वर्गीकरण अनुकूलन वह अनुशासन है जो इस अंतर को संबोधित करता है। यह डेटा, निरंतर सीखने और स्टोर स्तर के निष्पादन के माध्यम से ग्राहकों को शेल्फ पर वास्तव में क्या मिलता है, मुख्यालय द्वारा तय किए गए निर्णय को जोड़ता है। यह मार्गदर्शिका बताती है कि यह क्या है, अधिकांश दृष्टिकोण विफल क्यों होते हैं, इसे कैसे लागू किया जाए और परिणामों को कैसे मापा जाए।
वर्गीकरण अनुकूलन बनाम वर्गीकरण योजना: क्या अंतर है?
ये दोनों शब्द अक्सर एक दूसरे के स्थान पर उपयोग किये जाते हैं। वे मौलिक रूप से भिन्न प्रक्रियाओं का वर्णन करते हैं।
| आयाम | वर्गीकरण योजना | वर्गीकरण अनुकूलन |
|---|---|---|
| प्रकृति | स्थैतिक, आवधिक | गतिशील, सतत |
| डेटा इनपुट | ऐतिहासिक बिक्री, श्रेणी नियम | वास्तविक-समय संकेत + ऐतिहासिक डेटा |
| निर्णय आवृत्ति | मौसमी या वार्षिक समीक्षाएँ | चालू, अक्सर स्वचालित |
| भौगोलिक ग्रैन्युलैरिटी | क्लस्टर या बैनर स्टोर करें | व्यक्तिगत स्टोर स्तर |
| यह क्या चूकता है | -स्टोर निष्पादन वास्तविकता में | कुछ भी नहीं, अगर अच्छा किया जाए |
योजना यह परिभाषित करती है कि आपका वर्गीकरण कैसा दिखना चाहिए। अनुकूलन यह सुनिश्चित करता है कि यह वास्तव में - प्रदर्शन करता है और स्थिति बदलने पर इसमें सुधार होता रहता है।
तीन परतें जहां वर्गीकरण के निर्णय लिए जाते हैं और खो दिए जाते हैं
अधिकांश खुदरा विक्रेता पहली परत में भारी निवेश करते हैं। सबसे बड़ा प्रदर्शन अंतर अन्य दो में रहता है।
रणनीतिक परत: क्या बेचना है
यह वह जगह है जहां श्रेणी के स्तर के निर्णय होते हैं: कौन से उत्पाद शेल्फ स्थान अर्जित करते हैं, निजी लेबल राष्ट्रीय ब्रांडों के खिलाफ कैसे संतुलन बनाते हैं, और प्रत्येक श्रेणी समग्र स्टोर रणनीति में क्या भूमिका निभाती है। यहां निर्णय मुख्यालय में किए जाते हैं, जो बाजार डेटा और प्रतिस्पर्धी बेंचमार्किंग और लंबे चक्रों पर परिवर्तन से प्रेरित होते हैं।
जोखिम: समग्र डेटा स्थानीय भिन्नता को छुपाता है। स्वीकार्य राष्ट्रीय बिक्री वाला कोई उत्पाद 40% दुकानों में खराब प्रदर्शन कर सकता है और अन्य 30% में बेहतर प्रदर्शन कर सकता है। औसत संकेत छिपाते हैं.
टैक्टिकल लेयर: इसे कहां और कैसे बेचें
सामरिक परत रणनीति को स्थान विशिष्ट योजनाओं में परिवर्तित करती है: स्टोर क्लस्टरिंग, प्लानोग्राम डिज़ाइन और व्यापारिक नियम। यह वह जगह है जहां वर्गीकरण वास्तव में स्थानीय हो जाता है - उच्च घनत्व वाले शहरी स्टोर में उपनगरीय प्रारूप की तुलना में अलग-अलग स्थान की कमी, पैदल यातायात पैटर्न और खरीदार मिशन होते हैं।
जोखिम: इस स्तर पर निर्णय अभी भी वास्तविक स्टोर स्तर के संकेतों के बजाय मान्यताओं पर बहुत अधिक निर्भर करते हैं। वर्गीकरण कागज़ पर स्थानीय रूप से अच्छा दिख सकता है, जबकि व्यवहार में मोटे तौर पर गलत संरेखित रहता है।
परिचालन परत: वास्तव में ग्राहक तक क्या पहुंचता है
यहीं पर वर्गीकरण अनुकूलन सफल होता है या चुपचाप विफल हो जाता है। परिचालन परत ग्राहकों द्वारा सामना की जाने वाली भौतिक वास्तविकता को दर्शाती है: कौन से उत्पाद शेल्फ पर हैं, क्या प्लानोग्राम सही ढंग से निष्पादित किए गए हैं, क्या प्रचार दिखाई दे रहे हैं, और क्या स्टॉकआउट को पकड़ लिया गया है और जल्दी से हल किया गया है।
स्टोर निष्पादन में वास्तविक समय की दृश्यता के बिना, प्रत्येक अपस्ट्रीम निर्णय आंशिक रूप से अनुमान लगाया जाता है। जैसी तकनीकेंइलेक्ट्रॉनिक शेल्फ लेबलऔर IoT सेंसर का उपयोग इस दृश्यता अंतर को बंद करने के लिए तेजी से किया जा रहा है - मैन्युअल ऑडिट पर भरोसा करने के बजाय शेल्फ स्थिति को स्वचालित रूप से कैप्चर करना जो कि कार्रवाई योग्य होने के लिए बहुत ही कम होता है।
पारंपरिक वर्गीकरण अनुकूलन विफल क्यों होता है?
अधिकांश वर्गीकरण रणनीतियाँ कागज पर अच्छी तरह से डिज़ाइन की गई हैं। यहीं पर वे अभ्यास में टूट जाते हैं।
विफलता मोड 1: ऐतिहासिक डेटा अतीत के लिए अनुकूलित होता है
विक्रय इतिहास आपको बताता है कि ग्राहकों ने उस समय मौजूद परिस्थितियों में - जो वर्गीकरण उपलब्ध था, उसके तहत निर्धारित कीमतों पर क्या खरीदा। यह आपको यह नहीं बता सकता कि ग्राहक क्या चाहते थे लेकिन उन्हें नहीं मिला। तेजी से आगे बढ़ने वाली श्रेणियों में, जब तक कोई रुझान ऐतिहासिक डेटा में स्पष्ट रूप से दिखाई देता है, तब तक कार्रवाई करने का समय अक्सर बीत चुका होता है।
विफलता मोड 2: केंद्रीकृत निर्णय, स्थानीय वास्तविकता
जब वर्गीकरण संबंधी निर्णय पूरी तरह से मुख्यालय में किए जाते हैं, तो स्टोर स्तर की बारीकियां औसत हो जाती हैं। औसत राष्ट्रीय बिक्री वाला लेकिन विशिष्ट स्टोर प्रकारों में अच्छा प्रदर्शन करने वाला उत्पाद सूची से हटाया जा सकता है। एक मानकीकृत प्लानोग्राम को विभिन्न शेल्फ आयामों और खरीदार जनसांख्यिकी के साथ दुकानों में तैनात किया जाता है।
विफलता मोड 3: डेटा साइलो अधूरे निर्णय उत्पन्न करता है
खुदरा संगठन बिक्री, इन्वेंट्री, लॉयल्टी, ई-{3}कॉमर्स और इन-स्टोर सेंसरों के - पॉइंट - पर डेटा उत्पन्न करते हैं। श्रेणी प्रबंधक एक डेटा सेट से काम करते हैं। सप्लाई चेन दूसरे से काम करती है. एक तिहाई से स्टोर संचालन। इनमें से कोई भी विचार पूर्ण नहीं है, और किसी एक साइलो से लिए गए निर्णय केवल दूसरे साइलो में दिखाई देने वाली समस्याएं पैदा करेंगे।
विफलता मोड 4: प्लानोग्राम अनुपालन मुख्यालय की सोच से कम है
एक प्लानोग्राम केवल तभी मूल्य प्रदान करता है जब इसे सही ढंग से और लगातार निष्पादित किया जाता है। अधिकांश खुदरा नेटवर्कों में, विभिन्न दुकानों में अनुपालन दरें काफी भिन्न-भिन्न होती हैं और मुख्यालय को आमतौर पर तब तक पता नहीं चलता जब तक कि इसे मापा नहीं जाता। यदि आप बिक्री डेटा के आधार पर किसी उत्पाद के शेल्फ प्रदर्शन का मूल्यांकन कर रहे हैं, लेकिन वह उत्पाद तीन महीने से आपके 20% स्टोर में गलत बे स्थिति में है, तो आपका प्रदर्शन डेटा अविश्वसनीय है। समझशेल्फ डेटा कितनी बार ताज़ा किया जाता हैयह सीधे तौर पर इन मापों की सटीकता से जुड़ा हुआ है।
विफलता मोड 5: ओमनीचैनल सिग्नल बिना पढ़े चले जाते हैं
ऑनलाइन ग्राहक व्यवहार वर्गीकरण संबंधी जानकारी का एक समृद्ध स्रोत है जिसे अधिकांश भौतिक खुदरा विक्रेता अनदेखा कर देते हैं। आपके ई-कॉमर्स प्लेटफ़ॉर्म पर शून्य{1}परिणाम खोज आपको वही दिखाती है जो ग्राहक ढूंढ रहे हैं जो आप नहीं रखते हैं। उच्च {{4}ब्राउज़, निम्न{{5}खरीद पैटर्न से मांग का पता चलता है जिसके लिए रूपांतरण से पहले स्टोर में मूल्यांकन की आवश्यकता हो सकती है। एक ग्राहक जो किसी उत्पाद को ऑनलाइन खोजता है, उसे अनुपलब्ध पाता है, और स्टोर सिस्टम - में कोई डेटा उत्पन्न नहीं करता है, लेकिन डेटा की अनुपस्थिति स्वयं एक संकेत है, यदि आप इसे कैप्चर करने की प्रक्रिया बनाते हैं। प्रारंभिक बिंदु आपकी ऑनलाइन खोज और ब्राउज़ डेटा को आपके श्रेणी नियोजन वर्कफ़्लो से जोड़ना है, यहां तक कि अनौपचारिक रूप से भी।
एआई कैसे वर्गीकरण निर्णयों में सुधार करता है
सैकड़ों दुकानों और हजारों एसकेयू में मैन्युअल वर्गीकरण प्रबंधन उस सीमा तक पहुंच गया है जिसे स्प्रेडशीट और आवधिक समीक्षाएं समर्थन कर सकती हैं। एआई विशिष्ट, मापने योग्य तरीकों से योगदान देता है।
स्टोर स्तर की मांग का पूर्वानुमान।पारंपरिक पूर्वानुमान बैनर या क्लस्टर स्तर पर संचालित होता है। मशीन लर्निंग मॉडल व्यक्तिगत स्टोर और SKU स्तर पर पूर्वानुमान उत्पन्न कर सकते हैं, स्थानीय कारकों - पड़ोस की जनसांख्यिकी, नजदीकी प्रतिस्पर्धा, मौसमी सूक्ष्म रुझान - को ध्यान में रखते हुए व्यापक मॉडल औसत से दूर हो सकते हैं। यह विवरणात्मकता स्थानीयकृत वर्गीकरण निर्णयों को कल्पित करने के बजाय रक्षात्मक बनाती है।
SKU युक्तिकरण।प्रत्येक उत्पाद अपना स्थान अर्जित नहीं करता. एआई मॉडल यह पहचान सकते हैं कि कौन से एसकेयू मार्जिन योगदान, प्रतिस्थापन प्रभाव और बास्केट प्रभाव को ध्यान में रखते हुए आनुपातिक रिटर्न के बिना शेल्फ रियल एस्टेट और इन्वेंट्री पूंजी का उपभोग कर रहे हैं। महत्वपूर्ण अंतर धीमी गति से चलने वाले मूवर्स के बीच है जो एक वफादार स्थान की सेवा करते हैं और धीमी गति से चलने वाले मूवर्स जो केवल खराब प्रदर्शन करते हैं। एआई दोनों के बीच इतने बड़े पैमाने पर अंतर कर सकता है जितना मैन्युअल विश्लेषण नहीं कर सकता।
गतिशील मूल्य निर्धारण और प्रचार संरेखण।वर्गीकरण संबंधी निर्णय मूल्य निर्धारण से अलग नहीं होते। एआई-संचालितअद्भुत मूल्यप्रचारात्मक गतिविधि को वास्तविक समय में वर्गीकरण प्रदर्शन के साथ संरेखित कर सकता है - जो योजना बनाई गई थी और ग्राहक वास्तव में शेल्फ स्तर पर क्या प्रतिक्रिया देते हैं, के बीच बेमेल को कम करता है।
निष्पादन की निगरानी.कंप्यूटर विज़न और सेंसर डेटा पूर्ण मैन्युअल ऑडिट की आवश्यकता के बिना प्लानोग्राम विचलन की पहचान कर सकते हैं। में आगे बढ़ता हैशेल्फ लेबल प्रौद्योगिकीस्वचालित शेल्फ़ राज्य निगरानी को न केवल बड़ी श्रृंखलाओं के लिए, बल्कि मध्यम आकार के खुदरा विक्रेताओं के लिए भी अधिक सुलभ बना दिया है।
कार्यान्वयन के लिए पांच -चरणीय रूपरेखा
अधिकांश खुदरा विक्रेता वर्गीकरण अनुकूलन मामलों को जानते हैं। बहुत कम लोगों के पास स्पष्ट आरंभिक बिंदु होता है। यह ढाँचा किसी भी पैमाने पर प्रयोग करने योग्य होने के लिए डिज़ाइन किया गया है।
चरण 1: अपने वर्तमान वर्गीकरण का ऑडिट करें
किसी भी चीज़ को अनुकूलित करने से पहले, एक ईमानदार आधार रेखा स्थापित करें। श्रेणी और स्टोर के अनुसार आपकी वर्तमान स्टॉकआउट दर क्या है? कौन से SKU प्रति वर्ग फुट बिक्री का निचला दशमलव उत्पन्न कर रहे हैं? नियोजित वर्गीकरण और वास्तविक शेल्फ उपलब्धता के बीच सबसे बड़ा अंतर कहां है? यदि आप विश्वसनीय डेटा के साथ इन सवालों का जवाब नहीं दे सकते हैं, तो यह अपने आप में सबसे महत्वपूर्ण खोज है - और अनुकूलन टूल में निवेश करने से पहले दृश्यता में निवेश करने का संकेत है। एक संरचितआधारभूत आरओआई गणनाकिसी भी दृष्टिकोण के लिए प्रतिबद्ध होने से पहले यह निर्धारित करने में सहायता मिल सकती है कि उच्चतम - प्रभाव अंतराल कहां हैं।
चरण 2: अपने स्टोर क्लस्टर को परिभाषित करें
