वर्गीकरण अनुकूलन का होत है?

वर्गीकरण अनुकूलन उ अनुशासन है जवन ई अंतर का संबोधित करत है। ई डेटा, निरंतर सीखै अऊर स्टोर- स्तर के निष्पादन के माध्यम से मुख्यालय का तय करत है, ग्राहक वास्तव मा शेल्फ पर का पावत हैं -। ई गाइड बतावत है कि ई का है, अधिकांश दृष्टिकोण काहे विफल होत हैं, एकरा कैसे लागू कीन जाय, अऊर परिणामन का कैसे मापा जाय।

वर्गीकरण अनुकूलन बनाम वर्गीकरण योजना: अंतर का है?

ई दुइनौ शब्दन का अक्सर एक दूसरे के बदले इस्तेमाल कीन जात है। उ मौलिक रूप से अलग-अलग प्रक्रियाओं का वर्णन करत हैं।

योजना ई परिभाषित करत है कि आपक वर्गीकरण कईसन होवे के चाही। अनुकूलन सुनिश्चित करत है कि ई वास्तव मा - करत है अऊर परिस्थितियन के बदलै के साथ सुधार करत रहत है।

तीन परत जहाँ वर्गीकरण निर्णय लिए जात हैं अऊर खो जात हैं

अधिकांश खुदरा विक्रेता पहली परत मा भारी निवेश करत हैं। सबसे बड़ा प्रदर्शन अंतर बाकी दुइनौ मा रहत है।

रणनीतिक परत: का बेचै का है

इहवँ श्रेणी-स्तरीय निर्णय होत हैं: कौन से उत्पाद शेल्फ स्थान अर्जित करत हैं, राष्ट्रीय ब्रांडन के खिलाफ निजी लेबल कैसे संतुलन बनावत है, अऊर समग्र स्टोर रणनीति मा हर श्रेणी का भूमिका निभात है। हिंया निर्णय मुख्यालय मा कीन जात हैं, जवन बाजार डेटा अऊर प्रतिस्पर्धी बेंचमार्किंग से प्रेरित होत हैं, अऊर लंबे चक्रन पर बदलाव करत हैं।

जोखिम: समेकित डेटा स्थानीय भिन्नता का छुपावत है। स्वीकार्य राष्ट्रीय बिक्री वाला एक उत्पाद 40% स्टोर मा कम प्रदर्शन कर सकत है अऊर दूसर 30% मा अधिक प्रदर्शन कर सकत है। औसत संकेत का छुपावत है।

सामरिक परत: कहाँ अऊर कैसे बेचा जाय

सामरिक परत रणनीति का स्थान-विशिष्ट योजनाओं मा अनुवाद करत है: स्टोर क्लस्टरिंग, प्लानोग्राम डिजाइन अऊर मर्चेंडाइजिंग नियम। इहवँ वर्गीकरण वास्तव मा स्थानीय बन जात है - एक उच्च-घनत्व वाला शहरी स्टोर मा उपनगरीय प्रारूप के तुलना मा अलग-अलग जगह बाधा, पैदल यातायात पैटर्न अऊर खरीदार मिशन होत हैं।

जोखिम: यहि स्तर पै निर्णय अबहियों वास्तविक स्टोर- स्तर के संकेतन के बजाय धारणाओं पै बहुत निर्भर करत हैं। वर्गीकरण कागज पर स्थानीयकृत अच्छा देखाई दे सकत है जबकि व्यवहार मा व्यापक रूप से गलत संरेखित रहत है।

परिचालन परत: वास्तव मा ग्राहक तक का पहुँचत है

इहवँ वर्गीकरण अनुकूलन सफल होत है या चुपचाप विफल होत है। परिचालन परत ग्राहकन के सामना करै वाली भौतिक वास्तविकता का दर्शावत है: कौन से उत्पाद शेल्फ पर हैं, का प्लानोग्राम सही ढंग से निष्पादित कीन जात हैं, का प्रचार दिखाई देत हैं, अऊर का स्टॉकआउट पकड़ा जात हैं अऊर जल्दी से हल कीन जात हैं।

स्टोर निष्पादन मा वास्तविक - समय दृश्यता के बिना, हर अपस्ट्रीम निर्णय आंशिक रूप से अनुमान है। जइसे तकनीकइलेक्ट्रॉनिक शेल्फ लेबलअऊर आईओटी सेंसर का तेजी से ई दृश्यता अंतराल का बंद करै के लिए उपयोग कीन जात है - मैनुअल ऑडिट पर भरोसा करै के बजाय स्वचालित रूप से शेल्फ राज्यन का कैप्चर करै के लिए जवन कार्रवाई योग्य होए के लिए बहुत कम होत है।

पारंपरिक वर्गीकरण अनुकूलन विफल काहे होत है

अधिकांश वर्गीकरण रणनीति कागज पर अच्छी तरह से डिज़ाइन कीन जात हैं। इहाँ उ जगह है जहाँ उ व्यवहार मा टूट जात हैं।

विफलता मोड 1: ऐतिहासिक डेटा अतीत के लिए अनुकूलित करत है

बिक्री इतिहास बतावत है कि ग्राहकन ने उन परिस्थितियन के तहत का खरीदा जवन उ समय - मौजूद वर्गीकरण के साथ उपलब्ध रहा, जवन कीमत निर्धारित कीन गै रही। ई आपका नाहीं बता सकत है कि ग्राहक का चाहत रहें लेकिन का नाहीं पा पावत रहें। तेजी से चलत श्रेणियन मा, जब तक ऐतिहासिक डेटा मा कौनो प्रवृत्ति स्पष्ट रूप से दिखाई देत है, तब तक कार्य करै के खिड़की अक्सर पहिले से ही बीत जात है।

विफलता मोड 2: केंद्रीकृत निर्णय, स्थानीय वास्तविकता

जब वर्गीकरण निर्णय पूरी तरह से मुख्यालय मा कीन जात हैं, तौ स्टोर- स्तर के बारीकियन का औसतन दूर कीन जात है। औसत राष्ट्रीय बिक्री वाला उत्पाद लेकिन विशिष्ट स्टोर प्रकारन मा मजबूत प्रदर्शन वाला उत्पाद सूची से हटावा जा सकत है। एक मानकीकृत प्लानोग्राम काफी अलग शेल्फ आयाम अऊर खरीदार जनसांख्यिकी के साथ स्टोर मा तैनात कीन जात है।

विफलता मोड 3: डेटा साइलो अधूरा निर्णय पैदा करत हैं

खुदरा संगठन कईयो प्रणालिन मा डेटा उत्पन्न करत हैं - बिंदु--बिक्री, इन्वेंट्री, वफादारी, ई-वाणिज्य अऊर इन-स्टोर सेंसर। श्रेणी प्रबंधक एक डेटा सेट से काम करत हैं। आपूर्ति श्रृंखला दूसर से काम करत है। एक तिहाई से स्टोर संचालन। इनमा से कौनो भी विचार पूरा नाहीं है, अऊर कौनो भी एकल साइलो से कीन गा निर्णय केवल दूसर मा दिखाई देय वाली समस्या पैदा करिहैं।

विफलता मोड 4: प्लानोग्राम अनुपालन मुख्यालय के सोच से कम है

एक प्लानोग्राम तभी मान देत है जब ई सही अऊर लगातार निष्पादित कीन जात है। अधिकांश खुदरा नेटवर्कन मा, अनुपालन दर स्टोर मा काफी भिन्न होत है - अऊर मुख्यालय आम तौर पर तब तक नाहीं जानत है जब तक कि ई मापा नाहीं जात है। यदि आप बिक्री डेटा के आधार पर कौनो उत्पाद के शेल्फ प्रदर्शन का मूल्यांकन करत हैं, लेकिन उ उत्पाद तीन महीना से आपके 20% स्टोर मा गलत बे स्थिति मा रहा है, तौ आपका प्रदर्शन डेटा अविश्वसनीय है। समझबशेल्फ डेटा केतना बार ताज़ा कीन जात हैसीधे इन मापन के सटीकता से जुड़ा अहै।

विफलता मोड 5: ओमनीचैनल संकेत अनपढ़ जात हैं

ऑनलाइन ग्राहक व्यवहार वर्गीकरण बुद्धिमत्ता का एक समृद्ध स्रोत है जेका अधिकांश भौतिक खुदरा विक्रेता अनदेखा करत हैं। आपके ई-वाणिज्य प्लेटफार्म पर शून्य-परिणाम खोज आपका बिल्कुल वही देखावत है कि ग्राहक का खोजत हैं जेका आप नाहीं रखत हैं। उच्च-ब्राउज, कम-खरीद पैटर्न मांग का प्रकट करत हैं जेहिका रूपांतरण से पहिले-स्टोर मूल्यांकन के आवश्यकता हो सकत है। एक ग्राहक जवन ऑनलाइन कौनो उत्पाद खोजत है, ओका अनुपलब्ध पावत है, अऊर छोड़ देत है, इन-स्टोर सिस्टम - मा कौनो डेटा उत्पन्न नाहीं करत है, लेकिन डेटा के अनुपस्थिति खुद एक संकेत है, अगर आप ओका कैप्चर करै के प्रक्रिया बनावत हैं। शुरुआती बिंदु आपन ऑनलाइन खोज अऊर ब्राउज़ डेटा का आपन श्रेणी योजना कार्यप्रवाह से जोड़ब है, अनौपचारिक रूप से भी।

