lumtify
English

Perakende Planlama

Perakende planlama haritası

Moda perakendesinde bir sezon, birbirine bağlı onlarca karardan oluşuyor. Bu harita o kararların tamamını, hangi algoritmanın hangi soruyu cevapladığını ve hangi aşamada kullanıldığını gösteriyor.

Algoritma
37
Algoritma grubu
152 faz
Açık yazısı olan
4

Perakende planlamasında kararlar birbirini besler. Sezon öncesinde verilen bir bütçe kararı, sezon içinde hangi mağazaya ne göndereceğinizi belirliyor; ilk fiyat kararı, indirim zamanlamasının hareket alanını daraltıyor.

Aşağıdaki haritada sezon öncesinde yedi, sezon içinde sekiz aşama var. Açılabilen algoritmaların ne yaptığına dair kısa bir not var; yanında nokta olanların açık teknik yazısı yayında.

Sezon öncesi

7 aşama · 12 algoritma

Sezon başlamadan verilen kararlar. Burada hata yapmanın bedeli yüksektir: yanlış kurgulanmış bir koleksiyon veya yanlış dağıtılmış bir bütçe, sezon içinde tam olarak düzeltilemez.

  1. 01

    Merchandise Financial Planning

    • Uzun dönem talep tahmini (makro)

      Kategori ve bütçe seviyesinde, sezon öncesi ciro ve adet hedefi.

  2. 02

    Range Plan

    • Ürün yaşam eğrisi tahminleme

      Bir ürünün sezon boyunca haftalık satış eğrisinin öngörülmesi.

  3. 03

    Ürün stratejileri

    • Tüketici trend takip sistemi

  4. 04

    Koleksiyon geliştirme

    • Yapay zeka ürün tasarım öneri modeli

    • Ürün performans tahminleme

    • SKU rasyonalizasyonu

      Birbirini yiyen ürünlerin ayıklanması; koleksiyon genişliğinin daraltılması.

  5. 05

    Assortment Planning

    • İlk fiyat belirleme algoritması

    • Orta dönem talep tahmini

    • Beden analizi (PrePack optimizasyonu)

      Mağazaya gidecek koli içindeki beden dağılımının belirlenmesi.

  6. 06

    Mağaza kümeleme

    • Yapay zeka ile mağaza gruplama

      Benzer davranan mağazaların gruplanması; dağıtım ve fiyat kararları bu gruplar üzerinden verilir.

  7. 07

    Tedarik

    • Tedarikçi performans ve risk takibi

    • Tedarikçi seçim öneri sistemi

Sezon başlıyor

Sezon içi

8 aşama · 25 algoritma

Sezon başladıktan sonra verilen kararlar. Burada hız belirleyicidir: bir haftalık gecikme, satılabilecek ürünün indirime düşmesi demektir.

  1. 08

    Allocation (ilk sevkiyat)

    • Otomatik ilk sevkiyat önerisi

      Üretim planı, hava durumu ve mağaza kapasitesi kısıtlarıyla hangi mağazaya ne zaman kaç adet.

    • Strateji öneri modelleri

  2. 09

    Replenishment

    • Tahmin tabanlı otomatik ikmal

      Sınırlı stoğun mağaza kapasitesi ve potansiyeline göre optimum sevki.

      Teknik yazıyı oku →
  3. 10

    RPT

  4. 11

    Mağazalar arası transfer

    • Mağazalar arası ürün optimizasyonu

      Satmayan ürünün, satabilecek mağazaya lojistik kısıt ve satış olasılığıyla kaydırılması.

      Teknik yazıyı oku →

    • Blok, tekleme ve kırıklık kararları

    • Mağaza açma/kapama etkisi

  5. 12

    İndirim, promosyon ve kampanya

    • Fiyat elastikiyeti modeli

      Fiyat değişiminin satış ve karlılığa etkisinin hiyerarşi bazında ölçülmesi.

    • Markdown optimizasyonu

      Sezon sonu hedefleri gözetilerek hangi ürüne hangi hafta hangi indirim derinliğinin uygulanacağı.

  6. 13

    İş zekası

    • Yok satma ve satış kaybı hesaplama

      Stoksuz kalınan dönemde SKU seviyesinde kaçırılan satışın ölçülmesi.

      Teknik yazıyı oku →

    • Kırıklık ve atıl stok analizi

    • Algoritma başarı hesaplama

  7. 14

    Depo ve lojistik

    • Ağ tasarımı optimizasyonu

    • Depo yerleşim optimizasyonu

    • Depo toplama optimizasyonu

    • Rota optimizasyonu

    • İade ürün kolileme optimizasyonu

  8. 15

    CRM ve müşteri analitiği

    • Müşteri segmentasyonu

    • Müşteri terk tahmini

    • Yaşam boyu değer (LTV) tahmini

    • Ürün öneri sistemleri

    • Dinamik fiyatlama

    • Ürün sıralama algoritması

    • Yorum sınıflandırma

    • Kampanya kitle belirleme

nokta: açık teknik yazısı yayında

Bu algoritmaların bir kısmını sentetik bir veri seti üzerinde, matematiksel modeli ve SQL–Python çözümüyle açık olarak anlatıyoruz:

perakendeanalitigi.com