सभी दुकानों में समान वर्गीकरण नहीं होना चाहिए, लेकिन प्रत्येक स्टोर के लिए पूरी तरह से अद्वितीय वर्गीकरण परिचालन रूप से असहनीय है। स्टोर क्लस्टरिंग सार्थक रूप से समान मांग प्रोफाइल वाले स्थानों को समूहीकृत करके इन चरम सीमाओं को पाटता है। प्रभावी क्लस्टरिंग वास्तविक खरीद व्यवहार - टोकरी संरचना, श्रेणी वेग, खरीदार मिशन पैटर्न - पर बनाई गई है, अनुमानित जनसांख्यिकी पर नहीं। अधिकांश खुदरा विक्रेता नेटवर्क आकार और प्रारूप विविधता के आधार पर चार से आठ समूहों के साथ काम करते हैं। सही संख्या वह है जहां प्रत्येक क्लस्टर वास्तव में अलग-अलग व्यवहार करता है ताकि एक अलग उत्पाद टेम्पलेट की गारंटी दी जा सके।
चरण 3: अपने डेटा स्रोतों को एकीकृत करें
वर्गीकरण अनुकूलन केवल उतना ही अच्छा है जितना उसे फीड करने वाला डेटा। कम से कम, आपको कम से कम 12 महीने के इतिहास, वर्तमान इन्वेंट्री स्तर और शेल्फ उपलब्धता के कुछ माप के साथ स्टोर द्वारा SKU स्तर के बिक्री डेटा की आवश्यकता होगी। यह प्रश्न कि शेल्फ डेटा को कैसे कैप्चर किया जाता है - चाहे वह मैन्युअल रिपोर्ट, ईएसएल सिस्टम, या आईओटी सेंसर के माध्यम से हो - सीधे डेटा की ताजगी और विश्वसनीयता को प्रभावित करता है। को समझनाशेल्फ डेटा कैप्चर के लिए कनेक्टिविटी विकल्पएक व्यावहारिक प्रारंभिक निर्णय है. आरंभ करने के लिए संपूर्ण डेटा एकीकरण कोई शर्त नहीं है, लेकिन इसके आउटपुट पर भरोसा करने से पहले आपको अपने डेटा के अंतराल और विलंबता को समझना होगा।
चरण 4: अनुकूलन नियम और रेलिंग सेट करें
एआई मॉडल और अनुकूलन एल्गोरिदम को बाधाओं की आवश्यकता है। हर निर्णय स्वचालित नहीं होना चाहिए. स्पष्ट रूप से परिभाषित करें कि कौन से निर्णय स्वचालित रूप से चल सकते हैं - जैसे कि उच्च {{3}वेग वाले SKU के लिए पुनःपूर्ति ट्रिगर - और जिनके लिए मानव समीक्षा की आवश्यकता होती है, जैसे क्लस्टर से किसी उत्पाद को हटाना। रेलिंग उन त्रुटियों से भी बचाती है जो डेटा अपूर्ण होने पर स्वचालित सिस्टम करते हैं। एक सामान्य उदाहरण: एक एल्गोरिदम किसी उत्पाद को हटाने की सिफारिश करता है क्योंकि उसकी बिक्री कम है, जब वास्तविक कारण लगातार स्टॉकआउट होता है तो बिक्री डेटा कम मांग से अलग नहीं होता है।मूल्य और उपलब्धता प्रदर्शन त्रुटियाँस्वचालन शुरू होने से पहले समझने लायक संबंधित परिचालन विफलता मोड हैं।
चरण 5: मापें, सीखें और पुनरावृत्त करें
वर्गीकरण अनुकूलन एक सतत प्रक्रिया है, न कि एक बार की परियोजना। रणनीतिक निर्णयों के लिए कम से कम त्रैमासिक, सामरिक समायोजन के लिए मासिक रूप से एक नियमित समीक्षा लय - स्थापित करें। केंद्रीय श्रेणी की टीमों के बीच संरचित फीडबैक लूप बनाएं और स्तर के प्रदर्शन डेटा को संग्रहीत करें। प्रत्येक नियोजन चक्र को एक प्रयोग के रूप में मानें: एक परिकल्पना बनाएं, परिवर्तन लागू करें, परिणाम को मापें, उस सीख का अगले चक्र में उपयोग करें। जो संगठन इस प्रक्रिया से सबसे अधिक मूल्य प्राप्त करते हैं, वे सबसे परिष्कृत उपकरण वाले नहीं हैं। ये वे लोग हैं जिन्होंने डेटा से लगातार सीखने की आदत बना ली है।
वर्गीकरण अनुकूलन को मापने के लिए छह KPI
| के.पी.आई | यह क्या मापता है | दिशा | कैसे ट्रैक करें |
|---|---|---|---|
| स्टॉकआउट दर | स्टोर समय के दौरान SKU के अनुपलब्ध होने का % | ↓ निचला | पीओएस अंतराल +स्वचालित स्टॉकआउट का पता लगानाशेल्फ सेंसर के माध्यम से |
| दर के माध्यम से बेचें | पुनःपूर्ति या मार्कडाउन से पहले बेची गई इन्वेंट्री का % | ↑ उच्चतर | बेची गई इकाइयाँ ÷ प्राप्त इकाइयाँ, SKU और स्टोर द्वारा ट्रैक की गईं |
| एसकेयू उत्पादकता | शेल्फ स्थान की प्रति इकाई राजस्व या मार्जिन | ↑ उच्चतर | श्रेणी राजस्व ÷ शेल्फ फ़ुटेज, क्लस्टर औसत के विरुद्ध बेंचमार्क किया गया |
| प्लानोग्राम अनुपालन दर | प्लानोग्राम को सही ढंग से क्रियान्वित करने वाले स्टोरों का % | ↑ उच्चतर | मैनुअल ऑडिट या स्वचालित शेल्फ छवि विश्लेषण;ईएसएल परिनियोजनमापनीयता में सुधार करता है |
| श्रेणी मार्जिन योगदान | आवंटित स्थान के सापेक्ष उत्पन्न सकल मार्जिन | ↑ उच्चतर | श्रेणी P&L को क्लस्टर द्वारा प्लानोग्राम आवंटन के विरुद्ध ट्रैक किया गया |
| क्लस्टर मांग संरेखण | क्लस्टर स्तर पर नियोजित वर्गीकरण और वास्तविक श्रेणी की बिक्री के बीच अंतर | ↓ निचला विचरण | सभी समूहों में विक्रय दर के माध्यम से बिक्री की तुलना करें; उच्च विचरण संकेत स्थानीयकरण अंतराल |
स्टोर स्तर पर सभी छह मेट्रिक्स को ट्रैक करें, न कि केवल समग्र रूप से। नेटवर्क स्तर का औसत अक्सर उन स्टोरों को छिपा देता है जहां समस्याएं सबसे गंभीर होती हैं - और जहां सबसे बड़े अनुकूलन के अवसर मौजूद होते हैं।
ऑनलाइन और भौतिक चैनलों पर वर्गीकरण अनुकूलन
भौतिक और डिजिटल चैनलों पर काम करने वाले खुदरा विक्रेताओं के लिए, वर्गीकरण निर्णयों को अलग से प्रबंधित नहीं किया जा सकता है।खुदरा वातावरणबदल गया है: ग्राहक आसानी से चैनलों के बीच आवाजाही करते हैं, और प्रत्येक चैनल का डेटा दूसरे चैनल में निर्णयों को सूचित कर सकता है।
वर्गीकरण संकेत के रूप में ऑनलाइन।आपके ई-कॉमर्स प्लेटफ़ॉर्म पर शून्य {{0}परिणाम खोज, वर्गीकरण अंतराल का प्रत्यक्ष संकेतक है - ग्राहक आपको बताते हैं कि वे वास्तव में क्या चाहते हैं जो आप नहीं रखते हैं। उच्च {{4}ब्राउज़, कम - खरीदारी पैटर्न उन उत्पादों का संकेत दे सकता है जिन्हें ग्राहक खरीदने से पहले व्यक्तिगत रूप से मूल्यांकन करना चाहते हैं, जिसका स्टोर रेंजिंग पर प्रभाव पड़ता है। के अनुसारमैकिन्से अनुसंधान, 70% से अधिक उपभोक्ता अब वैयक्तिकृत अनुभवों की अपेक्षा करते हैं - एक ऐसी अपेक्षा जो उत्पाद उपलब्धता के साथ-साथ संचार पर भी लागू होती है।
एकीकृत बनाम विभेदित वर्गीकरण।आपके ऑनलाइन और {{0}स्टोर स्टोर में वर्गीकरण संरेखित होना चाहिए या नहीं, यह आपके स्टोर प्रारूप और ग्राहक व्यवहार पर निर्भर करता है। एक एकीकृत वर्गीकरण संचालन को सरल बनाता है और स्वच्छ मांग डेटा तैयार करता है, लेकिन भौतिक दुकानों को ऑनलाइन कैटलॉग की जटिलता को ले जाने के लिए मजबूर करता है जिसे अधिकांश प्रारूप समायोजित नहीं कर सकते हैं। एक विभेदित दृष्टिकोण - जहां भौतिक स्टोर एक क्यूरेटेड, उच्च वेग वाले कोर को संभालते हैं जबकि ऑनलाइन चैनल लंबी पूंछ को संभालते हैं - तब अच्छी तरह से काम करता है जब दोनों चैनल वास्तव में अलग-अलग शॉपिंग मिशन प्रदान करते हैं। निर्णय की रूपरेखा सरल है: यदि ग्राहक नियमित रूप से ऑनलाइन खोज करते हैं और स्टोर में परिवर्तित होते हैं, तो संरेखण मायने रखता है। यदि ऑनलाइन और दुकान में खरीदारी करने वाले बड़े पैमाने पर अलग-अलग दर्शक वर्ग हैं, तो भेदभाव अधिक प्रभावी हो सकता है।