एआई वर्गीकरण निर्णयन मा कैसे सुधार करत है

सैकड़न स्टोर अऊर दस हजार एसकेयू मा मैनुअल वर्गीकरण प्रबंधन स्प्रेडशीट अऊर आवधिक समीक्षा के समर्थन करै के सीमा तक पहुँच गा है। एआई विशिष्ट, मापनीय तरीका से योगदान देत है।

स्टोर- स्तर के मांग पूर्वानुमान।पारंपरिक पूर्वानुमान बैनर या क्लस्टर स्तर पर संचालित होत है। मशीन लर्निंग मॉडल व्यक्तिगत स्टोर अऊर एसकेयू स्तर पर पूर्वानुमान उत्पन्न कर सकत हैं, स्थानीय कारक - पड़ोस जनसांख्यिकी, पास के प्रतिस्पर्धा, मौसमी सूक्ष्म-रुझान - का हिसाब रखत हैं जेहिका व्यापक मॉडल औसतन दूर करत हैं। ई दानेदारता उ है जवन स्थानीय वर्गीकरण निर्णयन का माना जाय के बजाय रक्षात्मक बनावत है।

एसकेयू का तर्कसंगतता।हर उत्पाद आपन जगह नाहीं कमात है। एआई मॉडल ई पहचान सकत हैं कि कौन से एसकेयू मार्जिन योगदान, प्रतिस्थापन प्रभाव अऊर टोकरी प्रभाव के हिसाब से आनुपातिक रिटर्न - के बिना शेल्फ रियल एस्टेट अऊर इन्वेंट्री पूंजी का उपभोग करत हैं। महत्वपूर्ण अंतर धीमे-मूवर्स के बीच है जवन एक वफादार आला के सेवा करत हैं अऊर धीमे-मूवर्स जवन बस कम प्रदर्शन करत हैं। एआई दुइनौ के बीच एक पैमाने पर अंतर कर सकत है जवन मैनुअल विश्लेषण नाहीं कइ सकत है।

गतिशील मूल्य निर्धारण अऊर प्रचार संरेखण।वर्गीकरण निर्णय मूल्य निर्धारण से अलगाव मा मौजूद नाहीं हैं। एआई-संचालितगतिशील मूल्य निर्धारणवास्तविक समय मा वर्गीकरण प्रदर्शन के साथ प्रचार गतिविधि का संरेखित कर सकत हैं - जवन नियोजित कीन गा रहा अऊर ग्राहक वास्तव मा शेल्फ स्तर पर का जवाब देत हैं, के बीच बेमेल का कम करत है।

निष्पादन निगरानी।कंप्यूटर विजन अऊर सेंसर डेटा पूर्ण मैनुअल ऑडिट के आवश्यकता के बिना प्लानोग्राम विचलन के पहचान कर सकत हैं। मा प्रगतिशेल्फ लेबल तकनीकस्वचालित शेल्फ-राज्य निगरानी का मध्यम-आकार के खुदरा विक्रेताओं के लिए तेजी से सुलभ बनावा है, न कि न केवल बड़ी श्रृंखला।

कार्यान्वयन के लिए एक पांच-चरण ढाँचा

अधिकांश खुदरा विक्रेता जानत हैं कि वर्गीकरण अनुकूलन मायने रखत है। कम लोगन के पास एक स्पष्ट शुरुआती बिंदु है। ई ढाँचा कौनो भी पैमाने पर उपयोग योग्य होवे के लिए डिज़ाइन कीन गा है।

