• Optymalny miks produktu

    Większa trafność predykcyjnego prognozowania daje 8% lepszą dostępność towaru w sklepach odzieżowych. W polskich sklepach odzieżowych problemem była utrata sprzedaży ze względu na brak dostępności towaru, szczególnie w okresie otwarcia sezonu. Identyfikacja problemu pokazała, że cykl życia produktów zamyka się w 60% w jednym sezonie. Do opracowania analitycznego rozwiązania wykorzystano m.in. techniki regresji, analizę złączeń i skupień. Opracowane rozwiązanie stabilnie i powtarzalnie planuje zapasy dla 8 tysięcy SKU. Optymalizacja decyzji oparta na predykcji dała dodatkową korzyści w postaci integracji różnych działów w procesie planowania zapasów.

    W branży odzieżowej rynek jest bardzo konkurencyjny i zmienny. Ekstremalnie ważne jest zrozumienie relacji pomiędzy liniami produktowymi i nauczenie się jak efektywnie nimi zarządzać i monitorować ten miks. Linia produktowa to produkty powiązane funkcją, grupą konsumencką, kanałem dystrybucji czy przedziałem cenowym. Natomiast miks to kombinacja różnorodności i ilości produktów i linii oferowana w sklepie. Optymalny miks produktu maksymalizuje dostępność produktu w sklepie, czyli minimalizuje ryzyko, że klient nie będzie mógł znaleźć tego co chce, a sklep traci szanse sprzedaży... a czasem - przez jeden "głupi" produktu - i klienta. Jednocześnie optymalny miks produktu minimalizuje ryzyko utrzymywania nadmiaru zapasów - koszt zamrożonego kapitału i koszt magazynowania - który często prowadzi do obniżki cen, czyli zmniejszenia przychodów sklepu.

    Odzież jest sezonowa, podobnie jak obecnie komputery. Koreańscy naukowcy opracowali dla koreańskiego producenta komputerów model predykcyjny, który poprawił trafność prognoz o ponad 20 punktów procentowych [3]. Cykl życia koreańskich komputerów poniżej 40 tygodni.

    Stosując matematykę optymalizujemy asortyment w sklepie. Na danych o transakcjach sprzedaży, dostępnych danych o klientach oraz danych o produktach identyfikujemy wzorce zachowań klienta, preferowane atrybuty przez klienta, a także znaczenie cech oraz częstotliwość zakupów produktu. Następnie za pomocą algorytmów tworzymy segmenty klientów i reguły zakupowe, które wykorzystane zostaną do opracowania modelu optymalizacji planowania asortymentu.

    W 2009 roku Walmart postanowił usunąć około 15 tysięcy SKU, które uznał, że zaśmiecają korytarze w sklepach. Decyzja nie była poprzedzona analizą optymalnego miksu produktu, który oczekują klienci. Analitycy Wall Street oszacowali, że Walmart stracił około 2 miliardy dolarów sprzedaży i przywrócił usunięty asortyment [4].

    Z kolei Zara w planowaniu asortymentu w sklepach stosuje programowanie matematyczne z badań operacyjnych. Zastosowanie modeli matematycznych dało w Zara w latach 2007-2008 dodatkowy wzrost przychodów o 3-4%, co przełożyło się na ponad 300 milionów dolarów dodatkowego przychodu [5].

    [1] Improved forecasting and inventory planning
    [2] The apparel retail industry's key to success
    [3] Development of an Adaptive Forecasting System
    [4] The Theory and Practice of Optimizing Assortment
    [5] Zara Uses Operations Research to Reengineer Its Global Distribution Process
    • Obsługiwane przez usługę Blogger.