कहां से शुरू करें।सबसे व्यावहारिक प्रवेश बिंदु आपके ई-कॉमर्स शून्य-परिणाम खोज डेटा को आपकी श्रेणी नियोजन समीक्षा से जोड़ना है। किसी नई तकनीक की आवश्यकता नहीं है - श्रेणी प्रबंधकों द्वारा समीक्षा की गई विफल खोज क्वेरी का मासिक निर्यात वर्गीकरण अंतराल को सामने ला सकता है जिसे स्टोर बिक्री डेटा में कभी भी प्रकट नहीं किया जाएगा। इसके साथ युग्मित करनाशेल्फ़ स्तर पर डेटा कैप्चर को बेहतर बनाया गयाभौतिक दुकानों में ऑनलाइन सिग्नल और स्टोर निष्पादन के बीच एक बंद लूप बनता है।
व्यवहार में यह कैसा दिखता है
निम्नलिखित परिदृश्य दर्शाते हैं कि वर्गीकरण अनुकूलन सिद्धांत खुदरा प्रारूपों पर कैसे लागू होते हैं। ये उदाहरणात्मक उदाहरण हैं, विशिष्ट कंपनी केस अध्ययन नहीं।
किराना: समग्र डेटा में स्थानीय मांग छिपी हुई है।एक क्षेत्रीय किराना श्रृंखला समग्र श्रेणी डेटा का उपयोग करके वर्गीकरण की योजना बनाती है। विशिष्ट पड़ोसों में मजबूत प्रदर्शन करने वाले जातीय भोजन श्रेणियों - - को लगातार कम प्रतिनिधित्व दिया जाता है क्योंकि बैनर स्तर तक बढ़ने पर उनकी बिक्री कम हो जाती है। वास्तविक बास्केट संरचना पर निर्मित क्लस्टर आधारित दृष्टिकोण से पता चलता है कि कुछ स्टोर समूहों में निम्न श्रेणी की मांग जो दिखती थी वह एक संरचनात्मक डेटा एकत्रीकरण समस्या थी। स्थानीय खरीद व्यवहार को प्रतिबिंबित करने के लिए उन दुकानों के टेम्पलेट्स को समायोजित करने से अंतर कम हो जाता है। सक्षम करने वाला कारक नई तकनीक नहीं है - यह बैनर के बजाय स्टोर द्वारा मांग डेटा को अलग करना है। जैसे उपकरणों के माध्यम से बेहतर दृश्यताकिराने की दुकानों में इलेक्ट्रॉनिक शेल्फ लेबलउन समायोजित वर्गीकरणों को वास्तव में निष्पादित किया जा रहा है या नहीं, इसके चल रहे माप का समर्थन करता है।
फ़ैशन: लंबी-पूंछ वाला SKU प्रबंधन।एक विशेष परिधान खुदरा विक्रेता प्रति सीजन कई हजार सक्रिय SKU पेश करता है। एक उत्पादकता समीक्षा से पता चलता है कि योजना, इन्वेंट्री और पुनःपूर्ति संसाधनों का उपभोग करते समय रेंज का एक महत्वपूर्ण हिस्सा राजस्व का एक बहुत छोटा हिस्सा उत्पन्न करता है। विश्लेषण खराब प्रदर्शन करने वालों के दो समूहों को अलग करता है: बिना पहचाने जाने योग्य वफादार ग्राहक आधार और नकारात्मक मार्जिन योगदान वाले एसकेयू, और एक विशिष्ट खरीदार खंड के बीच कम समग्र मात्रा लेकिन उच्च दोहराव खरीद दर वाले एसकेयू। पहला समूह चरणबद्ध तरीके से समाप्त हो गया है। दूसरे को समायोजित स्थान आवंटन के साथ बरकरार रखा गया है। परिणाम एक सख्त सीमा है जिसे निष्पादित करना आसान है और शेल्फ स्तर पर निर्णय थकान पैदा करने की संभावना कम है।
सुविधा खुदरा: विभेदक के रूप में निष्पादन गति।एक छोटा सा प्रारूप सुविधा श्रृंखला उन स्थानों पर संचालित होती है जहां प्रत्येक वर्ग फुट में उच्च दांव होता है और स्टॉकआउट की लागत कम इन्वेंट्री बफ़र्स द्वारा बढ़ जाती है। सीमित करने वाला कारक वर्गीकरण योजना नहीं है - यह स्टॉक आउट होने और स्टोर सहयोगी द्वारा उस पर प्रतिक्रिया देने के बीच का समय है। निर्धारित मैन्युअल जांच पर भरोसा करने के बजाय, स्वचालित शेल्फ मॉनिटरिंग के माध्यम से उस अंतर को कम करने से उच्च मार्जिन आवेग श्रेणियों के लिए स्टोर की उपलब्धता पर सीधा और मापने योग्य प्रभाव पड़ता है।
अक्सर पूछे जाने वाले प्रश्नों
खुदरा क्षेत्र में वर्गीकरण अनुकूलन क्या है?
वर्गीकरण अनुकूलन बिक्री, मार्जिन और ग्राहक संतुष्टि को अधिकतम करने के लिए प्रत्येक स्टोर में पेश किए गए उत्पाद मिश्रण को लगातार चुनने और परिष्कृत करने की प्रक्रिया है। एक समय वर्गीकरण योजना के विपरीत, यह उत्पाद चयन को वास्तविक मांग के अनुरूप बनाए रखने के लिए वास्तविक समय डेटा और चल रही प्रदर्शन समीक्षाओं को एकीकृत करता है।
वर्गीकरण योजना और वर्गीकरण अनुकूलन के बीच क्या अंतर है?
वर्गीकरण योजना एक आवधिक, केंद्रीकृत प्रक्रिया है - आम तौर पर मौसमी या वार्षिक - जो ऐतिहासिक डेटा के आधार पर परिभाषित करती है कि कौन से उत्पाद ले जाने हैं। वर्गीकरण अनुकूलन निरंतर है. परिस्थितियों में परिवर्तन के अनुसार वर्गीकरण को अनुकूलित करने के लिए इसमें वास्तविक समय के सिग्नल और स्टोर स्तर के प्रदर्शन डेटा को शामिल किया गया है। योजना प्रारंभिक दिशा निर्धारित करती है; अनुकूलन इसे अंशांकित रखता है।
AI वर्गीकरण अनुकूलन को कैसे सुधारता है?
एआई स्टोर स्तर की मांग के पूर्वानुमान को सक्षम बनाता है जो क्लस्टर औसत से आगे जाता है, प्रतिस्थापन प्रभावों के लिए लेखांकन करते समय खराब प्रदर्शन करने वाले एसकेयू की पहचान करता है, वर्तमान बिक्री वेग के आधार पर प्लानोग्राम सिफारिशें उत्पन्न करता है, और वास्तविक समय संकेतों - मौसम, स्थानीय घटनाओं, प्रतिस्पर्धी गतिविधि - को संसाधित करता है जिन्हें मैन्युअल योजना चक्र कार्य करने के लिए समय पर शामिल नहीं कर सकते हैं।
वर्गीकरण अनुकूलन विफल होने के सबसे आम कारण क्या हैं?
पांच सबसे आम विफलता मोड: ऐतिहासिक डेटा पर अत्यधिक निर्भरता जो वर्तमान मांग को पूरा नहीं कर सकती; केंद्रीकृत निर्णय{{1}करना जिसमें स्थानीय भिन्नता छूट जाती है; मौन डेटा प्रणालियाँ जो अधूरी तस्वीर उत्पन्न करती हैं; प्लानोग्राम अनुपालन मुख्यालय के अनुमान से कम है; और ऑनलाइन मांग संकेतों को शामिल करने में विफलता जो अकेले स्टोर बिक्री डेटा में अदृश्य अंतराल को प्रकट करती है।
वर्गीकरण अनुकूलन के लिए मुझे कौन से KPI ट्रैक करने चाहिए?
सबसे उपयोगी मेट्रिक्स स्टॉकआउट दर, बिक्री दर, एसकेयू उत्पादकता (शेल्फ स्थान की प्रति इकाई राजस्व या मार्जिन), प्लानोग्राम अनुपालन दर, श्रेणी मार्जिन योगदान और क्लस्टर मांग संरेखण (क्लस्टर स्तर पर योजनाबद्ध वर्गीकरण और वास्तविक बिक्री के बीच अंतर) हैं। इन सभी को स्टोर स्तर पर ट्रैक करें, न कि केवल कुल मिलाकर।
कार्यान्वयन में कितना समय लगता है?