चरण 1: आपन वर्तमान वर्गीकरण का लेखापरीक्षा करा

कुछौ अनुकूलित करै से पहिले, एक ईमानदार आधार रेखा स्थापित करा। श्रेणी अऊर स्टोर के अनुसार आपक वर्तमान स्टॉकआउट दर का अहै? कौन से एसकेयू प्रति वर्ग फुट बिक्री का निचला दशमलव उत्पन्न करत हैं? नियोजित वर्गीकरण अऊर वास्तविक शेल्फ उपलब्धता के बीच सबसे बड़ा अंतर कहाँ है? यदि आप विश्वसनीय डेटा के साथ इन सवालन के जवाब नाहीं दे सकत हैं, तौ ई खुद सबसे महत्वपूर्ण खोज - अऊर अनुकूलन उपकरणन मा निवेश करै से पहिले दृश्यता मा निवेश करै का संकेत है। एक संरचितआधार रेखा आरओआई गणनाकौनो भी दृष्टिकोण के लिए प्रतिबद्ध होवे से पहिले सबसे अधिक-प्रभाव अंतराल का मापने में मदद कर सकत है।

चरण 2: अपने स्टोर क्लस्टर का परिभाषित करा

सब स्टोरन का एकै वर्गीकरण नाहीं रखै का चाही, लेकिन हर स्टोर के लिए एक पूरी तरह से अनूठा वर्गीकरण परिचालन रूप से असंबद्ध है। स्टोर क्लस्टरिंग सार्थक रूप से समान मांग प्रोफाइल वाले स्थानन का समूहीकृत कइके इन चरम सीमा का जोड़त है। प्रभावी क्लस्टरिंग वास्तविक खरीद व्यवहार - टोकरी संरचना, श्रेणी वेग, खरीदार मिशन पैटर्न - पर बनावा गा है न कि अनुमानित जनसांख्यिकी पर। अधिकांश खुदरा विक्रेता नेटवर्क के आकार अऊर प्रारूप विविधता के आधार पर चार से आठ क्लस्टर के साथ काम करत हैं। सही संख्या उ है जहाँ हर क्लस्टर वास्तव मा एक अलग उत्पाद टेम्पलेट के वारंट करै के लिए काफी अलग तरह से व्यवहार करत है।

चरण 3: अपने डेटा स्रोतन का एकीकृत करा

वर्गीकरण अनुकूलन केवल उतना ही अच्छा है जेतना कि डेटा जवन ओका खिलावत है। कम से कम, आपका कम से कम 12 महीना के इतिहास, वर्तमान इन्वेंट्री स्तर अऊर शेल्फ उपलब्धता के कुछ माप के साथ स्टोर द्वारा SKU- स्तर के बिक्री डेटा के जरूरत है। ई सवाल कि शेल्फ डेटा कैसे कैप्चर कीन जात है - चाहे मैनुअल रिपोर्ट, ईएसएल सिस्टम, या आईओटी सेंसर के माध्यम से - सीधे डेटा ताजगी अऊर विश्वसनीयता का प्रभावित करत है। समझबशेल्फ डेटा कैप्चर के लिए कनेक्टिविटी विकल्पएक व्यावहारिक शुरुआती निर्णय है। - शुरू करै के लिए सही डेटा एकीकरण एक पूर्व शर्त नाहीं है लेकिन आपका अपने डेटा के अंतराल अऊर विलंबता का समझै के जरूरत है, ओकरे आउटपुट पर भरोसा करै से पहिले।

चरण 4: अनुकूलन नियम अऊर गार्डरेल सेट करा

एआई मॉडल अऊर अनुकूलन एल्गोरिदम का बाधाओं के जरूरत है। हर निर्णय स्वचालित नाहीं होवे के चाही। स्पष्ट रूप से परिभाषित करा कि कौन से निर्णय स्वचालित रूप से चल सकत हैं - जइसे कि उच्च-वेग वाले एसकेयू के लिए पुनःपूर्ति ट्रिगर - अऊर जेकरे लिए मानव समीक्षा के आवश्यकता होत है, जइसे कि क्लस्टर से कौनो उत्पाद का सूचीबद्ध करब। गार्डरेल ओन त्रुटियन से भी बचावत हैं जवन स्वचालित प्रणाली तब बनावत हैं जब डेटा अधूरा होत है। एक आम उदाहरण: एक एल्गोरिदम एक उत्पाद का हटावै के सलाह देत है काहे से कि ओकर बिक्री कम है, जब वास्तविक कारण लगातार स्टॉकआउट है जेहिका बिक्री डेटा कम मांग से अलग नाहीं करत है।कीमत अऊर उपलब्धता प्रदर्शन त्रुटिस्वचालन पेश करै से पहिले समझै लायक एक संबंधित परिचालन विफलता मोड हैं।

चरण 5: माप, सीख अऊर पुनरावृत्ति

वर्गीकरण अनुकूलन एक निरंतर प्रक्रिया है, न कि एक बार का प्रोजेक्ट। रणनीतिक निर्णयन के लिए कम से कम तिमाही, सामरिक समायोजन के लिए मासिक रूप से एक नियमित समीक्षा लय स्थापित करा। केंद्रीय श्रेणी टीमन के बीच संरचित प्रतिक्रिया लूप बनावा अऊर - स्तर के प्रदर्शन डेटा का संग्रहीत करा। हर योजना चक्र का एक प्रयोग के रूप मा मानौ: एक परिकल्पना बनावा, एक बदलाव लागू करा, परिणाम का मापा, अगले चक्र मा उ सीख का उपयोग करा। जवन संगठन ई प्रक्रिया से सबसे ज्यादा मूल्य निकालत हैं, उ सबसे परिष्कृत उपकरण वाले नाहीं हैं। उ लोग हैं जे लगातार डेटा से सीखै के आदत बनाइन हैं।

वर्गीकरण अनुकूलन के माप के लिए छह केपीआई

स्टोर स्तर पर सब छह मापदंडन का ट्रैक करा, न कि खाली कुल मिला के। नेटवर्क-स्तर के औसत अक्सर ओन स्टोरन का छुपावत हैं जहाँ समस्या सबसे तीव्र होत हैं - अऊर जहाँ सबसे बड़ा अनुकूलन अवसर मौजूद होत हैं।

ऑनलाइन अऊर भौतिक चैनलन मा वर्गीकरण अनुकूलन

भौतिक अऊर डिजिटल चैनलन मा संचालित खुदरा विक्रेताओं के लिए, वर्गीकरण निर्णयन का अलगाव मा प्रबंधित नाहीं कीन जा सकत है।खुदरा वातावरणबदल गा है: ग्राहक चैनलन के बीच तरल रूप से चलत हैं, अऊर हर चैनल से डेटा दूसर मा निर्णयन के सूचित कइ सकत है।

एक वर्गीकरण संकेत के रूप मा ऑनलाइन।आपके ई-वाणिज्य मंच पर शून्य-परिणाम खोज वर्गीकरण अंतराल का एक सीधा संकेतक है - ग्राहक आपका बतावत हैं कि उ बिल्कुल का चाहत हैं जेका आप नाहीं ले जात हैं। उच्च-ब्राउज, कम-खरीद पैटर्न ओन उत्पादन का इंगित कर सकत हैं जेका ग्राहक खरीदै से पहिले व्यक्तिगत रूप से मूल्यांकन करै चाहत हैं, जेकर स्टोर रेंजिंग के लिए निहितार्थ हैं। के अनुसारमैकिन्से शोध, 70% से अधिक उपभोक्ता अब व्यक्तिगत अनुभवन के उम्मीद करत हैं - एक अपेक्षा जवन संचार के साथ-साथ उत्पाद उपलब्धता पर लागू होत है।

एकीकृत बनाम विभेदित वर्गीकरण।चाहे आपके ऑनलाइन अऊर इन-स्टोर वर्गीकरण संरेखित होवे के चाही, ई आपके स्टोर प्रारूप अऊर ग्राहक व्यवहार पर निर्भर करत है। एक एकीकृत वर्गीकरण संचालन का सरल बनावत है अऊर स्वच्छ मांग डेटा का उत्पादन करत है, लेकिन भौतिक भंडारन का एक ऑनलाइन कैटलॉग के जटिलता का ले जाय के लिए मजबूर करत है जेका अधिकांश प्रारूप समायोजित नाहीं कइ सकत हैं। एक विभेदित दृष्टिकोण - जहाँ भौतिक स्टोर एक क्यूरेटेड, उच्च-वेग कोर ले जात हैं जबकि ऑनलाइन चैनल लंबी पूंछ का संभालत है - अच्छा काम करत है जब दुइनौ चैनल वास्तव मा अलग-अलग खरीदारी मिशनन के सेवा करत हैं। निर्णय ढाँचा सरल है: अगर ग्राहक नियमित रूप से ऑनलाइन खोज करत हैं अऊर -स्टोर मा बदलत हैं, त संरेखण मायने रखत है। अगर ऑनलाइन अऊर इन-स्टोर खरीदार काफी हद तक अलग-अलग दर्शक हैं, तौ भेदभाव अधिक कुशल होइ सकत है।

कहाँ से शुरू करैं।सबसे व्यावहारिक प्रवेश बिंदु आपके ई-कॉमर्स शून्य-परिणाम खोज डेटा का आपके श्रेणी योजना समीक्षा से जोड़ब है। कौनो नई तकनीक के जरूरत नाहीं है - श्रेणी प्रबंधकन द्वारा समीक्षा कीन गा असफल खोज प्रश्नन का एक मासिक निर्यात वर्गीकरण अंतराल का सतह पर ला सकत है जवन -स्टोर बिक्री डेटा मा कभी प्रकट नाहीं होई। यहिके साथ जोड़ा जात हैबेहतर शेल्फ-स्तर डेटा कैप्चरभौतिक भंडार मा ऑनलाइन संकेतन अऊर - स्टोर निष्पादन के बीच एक बंद लूप बनावत है।

ई व्यवहार मा का देखात है

निम्नलिखित परिदृश्य बतावत हैं कि खुदरा प्रारूपन मा वर्गीकरण अनुकूलन सिद्धांत कैसे लागू होत हैं। ई उदाहरण हैं, न कि विशिष्ट कंपनी केस स्टडीज।

किराना: समग्र डेटा मा स्थानीय मांग मास्किंग।एक क्षेत्रीय किराना श्रृंखला समग्र श्रेणी डेटा का उपयोग कइके वर्गीकरण के योजना बनावत है। जातीय खाद्य श्रेणियन - विशिष्ट पड़ोस मा मजबूत प्रदर्शन करै वाले - लगातार कम प्रतिनिधित्व करत हैं काहे से कि जब बैनर स्तर तक लुढ़कावा जात है तौ ओनके बिक्री पतला होइ जात है। वास्तविक टोकरी संरचना पर बनावा गा एक क्लस्टर-आधारित दृष्टिकोण बतावत है कि कुछ स्टोर समूहन मा कम श्रेणी के मांग के तरह देखात रहा, वहिके बजाय एक संरचनात्मक डेटा एकत्रीकरण समस्या रही। स्थानीय खरीद व्यवहार का प्रतिबिंबित करै के लिए ओन स्टोरन के टेम्पलेट का समायोजित करै से अंतर बंद होइ जात है। सक्षम कारक नई तकनीक नाहीं है - ई बैनर के बजाय स्टोर द्वारा मांग डेटा का विघटित करत है। जइसे उपकरणन के माध्यम से बेहतर दृश्यताकिराना दुकानन मा इलेक्ट्रॉनिक शेल्फ लेबलका उ समायोजित वर्गीकरण वास्तव मा निष्पादित कीन जात हैं, यहिके चलत माप का समर्थन करत है।

फैशन: लंबा-पूंछ एसकेयू प्रबंधन।एक विशेष परिधान खुदरा विक्रेता प्रति सीजन कई हजार सक्रिय एसकेयू ले जात है। एक उत्पादकता समीक्षा से पता चलत है कि सीमा का एक महत्वपूर्ण हिस्सा योजना, सूची अऊर पुनःपूर्ति संसाधनन के उपभोग करत समय राजस्व का एक असमान रूप से छोट हिस्सा उत्पन्न करत है। विश्लेषण कम प्रदर्शन करै वालेन के दुई समूहन का अलग करत है: एसकेयू जेहिमा कौनो पहचान योग्य वफादार ग्राहक आधार नाहीं है अऊर नकारात्मक स्थान -से- मार्जिन योगदान, अऊर एक विशिष्ट खरीदार खंड के बीच कम समग्र मात्रा लेकिन उच्च दोहराव खरीद दर वाले एसकेयू। पहिला समूह का चरणबद्ध तरीका से समाप्त कीन जात है। दूसरा समायोजित स्थान आवंटन के साथ बनाए रखा जात है। परिणाम एक तंग सीमा है जेका निष्पादित करब आसान है अऊर शेल्फ स्तर पर निर्णय थकान पैदा करै के संभावना कम है।

सुविधा खुदरा: विभेदक के रूप मा निष्पादन गति।एक छोट-प्रारूप सुविधा श्रृंखला ओन स्थानन मा संचालित होत है जहाँ हर वर्ग फुट उच्च-दांव होत है अऊर स्टॉकआउट के लागत कम इन्वेंट्री बफर से बढ़ जात है। सीमित कारक वर्गीकरण योजना नाहीं है - ई एक स्टॉकआउट होए अऊर एक स्टोर सहयोगी के बीच का समय है जे ओका जवाब देत है। अनुसूचित मैनुअल जांच पर भरोसा करै के बजाय स्वचालित शेल्फ निगरानी के माध्यम से उ अंतर का कम करै से उच्च-मार्जिन आवेग श्रेणियन के लिए इन-स्टोर उपलब्धता पर सीधा अऊर मापनीय प्रभाव पड़त है।

अक्सर पूछे जाने वाले प्रश्न

खुदरा मा वर्गीकरण अनुकूलन का होत है?

वर्गीकरण अनुकूलन बिक्री, मार्जिन अऊर ग्राहक संतुष्टि का अधिकतम करै के लिए हर स्टोर मा पेश कीन जाय वाले उत्पाद मिश्रण का लगातार चयन अऊर परिष्कृत करै के प्रक्रिया है। एक-समय वर्गीकरण योजना के विपरीत, ई उत्पाद चयन का वास्तविक मांग के साथ संरेखित रखै के लिए वास्तविक-समय डेटा अऊर चलत प्रदर्शन समीक्षा का एकीकृत करत है।

वर्गीकरण योजना अऊर वर्गीकरण अनुकूलन के बीच का अंतर का है?

वर्गीकरण योजना एक आवधिक, केंद्रीकृत प्रक्रिया है - आम तौर पर मौसमी या वार्षिक - जवन परिभाषित करत है कि ऐतिहासिक डेटा के आधार पर कौन से उत्पादन का ले जाय का है। वर्गीकरण अनुकूलन निरंतर है। ई वास्तविक - समय संकेतन का शामिल करत है अऊर परिस्थितियन के बदलै के साथ वर्गीकरण का अनुकूलित करै के लिए - स्तर के प्रदर्शन डेटा का संग्रहीत करत है। योजना बनावै से प्रारंभिक दिशा तय होत है; अनुकूलन ईका कैलिब्रेटेड रखत है।

एआई वर्गीकरण अनुकूलन मा कैसे सुधार करत है?

एआई स्टोर-स्तर के मांग पूर्वानुमान का सक्षम बनावत है जवन क्लस्टर औसत से आगे जात है, प्रतिस्थापन प्रभावन के हिसाब से कम प्रदर्शन करै वाले एसकेयू के पहचान करत है, वर्तमान बिक्री वेग के आधार पर प्लानोग्राम सिफारिशन उत्पन्न करत है, अऊर वास्तविक -समय संकेतन का संसाधित करत है - मौसम, स्थानीय घटना, प्रतियोगी गतिविधि {3} मैन्युअल योजनाबद्ध योजना कार्य करै के लिए समय मा शामिल करा जाय।

वर्गीकरण अनुकूलन विफल होए के सबसे आम कारण का हैं?

पाँच सबसे आम विफलता मोड: ऐतिहासिक डेटा पर अधिक-निर्भरता जवन वर्तमान मांग का पकड़ नाहीं सकत है; केंद्रीकृत निर्णय लेब- जवन स्थानीय भिन्नता का याद करत है; साइलोड डेटा सिस्टम जवन एक अधूरा तस्वीर पैदा करत हैं; मुख्यालय से कम प्लानोग्राम अनुपालन मानत है; अऊर ऑनलाइन मांग संकेतन का शामिल करै मा विफलता जवन अकेले इन-स्टोर बिक्री डेटा मा अदृश्य अंतराल का प्रकट करत हैं।

वर्गीकरण अनुकूलन के लिए मोका कौन से केपीआई ट्रैक करै का चाही?

सबसे उपयोगी मापदंड स्टॉकआउट दर, सेल-थ्रू रेट, एसकेयू उत्पादकता (शेल्फ स्पेस के प्रति इकाई राजस्व या मार्जिन), प्लानोग्राम अनुपालन दर, श्रेणी मार्जिन योगदान अऊर क्लस्टर डिमांड संरेखण (नियोजित वर्गीकरण अऊर क्लस्टर स्तर पर वास्तविक सेल-थ्रू के बीच भिन्नता) हैं। इन सबका स्टोर स्तर पर ट्रैक करा, न कि खाली कुल मिला के।

कार्यान्वयन मा केतना समय लागत है?

एक बेसलाइन ऑडिट अऊर क्लस्टर-आधारित अनुकूलन ढांचे का आम तौर पर मौजूदा डेटा का उपयोग कइके कुछ महीना के भीतर विकसित कीन जा सकत है। अधिक परिष्कृत एआई-संचालित निरंतर अनुकूलन के लिए एक मजबूत डेटा नींव के आवश्यकता होत है अऊर पूरा तरह से संचालित होए मा 12 से 18 महीना लाग सकत है। लेखापरीक्षा से शुरू करै से लगभग हमेशा कौनो नयी तकनीक के जरूरत होए से पहिले उपलब्ध त्वरित जीत का पता चलत है।

का छोट खुदरा विक्रेता वर्गीकरण अनुकूलन से लाभान्वित होइ सकत हैं?

हाँ। सिद्धांत पैमाने के बावजूद लागू होत हैं - समझत हैं कि कौन से उत्पाद आपन जगह अर्जित करत हैं, स्टॉकआउट आवृत्ति का ट्रैक करत हैं, अऊर बिक्री डेटा अऊर उत्पाद निर्णयन के बीच प्रतिक्रिया लूप बनावत हैं, कौनो भी आकार के संचालन के लिए सार्थक हैं। छोट खुदरा विक्रेताओं का उद्यम एआई प्लेटफार्मन के जरूरत न हो सकत है; मुफ्त या कम लागत वाला विश्लेषण उपकरण उनके पास पहिले से मौजूद डेटा के आधार पर उपयोगी अनुकूलन का समर्थन कर सकत हैं। का चुनबसही शेल्फ लेबल समाधानमहत्वपूर्ण बुनियादी ढांचे के निवेश के बिना डेटा कैप्चर में सुधार करै के लिए एक व्यावहारिक शुरुआती बिंदु है।

शुरू करै के लिए मोका का डेटा चाही?

कम से कम: कम से कम 12 महीना के इतिहास, वर्तमान इन्वेंट्री स्तर अऊर शेल्फ उपलब्धता के कुछ माप के साथ स्टोर द्वारा SKU-स्तर बिक्री डेटा - यहां तक ​​कि मैनुअल स्टॉकआउट रिपोर्ट भी। यहि नींव से, आप एक सार्थक लेखापरीक्षा चला सकत हैं, अपने उच्चतम-प्रभाव के अवसरन के पहचान कर सकत हैं, अऊर एक डेटा सुधार रोडमैप बना सकत हैं। सही डेटा एक पूर्व शर्त नाहीं है। अपूर्ण डेटा के साथ उपयोगी अनुकूलन संभव है, जब तक आप समझत हैं अऊर ओकरे अंतराल का हिसाब देत हैं।

कहाँ से शुरू करैं

वर्गीकरण अनुकूलन सबसे अधिक मूल्य प्रदान करत है जब ई एक निरंतर लूप के रूप मा काम करत है - प्रदर्शन का विश्लेषण करत है, उत्पाद मिश्रण का समायोजित करत है, - स्टोर मा निष्पादित करत है, परिणामन का मापत है अऊर दोहरावत है। खुदरा विक्रेता जवन ई क्षमता का सबसे प्रभावी ढंग से बनावत हैं, जरूरी नाहीं कि उ सबसे उन्नत उपकरणन मा सबसे पहिले निवेश करत हैं। उइ वै हैं जे ईमानदार डेटा से शुरू करत हैं कि ओनके वर्तमान वर्गीकरण कहाँ विफल हो रहा है, अऊर ओ डेटा पर लगातार काम करै के लिए संगठनात्मक आदतन का निर्माण करत हैं।

यदि आप खरोंच से शुरू करत हैं, तौ चार कार्रवाई तुरंत कार्रवाई योग्य हैं: आपके पास पहिले से मौजूद डेटा का उपयोग कइके एक स्टॉकआउट अऊर एसकेयू उत्पादकता लेखापरीक्षा चलावा; माना जात जनसांख्यिकी के बजाय वास्तविक खरीद व्यवहार के खिलाफ अपने स्टोर क्लस्टर परिभाषाओं के समीक्षा करा; अपने ई-कॉमर्स शून्य-परिणाम खोज डेटा का अपने श्रेणी योजना कार्यप्रवाह से जोड़ौ; अऊर परिभाषित करा कि कौन से वर्गीकरण निर्णयन का निष्पादन से पहिले एक मनई द्वारा समीक्षा कीन जाय बनाम स्वचालित कीन जाय।

इनमा से हर एक का कौनो नयी तकनीक खरीदे से पहिले कीन जा सकत है - अऊर हर एक स्पष्ट दृश्यता पैदा करि कि प्रौद्योगिकी निवेश वास्तव मा सुई का कहाँ ले जाई।