2015年,作为中国鞋服行业龙头企业的某运动品牌提出“以消费者为中心“的整体转型策略,并通过数字化手段进行落地。在商品运营上,该企业搭建了WMS、ERP等系统,对线上线下库存、订单等进行统一管理。但在商品生产、订货会、配补调和商品管理方案等方面,该企业仍存在许多问题,需要借助数字化手段解决。具体如下:
(1)该品牌首单生产量大,期货占比高,有较高的库存积压风险。企业需要借助数字化手段,对销售需求进行预测,按需生产,降低期货占比。
(2)各门店店长和经销商往往按照以往经验决定订货种类与数量,风险高且效率低。企业需要能够精准预测各地区、各门店的销售趋势,提供高效的订货建议。
(3)商品完成生产后,门店之间的配补调决策多为商品运营人员根据以往经验制定,随着该品牌门店的增加,配补调决策的制定需要耗费大量的时间成本和人工成本,且库存人员水平参差不齐造成决策水平有较大的差异。该企业需要能够借助数字化手段,在销售过程中为各门店的调配补快速输出高效建议。
(4)该品牌作为头部运动品牌,商品品类多,渠道结构复杂,各区域管理难度较高,企业需要从全局出发,提炼规律性认识,让决策效果评估更加标准化。
基于需求预测,优化商品资源配置
基于以上需求,该运动品牌通过对技术研发难度、研发成本等综合考量,选择以外采的方式打造智能商品运营解决方案。其选择合作的厂商具备丰富的时尚行业实践经验,且在数据挖掘、供应链优化、决策技术等方面具有优秀的算法技术。
该厂商对该运动品牌的业务逻辑进行了详细调研,且对其业务场景进行了分类与整合,最终为其提供了适合其业务模式的智能商品运营解决方案,该方案整体覆盖了企业季前预测、季中预测和季中配补调三个模块。
智能商品运营流程图
在季前预测模块,基于历年销售数据、用户数据等多维度数据,该品牌对当季终端销售的需求进行分析与预测,预估得出其季前备货量,输出客户、类别维度的预测销量数据,用于指导订货会与下单。
在季中预测模块,该品牌对门店进行分类,并基于各门店的历史销售数据、外部消费者的特征、门店的定位等信息为其输出拓铺建议,包括所订商品种类、商品组合与各商品数量三方面建议。通过引入季中预测模型,对单款销售趋势进行预测,企业识别爆款和滞销款。同时,根据生产提前期等因素自动计算加减单量,指导其进行畅销款翻单、滞销款减单等动作。
在补调模块,首先,该品牌结合各商品的生命周期及畅平滞等级、各门店的销售情况以及该品牌的管理流程三点共同制定补调规则;其次,基于需求预测的结果和各门店的实际销售情况,企业自动为门店生成目标库存;最后,本着“销售最大、积压最小、物流最少,实现商品流动”的原则,结合对各门店销售需求的季中预测,企业进行门店之间畅销款、滞销款等的调配,减少库存成本,优化商品资源配置。
精准预测需求,高效输出决策,降低库存风险,提高调配效率
目前,通过和厂商共同打造智能商品运营解决方案,该品牌已经实现了对未来12周销售曲线的预测,准确率达到70%-80%;并能够在2小时内为其旗下2600家门店自动输出配补调决策,且采纳率在90%以上。
具体在商品运营上,该品牌还实现了以下价值:
(1)能够根据终端销售的需求分析与预测,得出该品牌每季度季前备货量预估和季中需求预估,助力企业制定更灵活的商品运营管理决策,减少了企业的库存风险和期货占比。
(2)结合销量、库存成本、物流成本等因素,帮助该品牌实现了畅销款在高效门店的快速补调、滞销款在门店之间无效调拨的问题。提高了配补调的效率同时降低了库存成本,实现了商品的全局最优化调配。
以明确的需求为前提,丰富的数据为基础,多方合作打造智能商品运营解决方案
第一,在打造智能商品运营解决方案之前,企业需要梳理清自身在商品运营场景上的痛点和核心需求;同时,企业员工需要加强对智能商品运营的认知和理解,并在解决方案落地时高度配合。此项目中,该运动品牌在选择与第三方技术厂商合作之前便明确了智能商品运营的目的和最终效果;在项目实施过程中,企业员工高度配合,并有组织、有计划地将资源投入到项目中。
第二,数据是智能商品运营的基础,企业需要积累大量的用户数据、销售数据等多维度数据,助力企业进行智能决策。自数字化转型以来,该运动品牌建立了数据中台和业务中台,沉淀了大量的历史销售数据和用户数据用于智能预测,为智能决策提供了保障。
第三,在厂商的选择上,需要选择拥有先进算法技术及丰富行业实践经验的厂商。该运动品牌选择的技术厂商多年来持续进行智能决策算法的自主研发,率先将启发式算法融入商品运营优化场景中,解决了海量款店组合下超大规模解空间的性能问题。并针对传统运筹优化场景中相对黑盒化、缺乏业务可解释性的问题,开发了全新的算法,将结果白盒化。同时,自成立以来,该厂商致力于为时尚行业提供商品决策解决方案,服务过上百家鞋服品牌客户,拥有丰富的行业Know-How,能够快速理解品牌的业务痛点与需求,并快速做出反应。
关键词: