Ο Οδηγός εξορθολογισμού και ανάλυσης SKU

Κατά τη διάρκεια του περασμένου έτους, η πανδημία COVID-19 επηρέασε σοβαρά τις επιχειρήσεις. Επηρέασε την ικανότητά τους να κάνουν ακριβείς προβλέψεις, να εκπληρώνουν τις προσδοκίες των καταναλωτών και να αξιολογούν την απόδοση.

Τα εστιατόρια έκλεισαν ή έκλεισαν οριστικά. Ο χρηματοοικονομικός τομέας προσαρμόστηκε στη μείωση των κερδών των επιχειρήσεων και του διαθέσιμου εισοδήματος των καταναλωτών.

Ορισμένοι CPG και έμποροι λιανικής αντιμετώπισαν έλλειψη αποθεμάτων και καθυστερημένες αλυσίδες εφοδιασμού, ενώ άλλοι κεφαλαιοποίησαν τις «δωρεάν» δοκιμές προϊόντων καθώς οι καταναλωτές συνέρρεαν σε ό,τι ήταν διαθέσιμο κατά τη διάρκεια των περιόδων αποθήκευσης ντουλαπιών.

Έτσι, πολλές εταιρείες είναι έτοιμες για αξιολογήσεις χαρτοφυλακίου, είτε για να περιορίσουν το λειτουργικό τους κόστος είτε για να κερδίσουν περισσότερο μερίδιο αγοράς.

Η υγεία του χαρτοφυλακίου μπορεί να βελτιωθεί με τη μείωση των προϊόντων, την αλλαγή παραγόντων όπως η τιμή και την επένδυση στους νικητές. Για να λάβουν αυτές τις αποφάσεις, οι επιχειρήσεις απαιτούν μια εξέταση της απόδοσης μεμονωμένων SKU, κάτι που είναι πολύ πιο εύκολο να ειπωθεί παρά να γίνει.

Τα SKU μπορούν να επηρεαστούν από πολλούς παράγοντες, όπως τμήμα, γεωγραφία, τιμή, προσφορές, κανάλι, πωλητής λιανικής, διανομή ή ανταγωνιστές – και όλα αυτά σε διαφορετικό βαθμό.

Οι αναλυτές πρέπει να αντιμετωπίσουν αυτούς τους παράγοντες για να αποκτήσουν μια ακριβή εικόνα της απόδοσης του SKU, αλλά οι περισσότερες επιχειρήσεις εξακολουθούν να δυσκολεύονται να καθορίσουν την απόδοση του χαρτοφυλακίου τους με μεγάλη εικόνα.

Ο εξορθολογισμός του SKU και ο τρόπος που τον προσεγγίζετε μπορεί να κάνει τη διαφορά.

Τι είναι ο εξορθολογισμός SKU και γιατί έχει σημασία;

Ο εξορθολογισμός του SKU είναι η διαδικασία καθορισμού των προϊόντων που πρέπει να διατηρηθούν, να αποσυρθούν ή να βελτιωθούν με βάση τους μυριάδες παράγοντες που συμβάλλουν στην απόδοση. Μερικές φορές αναφέρεται ως βελτιστοποίηση SKU, αυτή η διαδικασία επιτρέπει στους οργανισμούς να βελτιώσουν τα χαρτοφυλάκια προϊόντων τους για να βελτιώσουν τις οικονομικές τους προοπτικές.

Δίνοντας προτεραιότητα στις SKU που οδηγούν την ανάπτυξη και μειώνοντας την ουρά των καθυστερημένων, οι ηγέτες μπορούν να δημιουργήσουν υγιέστερα χαρτοφυλάκια πολύτιμων προϊόντων που παράγουν έσοδα.

Εκτός από την επιλογή των SKU που θα διατηρήσουν και θα κόψουν, οι αναλυτές μπορεί επίσης να επικεντρωθούν στην επίλυση του κανιβαλισμού προϊόντων για να διασφαλίσουν ότι οι SKU δεν ανταγωνίζονται μεταξύ τους.

Κατανοώντας την απόδοση σε επίπεδο SKU, οι εταιρείες μπορούν να επενδύσουν σε προϊόντα που κερδίζουν, να εξαλείψουν τις χαμηλές επιδόσεις, να εντοπίσουν ευκαιρίες για νέες καινοτομίες και να βελτιστοποιήσουν την αποδοτικότητα.

Πώς εκτελείται συνήθως ο εξορθολογισμός του SKU…και γιατί είναι ανεπαρκής;

Για τις μεγάλες εταιρείες, η διεξαγωγή αναλυτικής ανάλυσης σε επίπεδο SKU θα ήταν σεισμική εργασία, ειδικά εάν η ανάλυση είναι χειροκίνητη. Χιλιάδες SKU θα πρέπει να ελεγχθούν μαζί με τους πολλούς παράγοντες που επηρεάζουν την απόδοσή τους.

Στην πραγματικότητα, οι εταιρείες τείνουν να ομαδοποιούν και να αναλύουν SKU με βάση περιορισμένο αριθμό παραγόντων.

Ένας τρόπος μέτρησης της απόδοσης του SKU περιλαμβάνει τη σύγκριση των SKU της ίδιας κατηγορίας. Για παράδειγμα, μια εταιρεία μπορεί να συγκρίνει την απόδοση όλων των ανθρακούχων νερών της μεταξύ τους, αντί να συγκρίνει την κατηγορία με τα προϊόντα σόδας της.

Αυτή η προσέγγιση είναι ο πιο προσιτός τρόπος ανάλυσης SKU, αλλά λείπει επειδή η κατηγορία είναι ένας μοναδικός παράγοντας απόδοσης μεταξύ πολλών.

Μια γεύση ανθρακούχου νερού που πωλείται μόνο σε μια περιοχή μπορεί να έχει κακή απόδοση σε σύγκριση με μια εθνική γεύση, αλλά να έχει καλή απόδοση σε σύγκριση με άλλα τοπικά προϊόντα.

Η ομαδοποίηση των SKU ανά κατηγορία δεν λέει ολόκληρη την ιστορία ούτε δείχνει ουσιαστική απόδοση προϊόντος, γεγονός που μπορεί να οδηγήσει τις εταιρείες να βγάλουν λάθος συμπεράσματα.

Η έλλειψη ορατότητας είναι ένα δυσκίνητο εμπόδιο στην επιτυχία των οργανισμών.

Η επιστήμη των δεδομένων, ωστόσο, παρέχει μια διαφορετική προσέγγιση. Η επιστήμη δεδομένων επιτρέπει την ακριβή λήψη αποφάσεων αναλύοντας τα SKU έχοντας κατά νου την επιχειρηματική περίπτωση.

Οι αλγόριθμοι μηχανικής μάθησης (ML) μπορούν να λάβουν υπόψη κάθε σημαντικό παράγοντα, κάτι που δεν είναι δυνατό για έναν ανθρώπινο αναλυτή που αντιμετωπίζει προθεσμίες. Επιπλέον, η ML επιταχύνει σημαντικά τη διαδικασία ανάλυσης, παρέχοντας συναρπαστικές πληροφορίες απευθείας στις επιχειρηματικές ομάδες μέσα σε λίγα λεπτά, κατ‘ απαίτηση.

Μπορεί επίσης να βελτιστοποιήσει τον εξορθολογισμό του SKU σε αναλυτικό επίπεδο. Αντί να συγκρίνονται μόνο SKU στην ίδια κατηγορία, τα SKU μπορούν να συγκριθούν με βάση την ομοιότητα. Ενώ δύο διαφορετικές γεύσεις ανθρακούχου νερού μπορεί να φαίνονται αρκετά παρόμοιες ώστε να εξαχθούν συμπεράσματα σχετικά με την απόδοση, αυτή η υπόθεση βασίζεται σε περιορισμένα χαρακτηριστικά.

Η ML αναλύει πολλά στοιχεία πέρα ​​από την κατηγορία, επιτρέποντας στην εταιρεία να αποκτήσει τη μεγαλύτερη δυνατή εικόνα για την απόδοση του SKU.

Στην επόμενη ενότητα, ας συζητήσουμε περαιτέρω πώς να χρησιμοποιήσετε την επιστήμη δεδομένων και την ML για να αυτοματοποιήσετε τον εξορθολογισμό του SKU.

Μια διαφορετική προσέγγιση: Εφαρμογή της μηχανικής μάθησης στον εξορθολογισμό SKU

Η ML μπορεί να αυτοματοποιήσει τον εξορθολογισμό του SKU αναλύοντας τους πολλούς παράγοντες που επηρεάζουν τα SKU. Στη συνέχεια, μπορεί να ομαδοποιήσει SKU με βάση τη συνολική απόδοση, δείχνοντας μια μεγάλη εικόνα της υγείας του χαρτοφυλακίου προϊόντων.

Αυτή η προσέγγιση ομαδοποιεί τις SKU σε υψηλές, μεσαίες και χαμηλές επιδόσεις. Αυτή η απόδοση καθορίζεται από έναν αριθμό παραγόντων, συμπεριλαμβανομένων των συγκρίσεων με SKU εντός και εκτός της κατηγορίας, καθώς και με τους ανταγωνιστές, και τη συνολική τάση του τμήματος, του πωλητή λιανικής και της περιοχής.

Η ML επιτρέπει επίσης στις ομάδες να δημιουργούν λεπτομερείς προτάσεις σε επίπεδο SKU. Ενώ ο μη αυτόματος εξορθολογισμός του SKU θα απαιτούσε σημαντική μετάφραση, το ML μπορεί να εξυπηρετήσει αυτόματα αυτές τις συστάσεις σε φυσική γλώσσα.

Η δημιουργία φυσικής γλώσσας δίνει τη δυνατότητα σε έναν επιχειρηματία να λάβει συστάσεις όπως «αποκοπή αυτού του στοιχείου» ή «παρέμβαση το 2023». Ουσιαστικά, οι επιχειρηματικές ομάδες μπορούν να αναλάβουν δράση χωρίς να περιμένουν την ανταλλαγή απόψεων με έναν αναλυτή (και οι αναλυτές απαλλάσσονται από το να μεταφράσουν τις λεπτομέρειες των ευρημάτων τους).

Οι συστάσεις για παρέμβαση θα πρέπει να ενισχυθούν με προβλέψεις που δείχνουν μελλοντικές επιδόσεις SKU ανά έτος.

Η αυτοματοποιημένη διαδικασία συμπιέζει τη ροή εργασίας και παράγει συναρπαστικές, κατ‘ απαίτηση πληροφορίες. Αντί για ετήσια, ο εξορθολογισμός του SKU μπορεί να πραγματοποιείται καθημερινά, εβδομαδιαία, τριμηνιαία ή μηνιαία για να ταιριάζει στις ανάγκες του οργανισμού.

Η συνεχής ανάλυση είναι ένα τεράστιο ανταγωνιστικό πλεονέκτημα μεταξύ της μεταβαλλόμενης συμπεριφοράς των καταναλωτών. Οι εταιρείες έχουν άμεση πρόσβαση σε πρακτικές πληροφορίες από σχετικά δεδομένα, αντί για δεδομένα εβδομάδων ή μηνών.

Πώς, λοιπόν, αυτοματοποιούμε σωστά τη διαδικασία εξορθολογισμού του SKU για να διασφαλίσουμε ότι οι εταιρείες μας έχουν πρόσβαση σε χρήσιμες πληροφορίες;

Θα διερευνήσουμε τα βασικά στοιχεία της αυτοματοποίησης του εξορθολογισμού SKU και τον τρόπο επιτυχούς ενσωμάτωσης του λογισμικού ML στη διαδικασία στην επόμενη παράγραφο.

Τα βασικά στοιχεία της αυτοματοποίησης του εξορθολογισμού SKU

Το μέρος «μάθησης» της ML ξεκινά με επιτυχημένα παραδείγματα που μπορούν να χρησιμοποιηθούν για να διδάξουν μια μηχανή πώς να κάνει κάτι.

Για να μάθει ένα μηχάνημα τον εξορθολογισμό SKU, το πρώτο βήμα είναι να χρησιμοποιήσει την ανθρώπινη γνώση που προσδιορίζει SKU υψηλής απόδοσης από τα οποία μπορεί να μάθει το μηχάνημα. Αυτό είναι ένα παράδειγμα του τρόπου με τον οποίο η ML συνεργάζεται με ειδικούς για τη δημιουργία επιτυχημένων, κλιμακούμενων αποτελεσμάτων.

Το λογισμικό ML δημιουργεί ένα εξιδανικευμένο μοντέλο μεγάλων SKU βασισμένο σε παραδείγματα από ειδικούς σε ανθρώπους. Αυτό το μοντέλο εφαρμόζεται στη συνέχεια σε όλα τα SKU για την αξιολόγηση της τρέχουσας και πιθανής μελλοντικής απόδοσης.

Χρησιμοποιώντας ιστορικά αποτελέσματα, η μηχανική εκμάθηση μπορεί να δημιουργήσει μια άποψη για το πώς θα πουλήσουν τα SKU με την πάροδο του χρόνου. Αυτή η δυνατότητα πρόβλεψης της ML επιτρέπει στους οργανισμούς να προβλέπουν την απόδοση του SKU.

Για να ελέγξετε εάν η πρόβλεψη είναι ακριβής, τα μοντέλα μηχανικής μάθησης μπορούν να χρησιμοποιηθούν για να «προβλέψουν» τι έχει ήδη συμβεί. Αυτό ονομάζεται backtesting και θα πρέπει να χρησιμοποιείται για να διαπιστωθεί εάν η ML έχει μάθει με ακρίβεια πώς λειτουργούν τα SKU.

Στον εξορθολογισμό SKU, ο στόχος είναι να αποφασίσετε πώς να χρησιμοποιήσετε περιορισμένους πόρους για να βελτιώσετε την απόδοση ενός μεγάλου αριθμού SKU. Η τιμή, η προώθηση, η διανομή, η διαφήμιση και η καινοτομία είναι όλα μοχλοί που μπορεί να τραβήξει ένας έμπορος για να αλλάξει την τροχιά ενός SKU.

Το να αποφασίσετε ποιος από αυτούς τους μοχλούς να χρησιμοποιήσετε ένα SKU τη φορά είναι ιδανικό, αλλά κουραστικό και δαπανηρό, κάτι τέτοιο για αυθαίρετες ομάδες δεν είναι πιθανό να δημιουργήσει βέλτιστα αποτελέσματα. Μια καλύτερη απάντηση είναι να χρησιμοποιήσετε ML για αυτήν την εργασία.

Η ML χρησιμοποιείται για τη δημιουργία ομάδων από SKU σύμφωνα με τα χαρακτηριστικά τους, έτσι ώστε οι έμποροι να μπορούν να ενεργούν σε αυτές τις ομάδες αντί για κάθε SKU, ενώ παράλληλα επιτυγχάνουν σχεδόν βέλτιστα αποτελέσματα. Το τελικό ερώτημα είναι τότε: «Πώς γνωρίζουμε τι ενέργειες πρέπει να κάνουμε για κάθε ομάδα SKU;»

Οι ομάδες SKU που συγκεντρώνει η ML θα πρέπει να έχουν νόημα για τους ειδικούς στον άνθρωπο που παρείχαν τις πληροφορίες εκπαίδευσης. Εάν οι ομαδοποιήσεις δεν έχουν νόημα, ο αλγόριθμος μηχανικής εκμάθησης πιθανότατα χρειάζεται πρόσθετες επαναλήψεις με περισσότερες λεπτομέρειες σχετικά με το ποιοι παράγοντες είναι σημαντικοί κατά τον καθορισμό του τρόπου ομαδοποίησης των SKU.

