ভাণ্ডার অপ্টিমাইজেশান কি?

ভাণ্ডার অপ্টিমাইজেশান হল শৃঙ্খলা যা এই ব্যবধানকে সমাধান করে। ডেটা, ক্রমাগত শিক্ষা, এবং স্টোর-স্তরের এক্সিকিউশনের মাধ্যমে গ্রাহকরা প্রকৃতপক্ষে শেল্ফে - কী খুঁজে পান তার সাথে সদর দফতর কী সিদ্ধান্ত নেয় তা এটি সংযুক্ত করে৷ এই গাইডটি কভার করে যে এটি কী, কেন বেশিরভাগ পন্থা ব্যর্থ হয়, কীভাবে এটি বাস্তবায়ন করা যায় এবং কীভাবে ফলাফল পরিমাপ করা যায়।

ভাণ্ডার অপ্টিমাইজেশান বনাম ভাণ্ডার পরিকল্পনা: পার্থক্য কী?

এই দুটি পদ প্রায়ই বিনিময়যোগ্যভাবে ব্যবহৃত হয়। তারা মৌলিকভাবে বিভিন্ন প্রক্রিয়া বর্ণনা করে।

পরিকল্পনা আপনার ভাণ্ডার কেমন হওয়া উচিত তা নির্ধারণ করে। অপ্টিমাইজেশন নিশ্চিত করে যে এটি আসলে - কার্য সম্পাদন করে এবং অবস্থার পরিবর্তনের সাথে সাথে উন্নতি করতে থাকে।

তিনটি স্তর যেখানে ভাণ্ডার সিদ্ধান্ত নেওয়া হয় এবং হারিয়ে যায়৷

বেশিরভাগ খুচরা বিক্রেতারা প্রথম স্তরে প্রচুর বিনিয়োগ করে। সবচেয়ে বড় পারফরম্যান্সের ব্যবধান অন্য দুটিতে থাকে।

কৌশলগত স্তর: কি বিক্রি করতে হবে

এখানেই ক্যাটাগরি-স্তরের সিদ্ধান্তগুলি ঘটে: কোন পণ্যগুলি শেল্ফ স্পেস অর্জন করে, কীভাবে ব্যক্তিগত লেবেল জাতীয় ব্র্যান্ডগুলির বিরুদ্ধে ভারসাম্য বজায় রাখে এবং সামগ্রিক স্টোর কৌশলে প্রতিটি বিভাগ কী ভূমিকা পালন করে৷ এখানে সিদ্ধান্তগুলি সদর দফতরে নেওয়া হয়, বাজারের ডেটা এবং প্রতিযোগিতামূলক বেঞ্চমার্কিং দ্বারা চালিত হয় এবং দীর্ঘ চক্রে পরিবর্তন হয়।

ঝুঁকি: সামগ্রিক ডেটা স্থানীয় প্রকরণকে মুখোশ দেয়। গ্রহণযোগ্য জাতীয় বিক্রয় সহ একটি পণ্য 40% স্টোরে কম পারফর্ম করতে পারে এবং অন্য 30% দোকানে অতিরিক্ত পারফরম্যান্স করতে পারে। গড় সংকেত লুকান.

কৌশলগত স্তর: কোথায় এবং কিভাবে এটি বিক্রি করতে হবে

কৌশলগত স্তর কৌশলকে অবস্থান-নির্দিষ্ট পরিকল্পনায় অনুবাদ করে: স্টোর ক্লাস্টারিং, প্ল্যানোগ্রাম ডিজাইন, এবং মার্চেন্ডাইজিং নিয়ম। এখানেই ভাণ্ডারটি সত্যিকারের স্থানীয় হয়ে ওঠে - একটি উচ্চ-ঘনত্বের শহুরে দোকানে বিভিন্ন স্থানের সীমাবদ্ধতা, পায়ের ট্র্যাফিকের ধরণ এবং একটি শহরতলির বিন্যাসের চেয়ে ক্রেতার মিশন রয়েছে৷

ঝুঁকি: এই স্তরের সিদ্ধান্তগুলি এখনও প্রকৃত স্টোর-স্তরের সংকেতের পরিবর্তে অনুমানের উপর অনেক বেশি নির্ভর করে। ভাণ্ডারগুলি কাগজে ভাল-স্থানীয় দেখাতে পারে যদিও অনুশীলনে বিস্তৃতভাবে ভুলভাবে সংযোজিত থাকে৷

অপারেশনাল লেয়ার: আসলে কি গ্রাহকের কাছে পৌঁছায়

এখানেই ভাণ্ডার অপ্টিমাইজেশান সফল হয় বা শান্তভাবে ব্যর্থ হয়। কার্যক্ষম স্তরটি গ্রাহকদের মুখোমুখি হওয়া বাস্তবতাকে প্রতিফলিত করে: কোন পণ্যগুলি তাকটিতে রয়েছে, প্ল্যানোগ্রামগুলি সঠিকভাবে কার্যকর করা হয়েছে কিনা, প্রচারগুলি দৃশ্যমান কিনা এবং স্টকআউটগুলি ধরা পড়ে এবং দ্রুত সমাধান করা হয় কিনা।

স্টোর এক্সিকিউশনে বাস্তব-সময়ের দৃশ্যমানতা ছাড়া, প্রতিটি আপস্ট্রিম সিদ্ধান্ত আংশিকভাবে অনুমান করা হয়। প্রযুক্তির মতইলেকট্রনিক শেলফ লেবেলএবং IoT সেন্সরগুলি ক্রমবর্ধমানভাবে ব্যবহার করা হচ্ছে এই দৃশ্যমানতার ব্যবধান - ক্যাপচারিং শেল্ফ স্টেটগুলিকে স্বয়ংক্রিয়ভাবে বন্ধ করার জন্য ম্যানুয়াল অডিটের উপর নির্ভর না করে যেগুলি খুব কমই ঘটে থাকে অ্যাকশনেবল।

কেন ঐতিহ্যগত ভাণ্ডার অপ্টিমাইজেশান ব্যর্থ হয়

বেশিরভাগ ভাণ্ডার কৌশলগুলি কাগজে ভালভাবে ডিজাইন করা হয়েছে-। এখানে তারা অনুশীলনে ভেঙে পড়ে।

ব্যর্থতার মোড 1: ঐতিহাসিক ডেটা অতীতের জন্য অপ্টিমাইজ করে

বিক্রয় ইতিহাস আপনাকে বলে যে গ্রাহকরা সেই সময়ে বিদ্যমান অবস্থার অধীনে - উপলব্ধ ভাণ্ডার সহ, সেট করা মূল্যে কি কিনলেন৷ এটি আপনাকে বলতে পারে না যে গ্রাহকরা কী চেয়েছিলেন কিন্তু খুঁজে পাননি৷ দ্রুত গতিশীল বিভাগগুলিতে, ঐতিহাসিক ডেটাতে একটি প্রবণতা স্পষ্টভাবে প্রদর্শিত হওয়ার সময়, কাজ করার উইন্ডোটি প্রায়শই পেরিয়ে গেছে।

ব্যর্থতার মোড 2: কেন্দ্রীভূত সিদ্ধান্ত, স্থানীয় বাস্তবতা

যখন ভাণ্ডার সংক্রান্ত সিদ্ধান্তগুলি সম্পূর্ণরূপে সদর দফতরে নেওয়া হয়, তখন স্টোরের{0}}স্তরের সূক্ষ্মতা গড় হয়ে যায়। মাঝারি জাতীয় বিক্রয়ের সাথে একটি পণ্য কিন্তু নির্দিষ্ট ধরনের দোকানে শক্তিশালী কার্যকারিতা তালিকা থেকে বাদ দেওয়া হতে পারে। একটি প্রমিত প্ল্যানোগ্রাম উল্লেখযোগ্যভাবে ভিন্ন শেল্ফ মাত্রা এবং ক্রেতা জনসংখ্যার সাথে স্টোর জুড়ে স্থাপন করা হয়।

ব্যর্থতার মোড 3: ডেটা সাইলোস অসম্পূর্ণ সিদ্ধান্ত তৈরি করে

খুচরা প্রতিষ্ঠানগুলি একাধিক সিস্টেমে ডেটা তৈরি করে - পয়েন্ট-অফ-বিক্রয়, ইনভেন্টরি, লয়্যালটি, ই-বাণিজ্য, এবং-স্টোর সেন্সর৷ বিভাগ পরিচালকরা একটি ডেটা সেট থেকে কাজ করে। সাপ্লাই চেইন অন্য থেকে কাজ করে। একটি তৃতীয় থেকে স্টোর অপারেশন. এই মতামতগুলির কোনওটিই সম্পূর্ণ নয় এবং যে কোনও একক সাইলো থেকে নেওয়া সিদ্ধান্তগুলি শুধুমাত্র অন্যটিতে দৃশ্যমান সমস্যা তৈরি করবে৷

ব্যর্থতার মোড 4: প্ল্যানোগ্রাম সম্মতি সদর দফতরের ধারণার চেয়ে কম

একটি প্ল্যানোগ্রাম শুধুমাত্র মান প্রদান করে যদি এটি সঠিকভাবে এবং ধারাবাহিকভাবে কার্যকর করা হয়। বেশিরভাগ খুচরা নেটওয়ার্কে, কমপ্লায়েন্স রেটগুলি স্টোর জুড়ে উল্লেখযোগ্যভাবে পরিবর্তিত হয় - এবং সদর দফতর সাধারণত এটি পরিমাপ না হওয়া পর্যন্ত জানে না। আপনি যদি বিক্রয় ডেটার উপর ভিত্তি করে একটি পণ্যের শেল্ফ কর্মক্ষমতা মূল্যায়ন করেন, কিন্তু সেই পণ্যটি আপনার 20% স্টোরে তিন মাস ধরে ভুল বে অবস্থানে থাকে, তাহলে আপনার পারফরম্যান্স ডেটা অবিশ্বস্ত। বোঝাপড়াকত ঘন ঘন শেল্ফ ডেটা রিফ্রেশ করা হয়এই পরিমাপের নির্ভুলতার সাথে সরাসরি আবদ্ধ।

ব্যর্থতা মোড 5: অমনিচ্যানেল সিগন্যাল অপঠিত হয়

অনলাইন গ্রাহক আচরণ ভাণ্ডার বুদ্ধির একটি সমৃদ্ধ উত্স যা বেশিরভাগ শারীরিক খুচরা বিক্রেতারা উপেক্ষা করে। আপনার ই-কমার্স প্ল্যাটফর্মে শূন্য-ফলাফল অনুসন্ধানগুলি আপনাকে দেখায় যে গ্রাহকরা ঠিক কী খুঁজছেন যা আপনি বহন করেন না৷ উচ্চ-ব্রাউজ করুন, কম-ক্রয়ের ধরণগুলি এমন চাহিদা প্রকাশ করে যা রূপান্তরের আগে-স্টোর মূল্যায়নের প্রয়োজন হতে পারে৷ একজন গ্রাহক যিনি অনলাইনে একটি পণ্যের জন্য অনুসন্ধান করেন, এটি অনুপলব্ধ খুঁজে পান, এবং -স্টোর সিস্টেম --এ কোনও ডেটা তৈরি করে না কিন্তু ডেটার অনুপস্থিতি নিজেই একটি সংকেত, যদি আপনি এটি ক্যাপচার করার প্রক্রিয়া তৈরি করেন। প্রারম্ভিক বিন্দু হল আপনার অনলাইন অনুসন্ধান এবং ব্রাউজ ডেটাকে আপনার বিভাগ পরিকল্পনা কর্মপ্রবাহের সাথে সংযুক্ত করছে, এমনকি অনানুষ্ঠানিকভাবেও।