एक बेसलाइन ऑडिट और क्लस्टर आधारित अनुकूलन ढांचा आम तौर पर मौजूदा डेटा का उपयोग करके कुछ महीनों के भीतर विकसित किया जा सकता है। अधिक परिष्कृत एआई संचालित निरंतर अनुकूलन के लिए एक मजबूत डेटा फाउंडेशन की आवश्यकता होती है और इसे पूरी तरह से चालू होने में 12 से 18 महीने लग सकते हैं। ऑडिट से शुरू करने से लगभग हमेशा किसी भी नई तकनीक की आवश्यकता से पहले उपलब्ध त्वरित जीत का पता चलता है।
क्या छोटे खुदरा विक्रेता वर्गीकरण अनुकूलन से लाभान्वित हो सकते हैं?
हाँ। सिद्धांत पैमाने की परवाह किए बिना लागू होते हैं - यह समझना कि कौन से उत्पाद अपना स्थान अर्जित करते हैं, स्टॉकआउट आवृत्ति पर नज़र रखना, और बिक्री डेटा और उत्पाद निर्णयों के बीच फीडबैक लूप बनाना किसी भी आकार के संचालन के लिए सार्थक है। छोटे खुदरा विक्रेताओं को एंटरप्राइज़ एआई प्लेटफ़ॉर्म की आवश्यकता नहीं हो सकती है; मुफ़्त या कम लागत वाले विश्लेषण उपकरण उनके पास पहले से मौजूद डेटा के आधार पर उपयोगी अनुकूलन का समर्थन कर सकते हैं। का चयन करनासही शेल्फ लेबल समाधानमहत्वपूर्ण बुनियादी ढांचे के निवेश के बिना डेटा कैप्चर में सुधार के लिए एक व्यावहारिक शुरुआती बिंदु है।
प्रारंभ करने के लिए मुझे किस डेटा की आवश्यकता होगी?
कम से कम: कम से कम 12 महीने के इतिहास, वर्तमान इन्वेंट्री स्तर और शेल्फ उपलब्धता के कुछ माप के साथ एसकेयू - स्तर की बिक्री डेटा, यहां तक कि मैन्युअल स्टॉकआउट रिपोर्ट भी। इस फाउंडेशन से, आप एक सार्थक ऑडिट चला सकते हैं, अपने उच्चतम प्रभाव वाले अवसरों की पहचान कर सकते हैं और डेटा सुधार रोडमैप बना सकते हैं। संपूर्ण डेटा कोई पूर्वापेक्षा नहीं है. अपूर्ण डेटा के साथ उपयोगी अनुकूलन संभव है, जब तक आप इसकी कमियों को समझते हैं और उनका हिसाब रखते हैं।
कहां से शुरू करें
वर्गीकरण अनुकूलन सबसे अधिक मूल्य प्रदान करता है जब यह एक सतत लूप के रूप में काम करता है - प्रदर्शन का विश्लेषण करता है, उत्पाद मिश्रण को समायोजित करता है, स्टोर में निष्पादित करता है, परिणाम मापता है और दोहराता है। जो खुदरा विक्रेता सबसे प्रभावी ढंग से इस क्षमता का निर्माण करते हैं, जरूरी नहीं कि वे सबसे उन्नत उपकरणों में पहले निवेश करें। वे वे हैं जो ईमानदार डेटा के साथ शुरुआत करते हैं कि उनका वर्तमान वर्गीकरण कहाँ विफल हो रहा है, और उस डेटा पर लगातार कार्य करने के लिए संगठनात्मक आदतों का निर्माण करते हैं।
यदि आप शून्य से शुरू कर रहे हैं, तो चार क्रियाएं तुरंत कार्रवाई योग्य हैं: आपके पास पहले से मौजूद डेटा का उपयोग करके स्टॉकआउट और एसकेयू उत्पादकता ऑडिट चलाएं; अनुमानित जनसांख्यिकी के बजाय वास्तविक खरीद व्यवहार के विरुद्ध अपने स्टोर क्लस्टर परिभाषाओं की समीक्षा करें; अपने ई{{0}कॉमर्स शून्य{{1}परिणाम खोज डेटा को अपनी श्रेणी नियोजन वर्कफ़्लो से कनेक्ट करें; और परिभाषित करें कि कौन से वर्गीकरण निर्णयों को स्वचालित किया जाना चाहिए बनाम निष्पादन से पहले एक मानव द्वारा समीक्षा की जानी चाहिए।
इनमें से प्रत्येक को किसी भी नई तकनीक की खरीद से पहले किया जा सकता है - और प्रत्येक स्पष्ट दृश्यता उत्पन्न करेगा कि प्रौद्योगिकी निवेश वास्तव में सुई को कहां ले जाएगा।
