાસે પહેલેથી છે તે ડેટાના આધારે ઉપયોગી ઑપ્ટિમાઇઝેશનને સમર્થન આપી શકે છે. પસંદ કરી રહ્યા છીએજમણા શેલ્ફ લેબલ સોલ્યુશનનોંધપાત્ર ઇન્ફ્રાસ્ટ્રક્ચર રોકાણ વિના ડેટા કેપ્ચર સુધારવા માટે એક વ્યવહારુ પ્રારંભિક બિંદુ છે.

શરૂ કરવા માટે મારે કયા ડેટાની જરૂર છે?

ન્યૂનતમ: ઓછામાં ઓછા 12 મહિનાના ઇતિહાસ સાથે સ્ટોર દ્વારા SKU-સ્તર વેચાણ ડેટા, વર્તમાન ઇન્વેન્ટરી સ્તરો અને શેલ્ફ ઉપલબ્ધતાના કેટલાક માપ - પણ મેન્યુઅલ સ્ટોકઆઉટ રિપોર્ટ્સ. આ ફાઉન્ડેશનમાંથી, તમે અર્થપૂર્ણ ઑડિટ ચલાવી શકો છો, તમારી સૌથી વધુ-અસરની તકોને ઓળખી શકો છો અને ડેટા સુધારણા રોડમેપ બનાવી શકો છો. પરફેક્ટ ડેટા એ પૂર્વશરત નથી. અપૂર્ણ ડેટા સાથે ઉપયોગી ઑપ્ટિમાઇઝેશન શક્ય છે, જ્યાં સુધી તમે સમજો છો અને તેના અવકાશને ધ્યાનમાં લો છો.

ક્યાંથી શરૂઆત કરવી

વર્ગીકરણ ઑપ્ટિમાઇઝેશન સૌથી વધુ મૂલ્ય આપે છે જ્યારે તે સતત લૂપ તરીકે કાર્ય કરે છે - પ્રદર્શનનું વિશ્લેષણ કરો, ઉત્પાદન મિશ્રણને સમાયોજિત કરો, સ્ટોરમાં- એક્ઝિક્યુટ કરો, પરિણામોને માપો અને પુનરાવર્તન કરો. રિટેલરો કે જેઓ આ ક્ષમતાને સૌથી વધુ અસરકારક રીતે બનાવે છે તે જરૂરી નથી કે જેઓ સૌથી અદ્યતન સાધનોમાં પ્રથમ રોકાણ કરે. તેઓ એવા છે કે જેઓ તેમની વર્તમાન વર્ગીકરણ ક્યાં નિષ્ફળ થઈ રહી છે તે અંગે પ્રામાણિક ડેટા સાથે પ્રારંભ કરે છે અને તે ડેટા પર સતત કાર્ય કરવાની સંસ્થાકીય ટેવ કેળવે છે.

જો તમે શરૂઆતથી શરૂઆત કરી રહ્યા હોવ, તો ચાર ક્રિયાઓ તરત જ કાર્યવાહી કરી શકાય છે: તમારી પાસે પહેલાથી જ છે તે ડેટાનો ઉપયોગ કરીને સ્ટોકઆઉટ અને SKU ઉત્પાદકતા ઓડિટ ચલાવો; તમારા સ્ટોર ક્લસ્ટર વ્યાખ્યાઓની વાસ્તવિક ખરીદીની વર્તણૂકને બદલે અનુમાનિત વસ્તી વિષયકને બદલે સમીક્ષા કરો; તમારા ઈ અને વ્યાખ્યાયિત કરો કે કયા વર્ગીકરણ નિર્ણયો સ્વયંસંચાલિત હોવા જોઈએ વિરુદ્ધ અમલ પહેલાં માનવ દ્વારા સમીક્ષા કરવામાં આવે છે.

આમાંના દરેકને કોઈપણ નવી ટેક્નોલોજી પ્રાપ્ત થાય તે પહેલા કરી શકાય છે - અને દરેક ટેક્નોલોજી રોકાણ ખરેખર સોયને ક્યાં ખસેડશે તેની સ્પષ્ટ દૃશ્યતા પેદા કરશે.