Μόλις οι ομάδες αποκτήσουν νόημα, οι ενέργειες που πρέπει να γίνουν θα είναι σαφείς στους εμπόρους που λαμβάνουν την ανάλυση.

Φυσικά, ορισμένα προϊόντα θα είναι πολύ νέα για να αξιολογηθούν με νόημα. Ένα καλό μοντέλο ML θα πρέπει να αναδεικνύει αυτές τις καινοτομίες και να τις αποκλείει από την ανάλυση. Τα προϊόντα που πλησιάζουν στο τέλος της διάρκειας ζωής τους θα πρέπει επίσης να αποκλείονται.

Εκτός από τα τεχνικά βασικά στοιχεία, η επιτυχημένη αυτοματοποίηση εξορθολογισμού SKU απαιτεί έξυπνη διαχείριση αλλαγών. Οι ηγέτες της εταιρείας πρέπει να εγκρίνουν την αυτοματοποίηση AI και ML για να διασφαλίσουν ότι υιοθετείται από μια προσέγγιση από πάνω προς τα κάτω. Δεδομένου ότι αυτή η ανάλυση θα επιτρέψει τη διαλειτουργική συνεργασία, οι ομάδες θα πρέπει να ευθυγραμμιστούν από την αρχή της υιοθέτησης.

Τα οφέλη αυτής της ευθυγράμμισης είναι ξεκάθαρα: οι ομάδες μάρκετινγκ, χρηματοδότησης και δεδομένων συχνά δεν έχουν αρκετή ορατότητα η μία στις σφαίρες της άλλης. Μια τυποποιημένη προσέγγιση για τον εξορθολογισμό του SKU δημιουργεί μια σαφή γραμμή για τη λήψη αποφάσεων σχετικά με τα προϊόντα που θα διατηρηθούν, θα προωθηθούν ή θα κοπούν.

συμπέρασμα

Το Analytics από τον αυτοματοποιημένο εξορθολογισμό SKU παρέχει στις εταιρείες τις πληροφορίες σε επίπεδο SKU που χρειάζονται για να λάβουν καλύτερες επενδυτικές αποφάσεις και να βελτιώσουν την υγεία των χαρτοφυλακίων τους.

Μειώνει το κόστος, καθώς οι εταιρείες μπορούν προληπτικά να περικόψουν την ουρά σε SKU με χαμηλή απόδοση και να επενδύσουν σε νικητές βάσει προγνωστικών πληροφοριών. Μπορούν επίσης να παρακολουθούν την απόδοση όλων των SKU με την πάροδο του χρόνου.

Η ανάλυση σε πραγματικό χρόνο παρέχει στους οργανισμούς ένα ανταγωνιστικό πλεονέκτημα σε σύγκριση με άλλες εταιρείες που δεν έχουν υιοθετήσει αυτό το είδος τεχνολογίας. Ο αυτοματισμός απλοποιεί ολόκληρη τη διαδικασία εξορθολογισμού του SKU παρέχοντας στα μέλη της ομάδας ευκολία πρόσβασης και πιο αναλυτικές πληροφορίες.

Για παράδειγμα, η National Beverage, μια εταιρεία με ένα ξεχωριστό χαρτοφυλάκιο ανθρακούχων νερών, χυμών και ανθρακούχων αναψυκτικών, χρειαζόταν να αποκτήσει χρήσιμες πληροφορίες για την επίλυση σύνθετων προβλημάτων όπως ο εξορθολογισμός του SKU.

Ο οργανισμός χρησιμοποίησε το λογισμικό αναλυτικών στοιχείων της AnswerRocket για να κατανοήσει τι ακριβώς οδηγούσε στην απόδοση κατηγορίας και προϊόντος με αποτελεσματικές και έγκαιρες γνώσεις, εξαλείφοντας την «παράλυση ανάλυσης». Μάθετε περισσότερα για αυτήν την περίπτωση χρήσης.