এআই কীভাবে ভাণ্ডার সিদ্ধান্তগুলিকে উন্নত করে

শত শত দোকান এবং হাজার হাজার SKU জুড়ে ম্যানুয়াল ভাণ্ডার ব্যবস্থাপনা স্প্রেডশীট এবং পর্যায়ক্রমিক পর্যালোচনাগুলি কী সমর্থন করতে পারে তার সীমাতে পৌঁছেছে। AI নির্দিষ্ট, পরিমাপযোগ্য উপায়ে অবদান রাখে।

স্টোর-স্তরের চাহিদা পূর্বাভাস।ঐতিহ্যগত পূর্বাভাস ব্যানার বা ক্লাস্টার স্তরে কাজ করে। মেশিন লার্নিং মডেলগুলি পৃথক স্টোর এবং SKU স্তরে পূর্বাভাস তৈরি করতে পারে, স্থানীয় কারণগুলির জন্য অ্যাকাউন্টিং - আশেপাশের জনসংখ্যা, কাছাকাছি প্রতিযোগিতা, মৌসুমী মাইক্রো-প্রবণতাগুলি - যেগুলি বিস্তৃত মডেলগুলি গড় দূরে থাকে৷ এই গ্রানুলারিটি স্থানীয় ভাণ্ডার সিদ্ধান্তগুলিকে অনুমান করার পরিবর্তে রক্ষাযোগ্য করে তোলে।

SKU যুক্তিযুক্তকরণ।প্রতিটি পণ্য তার স্থান উপার্জন করে না। AI মডেলগুলি চিহ্নিত করতে পারে কোন SKUগুলি আনুপাতিক রিটার্ন ছাড়াই শেলফ রিয়েল এস্টেট এবং ইনভেন্টরি ক্যাপিটাল ব্যবহার করছে - মার্জিন অবদান, প্রতিস্থাপন প্রভাব এবং ঝুড়ি প্রভাবের জন্য অ্যাকাউন্টিং৷ গুরুত্বপূর্ণ পার্থক্য হল ধীর-চালকেরা যেগুলি একটি অনুগত কুলুঙ্গি পরিবেশন করে এবং ধীর-চালকেরা যেগুলি কেবল কম পারফর্ম করে৷ এআই উভয়ের মধ্যে একটি স্কেলে পার্থক্য করতে পারে যা ম্যানুয়াল বিশ্লেষণ করতে পারে না।

গতিশীল মূল্য এবং প্রচার প্রান্তিককরণ.ভাণ্ডার সিদ্ধান্ত মূল্য থেকে বিচ্ছিন্নভাবে বিদ্যমান নেই. এআই-চালিতগতিশীল মূল্যপ্রচারমূলক কার্যকলাপকে রিয়েল টাইমে ভাণ্ডার কর্মক্ষমতার সাথে সারিবদ্ধ করতে পারে - যা পরিকল্পনা করা হয়েছিল এবং গ্রাহকরা প্রকৃতপক্ষে শেল্ফ স্তরে কী প্রতিক্রিয়া জানায় তার মধ্যে অমিল কমিয়ে দেয়৷

মৃত্যুদন্ড পর্যবেক্ষণ.কম্পিউটার দৃষ্টি এবং সেন্সর ডেটা সম্পূর্ণ ম্যানুয়াল অডিটের প্রয়োজন ছাড়াই প্ল্যানোগ্রাম বিচ্যুতি সনাক্ত করতে পারে। অগ্রগতিশেলফ লেবেল প্রযুক্তিস্বয়ংক্রিয় শেলফ-স্টেট মনিটরিংকে ক্রমবর্ধমানভাবে সহজলভ্য করে তুলেছে মাঝারি আকারের খুচরা বিক্রেতাদের জন্য, শুধু বড় চেইন নয়।

বাস্তবায়নের জন্য একটি পাঁচ-পদক্ষেপ কাঠামো

বেশিরভাগ খুচরা বিক্রেতারা ভাণ্ডার অপ্টিমাইজেশান বিষয়গুলি জানেন। অল্প কিছুরই স্পষ্ট সূচনা বিন্দু আছে। এই কাঠামোটি যে কোনও স্কেলে ব্যবহারযোগ্য করার জন্য ডিজাইন করা হয়েছে।

ধাপ 1: আপনার বর্তমান ভাণ্ডার নিরীক্ষণ করুন

কিছু অপ্টিমাইজ করার আগে, একটি সৎ বেসলাইন স্থাপন করুন। বিভাগ এবং দোকান অনুসারে আপনার বর্তমান স্টকআউট রেট কত? কোন SKUগুলি প্রতি বর্গফুট বিক্রয়ের নীচের ডেসিল তৈরি করছে? পরিকল্পিত ভাণ্ডার এবং প্রকৃত শেলফ প্রাপ্যতার মধ্যে সবচেয়ে বড় ফাঁক কোথায়? আপনি যদি নির্ভরযোগ্য তথ্যের সাথে এই প্রশ্নের উত্তর না দিতে পারেন, তাহলে এটি নিজেই সবচেয়ে গুরুত্বপূর্ণ অনুসন্ধান - এবং অপ্টিমাইজেশান সরঞ্জামগুলিতে বিনিয়োগ করার আগে দৃশ্যমানতায় বিনিয়োগ করার সংকেত। একটি কাঠামোগতবেসলাইন ROI গণনাকোন পদ্ধতিতে প্রতিশ্রুতিবদ্ধ হওয়ার আগে সর্বোচ্চ- প্রভাবের ফাঁক কোথায় তা পরিমাপ করতে সাহায্য করতে পারে৷

ধাপ 2: আপনার স্টোর ক্লাস্টার সংজ্ঞায়িত করুন

সমস্ত দোকানে একই ভাণ্ডার বহন করা উচিত নয়, তবে প্রতিটি দোকানের জন্য একটি সম্পূর্ণ অনন্য ভাণ্ডার কার্যকরীভাবে নিয়ন্ত্রণযোগ্য নয়। স্টোর ক্লাস্টারিং অর্থপূর্ণ অনুরূপ চাহিদা প্রোফাইলের সাথে অবস্থানগুলিকে গোষ্ঠীবদ্ধ করে এই চরমগুলিকে সেতু করে। কার্যকরী ক্লাস্টারিং প্রকৃত ক্রয় আচরণ - ঝুড়ি রচনা, বিভাগের বেগ, ক্রেতা মিশন প্যাটার্ন - অনুমান করা জনসংখ্যার উপর নয়। বেশিরভাগ খুচরা বিক্রেতা নেটওয়ার্কের আকার এবং বিন্যাসের বৈচিত্র্যের উপর নির্ভর করে চার থেকে আটটি ক্লাস্টারের সাথে কাজ করে। সঠিক সংখ্যা হল সেই একটি যেখানে প্রতিটি ক্লাস্টার সত্যিকার অর্থে একটি স্বতন্ত্র পণ্য টেমপ্লেট নিশ্চিত করার জন্য যথেষ্ট ভিন্নভাবে আচরণ করে।

ধাপ 3: আপনার ডেটা উত্স একত্রিত করুন

ভাণ্ডার অপ্টিমাইজেশান শুধুমাত্র এটি ফিড যে ডেটা হিসাবে ভাল. ন্যূনতম, আপনার কমপক্ষে 12 মাসের ইতিহাস, বর্তমান ইনভেন্টরি লেভেল এবং শেল্ফের প্রাপ্যতার কিছু পরিমাপ সহ স্টোর দ্বারা SKU-স্তরের বিক্রয় ডেটা প্রয়োজন৷ ম্যানুয়াল রিপোর্ট, ESL সিস্টেম, বা IoT সেন্সরগুলির মাধ্যমে - সরাসরি ডেটার সতেজতা এবং নির্ভরযোগ্যতাকে প্রভাবিত করে কিনা সেল্ফ ডেটা কীভাবে ক্যাপচার করা হয় - সেই প্রশ্ন। বোঝাশেল্ফ ডেটা ক্যাপচারের জন্য সংযোগের বিকল্পগুলিএকটি ব্যবহারিক প্রাথমিক সিদ্ধান্ত। নিখুঁত ডেটা ইন্টিগ্রেশন - শুরু করার পূর্বশর্ত নয় কিন্তু এর আউটপুটকে বিশ্বাস করার আগে আপনাকে আপনার ডেটার ফাঁক এবং লেটেন্সি বুঝতে হবে।

ধাপ 4: অপ্টিমাইজেশন নিয়ম এবং গার্ডেল সেট করুন

এআই মডেল এবং অপ্টিমাইজেশান অ্যালগরিদমের সীমাবদ্ধতা প্রয়োজন। প্রতিটি সিদ্ধান্ত স্বয়ংক্রিয় হওয়া উচিত নয়। স্পষ্টভাবে সংজ্ঞায়িত করুন কোন সিদ্ধান্তগুলি স্বয়ংক্রিয়ভাবে চলতে পারে - যেমন উচ্চ-বেগ SKUs - এর জন্য পুনরায় পূরণের ট্রিগার এবং যেগুলির জন্য মানবিক পর্যালোচনার প্রয়োজন, যেমন একটি ক্লাস্টার থেকে একটি পণ্য বাদ দেওয়া। গার্ডেলগুলি ডেটা অসম্পূর্ণ থাকলে স্বয়ংক্রিয় সিস্টেমগুলি যে ত্রুটিগুলি করে তার বিরুদ্ধেও সুরক্ষা দেয়। একটি সাধারণ উদাহরণ: একটি অ্যালগরিদম একটি পণ্য অপসারণের সুপারিশ করে কারণ এর বিক্রয় কম, যখন প্রকৃত কারণ হল ক্রমাগত স্টকআউট যা বিক্রয় ডেটা কম চাহিদা থেকে আলাদা করে না।মূল্য এবং প্রাপ্যতা প্রদর্শন ত্রুটিঅটোমেশন চালু করার আগে বোঝার মতো একটি সম্পর্কিত অপারেশনাল ব্যর্থতার মোড।

ধাপ 5: পরিমাপ করুন, শিখুন এবং পুনরাবৃত্তি করুন

ভাণ্ডার অপ্টিমাইজেশান একটি ক্রমাগত প্রক্রিয়া, একটি-এককালীন প্রকল্প নয়। কৌশলগত সিদ্ধান্তের জন্য ন্যূনতম ত্রৈমাসিক - নিয়মিত পর্যালোচনা ছন্দ স্থাপন করুন, কৌশলগত সমন্বয়ের জন্য মাসিক। কেন্দ্রীয় বিভাগ টিমের মধ্যে কাঠামোগত প্রতিক্রিয়া লুপ তৈরি করুন এবং -স্তরের কর্মক্ষমতা ডেটা সঞ্চয় করুন। প্রতিটি পরিকল্পনা চক্রকে একটি পরীক্ষা হিসাবে বিবেচনা করুন: একটি অনুমান গঠন করুন, একটি পরিবর্তন বাস্তবায়ন করুন, ফলাফল পরিমাপ করুন, পরবর্তী চক্রে সেই শিক্ষাটি ব্যবহার করুন। যে সংস্থাগুলি এই প্রক্রিয়া থেকে সর্বাধিক মূল্য আহরণ করে সেগুলি সবচেয়ে পরিশীলিত সরঞ্জামগুলির সাথে নয়৷ তারাই তারা যারা ডেটা থেকে ধারাবাহিকভাবে শেখার অভ্যাস তৈরি করেছে।

অ্যাসোর্টমেন্ট অপ্টিমাইজেশান পরিমাপের জন্য ছয়টি কেপিআই

শুধুমাত্র মোট নয়, স্টোর স্তরে সমস্ত ছয়টি মেট্রিক্স ট্র্যাক করুন। নেটওয়ার্ক-স্তরের গড় প্রায়শই সেই দোকানগুলিকে আড়াল করে যেখানে সমস্যাগুলি সবচেয়ে তীব্র - এবং যেখানে সবচেয়ে বড় অপ্টিমাইজেশানের সুযোগ রয়েছে৷

অনলাইন এবং শারীরিক চ্যানেল জুড়ে ভাণ্ডার অপ্টিমাইজেশান

ফিজিক্যাল এবং ডিজিটাল চ্যানেল জুড়ে কাজ করা খুচরা বিক্রেতাদের জন্য, ভাণ্ডার সিদ্ধান্তগুলি বিচ্ছিন্নভাবে পরিচালনা করা যায় না।খুচরা পরিবেশপরিবর্তিত হয়েছে: গ্রাহকরা তরলভাবে চ্যানেলগুলির মধ্যে চলে যায় এবং প্রতিটি চ্যানেলের ডেটা অন্য চ্যানেলে সিদ্ধান্ত জানাতে পারে।

একটি ভাণ্ডার সংকেত হিসাবে অনলাইন.আপনার ই-কমার্স প্ল্যাটফর্মে শূন্য-ফলাফল অনুসন্ধানগুলি হল ভাণ্ডার ফাঁকের একটি প্রত্যক্ষ সূচক - গ্রাহকরা আপনাকে বলে যে তারা ঠিক কী চান যা আপনি বহন করেন না৷ উচ্চ-ব্রাউজ করুন, কম-ক্রয়ের ধরণগুলি এমন পণ্যগুলিকে নির্দেশ করতে পারে যা গ্রাহকরা কেনার আগে ব্যক্তিগতভাবে মূল্যায়ন করতে চান, যার প্রভাব রয়েছে-স্টোর রেঞ্জিংয়ের জন্য৷ অনুযায়ীম্যাককিনসে গবেষণা, 70% এরও বেশি ভোক্তা এখন ব্যক্তিগতকৃত অভিজ্ঞতার প্রত্যাশা করে - একটি প্রত্যাশা যা যোগাযোগের মতো পণ্যের প্রাপ্যতার ক্ষেত্রেও প্রযোজ্য।

ইউনিফাইড বনাম ডিফারেনিয়েটেড ভাণ্ডার।আপনার অনলাইন এবং ইন{0}}স্টোর ভাণ্ডারগুলি সারিবদ্ধ হওয়া উচিত কিনা তা আপনার দোকানের বিন্যাস এবং গ্রাহকের আচরণের উপর নির্ভর করে৷ একটি সমন্বিত ভাণ্ডার ক্রিয়াকলাপকে সহজ করে এবং ক্লিনার ডিমান্ড ডেটা তৈরি করে, তবে ফিজিক্যাল স্টোরগুলিকে একটি অনলাইন ক্যাটালগের জটিলতা বহন করতে বাধ্য করে যা বেশিরভাগ ফরম্যাটগুলি মিটমাট করতে পারে না। একটি ভিন্ন পদ্ধতি - যেখানে ফিজিক্যাল স্টোরগুলি একটি কিউরেটেড, উচ্চ-বেগ কোর বহন করে যখন অনলাইন চ্যানেল লম্বা লেজ পরিচালনা করে - যখন দুটি চ্যানেল সত্যিকারের ভিন্ন শপিং মিশন পরিবেশন করে তখন ভাল কাজ করে। সিদ্ধান্তের কাঠামোটি সহজ: গ্রাহকরা যদি নিয়মিত অনলাইনে অনুসন্ধান করে এবং -স্টোরে রূপান্তর করে, তবে সারিবদ্ধকরণ গুরুত্বপূর্ণ। যদি অনলাইনে এবং{9}}স্টোরের ক্রেতারা মূলত আলাদা শ্রোতা হয়, তাহলে পার্থক্য আরও কার্যকর হতে পারে।

কোথায় শুরু করবেন।সবচেয়ে ব্যবহারিক এন্ট্রি পয়েন্ট হল আপনার ই-বাণিজ্য শূন্য- ফলাফল অনুসন্ধান ডেটাকে আপনার বিভাগ পরিকল্পনা পর্যালোচনার সাথে সংযুক্ত করা। কোনো নতুন প্রযুক্তির প্রয়োজন নেই - বিভাগ পরিচালকদের দ্বারা পর্যালোচনা করা ব্যর্থ অনুসন্ধান প্রশ্নের একটি মাসিক রপ্তানি ভাণ্ডার ফাঁকগুলি দেখাতে পারে যা-স্টোরের বিক্রয় ডেটা কখনই প্রকাশ করবে না৷ এই সঙ্গে পেয়ারিংউন্নত শেল্ফ-স্তরের ডেটা ক্যাপচারফিজিক্যাল স্টোর অনলাইন সিগন্যাল এবং স্টোর এক্সিকিউশনের মধ্যে একটি বন্ধ লুপ তৈরি করে।

এটি অনুশীলনে কেমন দেখাচ্ছে

নিম্নলিখিত পরিস্থিতিগুলি ব্যাখ্যা করে যে কীভাবে ভাণ্ডার অপ্টিমাইজেশান নীতিগুলি খুচরা ফর্ম্যাটগুলিতে প্রযোজ্য হয়৷ এগুলি দৃষ্টান্তমূলক উদাহরণ, নির্দিষ্ট কোম্পানির কেস স্টাডি নয়।

মুদি: সামগ্রিক ডেটাতে স্থানীয় চাহিদা মাস্কিং।একটি আঞ্চলিক মুদি শৃঙ্খল সামগ্রিক বিভাগ ডেটা ব্যবহার করে ভাণ্ডার পরিকল্পনা করে। জাতিগত খাদ্য বিভাগগুলি - নির্দিষ্ট আশেপাশে শক্তিশালী পারফর্মারদের - ধারাবাহিকভাবে উপস্থাপিত করা হয় কারণ ব্যানার স্তরে রোল আপ করার সময় তাদের বিক্রয় হ্রাস পায়৷ প্রকৃত ঝুড়ির গঠনের উপর নির্মিত একটি ক্লাস্টার-ভিত্তিক পদ্ধতি প্রকাশ করে যে নির্দিষ্ট স্টোর গোষ্ঠীতে নিম্ন শ্রেণীর চাহিদার মতো যা দেখায় তা পরিবর্তে একটি কাঠামোগত ডেটা একত্রিতকরণ সমস্যা ছিল। স্থানীয় ক্রয় আচরণ প্রতিফলিত করার জন্য সেই দোকানগুলির টেমপ্লেটগুলি সামঞ্জস্য করা ব্যবধান বন্ধ করে। সক্ষমকারী ফ্যাক্টরটি নতুন প্রযুক্তি নয় - এটি ব্যানারের পরিবর্তে স্টোরের মাধ্যমে চাহিদার ডেটা বিচ্ছিন্ন করছে৷ যেমন সরঞ্জাম মাধ্যমে ভাল দৃশ্যমানতামুদি দোকানে ইলেকট্রনিক শেলফ লেবেলসেই সামঞ্জস্যপূর্ণ ভাণ্ডারগুলি আসলে কার্যকর করা হচ্ছে কিনা তার চলমান পরিমাপকে সমর্থন করে।

ফ্যাশন: লম্বা-টেইল SKU ব্যবস্থাপনা।একটি বিশেষ পোশাক খুচরা বিক্রেতা প্রতি মৌসুমে কয়েক হাজার সক্রিয় SKU বহন করে। একটি উত্পাদনশীলতা পর্যালোচনা প্রকাশ করে যে পরিসরের একটি উল্লেখযোগ্য অংশ পরিকল্পনা, জায় এবং পুনরায় পূরণের সংস্থানগুলি ব্যবহার করার সময় আয়ের একটি অসামঞ্জস্যপূর্ণভাবে ছোট অংশ তৈরি করে। বিশ্লেষণটি আন্ডারফর্ফর্মারদের দুটি গ্রুপকে আলাদা করে: কোনো শনাক্তযোগ্য অনুগত গ্রাহক বেস এবং নেতিবাচক স্থান-থেকে-মার্জিন অবদান ছাড়াই SKU, এবং একটি নির্দিষ্ট ক্রেতা সেগমেন্টের মধ্যে কম সামগ্রিক ভলিউম কিন্তু উচ্চ পুনরাবৃত্তি ক্রয়ের হার সহ SKU। প্রথম দলটি পর্যায়ক্রমে। দ্বিতীয়টি সামঞ্জস্যপূর্ণ স্থান বরাদ্দ দিয়ে ধরে রাখা হয়। ফলাফলটি একটি কঠোর পরিসর যা কার্যকর করা সহজ এবং তাক স্তরে সিদ্ধান্তের ক্লান্তি তৈরি করার সম্ভাবনা কম।

সুবিধা খুচরো: পার্থক্যকারী হিসাবে মৃত্যুদন্ডের গতি।একটি ছোট-ফরম্যাট কনভিনিয়েন্স চেইন এমন জায়গায় কাজ করে যেখানে প্রতি বর্গফুট বেশি-স্টক থাকে এবং কম ইনভেন্টরি বাফার দ্বারা স্টকআউটের খরচ বড় হয়৷ সীমিত ফ্যাক্টর ভাণ্ডার পরিকল্পনা নয় - এটি একটি স্টকআউট ঘটছে এবং একটি দোকান সহযোগী এর প্রতিক্রিয়ার মধ্যে সময়। নির্ধারিত ম্যানুয়াল চেকের উপর নির্ভর না করে স্বয়ংক্রিয় শেলফ পর্যবেক্ষণের মাধ্যমে সেই ব্যবধান কমানো, উচ্চ মার্জিন ইমপালস বিভাগের জন্য-স্টোরের প্রাপ্যতার উপর সরাসরি এবং পরিমাপযোগ্য প্রভাব ফেলে।

প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী

খুচরা মধ্যে ভাণ্ডার অপ্টিমাইজেশান কি?

অ্যাসোর্টমেন্ট অপ্টিমাইজেশান হল ক্রমাগত বিক্রয়, মার্জিন এবং গ্রাহক সন্তুষ্টির জন্য প্রতিটি দোকানে দেওয়া পণ্যের মিশ্রণকে ক্রমাগত নির্বাচন এবং পরিমার্জন করার প্রক্রিয়া। এক-সময়ের ভাণ্ডার পরিকল্পনার বিপরীতে, এটি প্রকৃত-সময়ের ডেটা এবং চলমান কর্মক্ষমতা পর্যালোচনাগুলিকে একত্রিত করে যাতে পণ্য নির্বাচনকে প্রকৃত চাহিদার সাথে সামঞ্জস্য করা যায়।

ভাণ্ডার পরিকল্পনা এবং ভাণ্ডার অপ্টিমাইজেশান মধ্যে পার্থক্য কি?

ভাণ্ডার পরিকল্পনা হল একটি পর্যায়ক্রমিক, কেন্দ্রীভূত প্রক্রিয়া - সাধারণত মৌসুমী বা বার্ষিক - যা ঐতিহাসিক ডেটার উপর ভিত্তি করে কোন পণ্য বহন করতে হবে তা নির্ধারণ করে। ভাণ্ডার অপ্টিমাইজেশান ক্রমাগত. এটি বাস্তব-সময়ের সংকেত এবং সঞ্চয়-স্তরের কর্মক্ষমতা ডেটা অন্তর্ভুক্ত করে যাতে অবস্থার পরিবর্তনের সাথে সাথে ভাণ্ডারকে মানিয়ে নেওয়া যায়। পরিকল্পনা প্রাথমিক দিক নির্ধারণ করে; অপ্টিমাইজেশান এটি ক্যালিব্রেটেড রাখে।

AI কিভাবে ভাণ্ডার অপ্টিমাইজেশান উন্নত করে?

AI স্টোরের-স্তরের চাহিদার পূর্বাভাস সক্ষম করে যা ক্লাস্টার গড় ছাড়িয়ে যায়, প্রতিস্থাপন প্রভাবগুলির জন্য হিসাব করার সময় কম পারফরম্যান্সকারী SKUগুলি সনাক্ত করে, বর্তমান বিক্রয় বেগের উপর ভিত্তি করে প্ল্যানোগ্রাম সুপারিশ তৈরি করে এবং বাস্তব-সময় সংকেত - আবহাওয়া, স্থানীয় ইভেন্ট, চক্রের কার্যকলাপে প্রতিযোগীতার সময় পরিকল্পনা{3} করতে পারে না কাজ

ভাণ্ডার অপ্টিমাইজেশান ব্যর্থ হওয়ার সবচেয়ে সাধারণ কারণগুলি কী কী?

পাঁচটি সবচেয়ে সাধারণ ব্যর্থতার মোড: -ঐতিহাসিক ডেটার উপর অতিরিক্ত নির্ভরতা যা বর্তমান চাহিদা ক্যাপচার করতে পারে না; কেন্দ্রীভূত সিদ্ধান্ত-যে স্থানীয় প্রকরণ মিস করে; সাইলড ডেটা সিস্টেম যা একটি অসম্পূর্ণ ছবি তৈরি করে; প্ল্যানোগ্রাম সম্মতি সদর দপ্তরের চেয়ে কম; এবং অনলাইন চাহিদা সংকেতগুলিকে অন্তর্ভুক্ত করতে ব্যর্থতা যা শুধুমাত্র স্টোরের বিক্রয় ডেটার মধ্যে-অদৃশ্য ফাঁকগুলি প্রকাশ করে৷

ভাণ্ডার অপ্টিমাইজেশানের জন্য আমার কোন কেপিআই ট্র্যাক করা উচিত?

সবচেয়ে দরকারী মেট্রিক্স হল স্টকআউট রেট, সেল-দরের মাধ্যমে, SKU উৎপাদনশীলতা (শেল্ফ স্পেসের প্রতি ইউনিট আয় বা মার্জিন), প্ল্যানোগ্রাম কমপ্লায়েন্স রেট, ক্যাটাগরি মার্জিন অবদান, এবং ক্লাস্টার ডিমান্ড অ্যালাইনমেন্ট (ক্লাস্টার স্তরে পরিকল্পিত ভাণ্ডার এবং প্রকৃত বিক্রির মধ্যে পার্থক্য-)। স্টোর লেভেলে এই সবগুলি ট্র্যাক করুন, শুধু সামগ্রিকভাবে নয়।

বাস্তবায়ন কতক্ষণ লাগে?

একটি বেসলাইন অডিট এবং ক্লাস্টার{0}}ভিত্তিক অপ্টিমাইজেশান ফ্রেমওয়ার্ক সাধারণত বিদ্যমান ডেটা ব্যবহার করে কয়েক মাসের মধ্যে তৈরি করা যেতে পারে। আরও পরিশীলিত AI-চালিত ক্রমাগত অপ্টিমাইজেশানের জন্য একটি শক্তিশালী ডেটা ফাউন্ডেশন প্রয়োজন এবং সম্পূর্ণরূপে কার্যকর হতে 12 থেকে 18 মাস সময় লাগতে পারে৷ কোনো নতুন প্রযুক্তির প্রয়োজন হওয়ার আগে অডিট দিয়ে শুরু করে প্রায় সবসময়ই দ্রুত জয় পাওয়া যায়।

ছোট খুচরা বিক্রেতারা ভাণ্ডার অপ্টিমাইজেশান থেকে উপকৃত হতে পারে?

হ্যাঁ। স্কেল - নির্বিশেষে নীতিগুলি প্রযোজ্য হয় কোন পণ্যগুলি তাদের স্থান অর্জন করে, স্টকআউট ফ্রিকোয়েন্সি ট্র্যাক করা এবং বিক্রয় ডেটা এবং পণ্যের সিদ্ধান্তগুলির মধ্যে প্রতিক্রিয়া লুপ তৈরি করা যে কোনও আকারের অপারেশনের জন্য অর্থবহ৷ ছোট খুচরা বিক্রেতাদের এন্টারপ্রাইজ এআই প্ল্যাটফর্মের প্রয়োজন নাও হতে পারে; বিনামূল্যে বা কম-মূল্যের অ্যানালিটিক্স টুলগুলি তাদের ইতিমধ্যে থাকা ডেটার উপর ভিত্তি করে দরকারী অপ্টিমাইজেশান সমর্থন করতে পারে৷ নির্বাচন করাডান তাক লেবেল সমাধানউল্লেখযোগ্য অবকাঠামো বিনিয়োগ ছাড়াই ডেটা ক্যাপচারের উন্নতির জন্য একটি ব্যবহারিক সূচনা পয়েন্ট।

আমার শুরু করার জন্য কি ডেটা দরকার?

সর্বনিম্ন: SKU-স্তরের বিক্রয় ডেটা কমপক্ষে 12 মাসের ইতিহাস, বর্তমান ইনভেন্টরি লেভেল, এবং শেল্ফ প্রাপ্যতার কিছু পরিমাপ - এমনকি ম্যানুয়াল স্টকআউট রিপোর্ট। এই ফাউন্ডেশন থেকে, আপনি একটি অর্থপূর্ণ নিরীক্ষা চালাতে পারেন, আপনার সর্বোচ্চ- প্রভাবের সুযোগগুলি চিহ্নিত করতে পারেন, এবং একটি ডেটা উন্নতির রোডম্যাপ তৈরি করতে পারেন৷ নিখুঁত তথ্য একটি পূর্বশর্ত নয়. অসিদ্ধ ডেটা দিয়ে দরকারী অপ্টিমাইজেশন সম্ভব, যতক্ষণ না আপনি বুঝতে পারেন এবং এর ফাঁকগুলির জন্য হিসাব করেন।

কোথায় শুরু করবেন

ভাণ্ডার অপ্টিমাইজেশান সর্বাধিক মূল্য প্রদান করে যখন এটি একটি ক্রমাগত লুপ হিসাবে কাজ করে - কর্মক্ষমতা বিশ্লেষণ করে, পণ্যের মিশ্রণ সামঞ্জস্য করে, দোকানে চালায়, ফলাফল পরিমাপ করে এবং পুনরাবৃত্তি করে৷ খুচরা বিক্রেতারা যারা এই ক্ষমতাটি সবচেয়ে কার্যকরভাবে তৈরি করে তারা অগত্যা তারা নয় যারা প্রথমে সবচেয়ে উন্নত সরঞ্জামগুলিতে বিনিয়োগ করে। তারা হলেন তারা যারা তাদের বর্তমান ভাণ্ডার কোথায় ব্যর্থ হচ্ছে সে সম্পর্কে সৎ ডেটা দিয়ে শুরু করেন এবং সেই ডেটাতে ধারাবাহিকভাবে কাজ করার জন্য সাংগঠনিক অভ্যাস গড়ে তোলেন।

আপনি যদি স্ক্র্যাচ থেকে শুরু করেন, চারটি অ্যাকশন অবিলম্বে অ্যাকশনযোগ্য: আপনার কাছে ইতিমধ্যে থাকা ডেটা ব্যবহার করে একটি স্টকআউট এবং SKU উত্পাদনশীলতা অডিট চালান; অনুমানকৃত জনসংখ্যার পরিবর্তে প্রকৃত ক্রয় আচরণের বিরুদ্ধে আপনার স্টোর ক্লাস্টার সংজ্ঞা পর্যালোচনা করুন; আপনার বিভাগ পরিকল্পনা কর্মপ্রবাহের সাথে আপনার ই{0}}বাণিজ্য শূন্য- ফলাফল অনুসন্ধান ডেটা সংযুক্ত করুন এবং সংজ্ঞায়িত করুন যে কোন ভাণ্ডার সিদ্ধান্তগুলি স্বয়ংক্রিয় হওয়া উচিত বনাম মৃত্যুদন্ড কার্যকর করার আগে একজন মানুষের দ্বারা পর্যালোচনা করা উচিত।

যেকোন নতুন প্রযুক্তি সংগ্রহ করার আগে এগুলির প্রত্যেকটি করা যেতে পারে - এবং প্রতিটি প্রযুক্তি বিনিয়োগ আসলে সুইটি কোথায় নিয়ে যাবে সে সম্পর্কে স্পষ্ট দৃশ্যমানতা তৈরি করবে৷