14H00679_RF.jpg

15 november 2016 - door Geeta Chetty - 0 reacties

Labels: , , ,

Het is een doodzonde om voorraad te laten liggen op een plek waar het niet rendeert. De vraag is echter of verplaatsing van de voorraad naar een beter verkopende locatie daadwerkelijk iets oplevert. Predictive analytics geeft antwoord op die vraag. Soms is een verkoophistorie van enkele weken al voldoende om te voorspellen of herverdeling van winkelvoorraden zinvol is.

Voorraden moeten in de winkel liggen, nergens anders.
Dat is althans het aloude devies van de meeste fashionretailers. Zodra zij een nieuwe collectie binnenkrijgen, gaat tachtig procent van de voorraad meteen de diverse verkoopkanalen in. Vaak blijft niet meer dan twintig procent in het distributiecentrum achter voor herbevoorrading en wellicht uitlevering van online orders. De vraag is hoe slim dat is. Is het daadwerkelijk nodig om het overgrote deel meteen naar de winkels te sturen? En hoe wordt dan de verdeling over alle winkels exact bepaald?

Iedere fashionretailer weet dat de ene winkel soms blijft zitten met een artikel dat in een andere winkel binnen de kortste keren is uitverkocht. Terwijl die ene winkel dat artikel moet afprijzen, verliest de andere winkel omzet en wellicht een waardevolle klant. Veel retailers proberen dat te voorkomen door een proces voor interfiliaalverkeer op te zetten. Winkels kunnen checken of een ontbrekend artikel in een andere winkel op voorraad ligt en dat meteen bestellen. Dat betekent in de praktijk dat een medewerker uit de verzendende winkel dat artikel uit het rek moet halen en inpakken. Zijn collega in de ontvangende winkel moet dat artikel weer uitpakken en klaar leggen voor de klant. In tussentijd hebben ook de chauffeurs en hun collega’s in het distributiecentrum dat artikel meerdere keren in handen gehad. Dat kan toch onmogelijk een efficiënte oplossing zijn?

Verkoophistorie van vijf weken
Met behulp van de beschikbare data moeten we een betere job kunnen doen. We weten op basis van verkoophistorie immers welke artikelen in welke winkels wel en niet goed scoren. We kunnen zien dat in het filiaal in Zandvoort de zwemkleding en teenslippers goed scoren, maar de vraag naar avondkleding achterblijft. Dat zegt natuurlijk nog niets over de verkoop van de nieuwe collectie badpakken, maar ook daarover kan snel iets zinnigs worden gezegd. Voor geavanceerde datamodellen op basis van slimme algoritmes is een verkoophistorie van vijf of zes weken al voldoende om per winkel te kunnen  uitrekenen of de aanwezige voorraad van elk artikel toereikend zal zijn. Predictive analytics heet dat.

Fashion retailers die al gebruik maken van een dergelijk model kunnen – als dat nodig is – elke week grote delen van het assortiment doorrekenen en bepalen welke artikelen het beste van het ene filiaal naar het andere kunnen worden verplaatst. Dankzij het grote aantal instelbare parameters in dit datamodel kunnen verschillende scenario’s gedraaid en uitgerekend worden, en of de voordelen van herverdelen opwegen tegen de kosten daarvan.

Veel beter te voorspellen
Sommige ERP-systemen bezitten ook onderdelen die voorstellen genereren voor herverdeling van de winkelvoorraden, evenals specifieke systemen voor voorraadbeheer. Dergelijke systemen zijn echter behoorlijk beperkt, al is het alleen maar omdat zij opereren vanuit vooraf ingerichte processen en dus minder speelruimte bieden. Daardoor vergt het in de praktijk nog steeds veel inspanning om zo’n voorstel te maken. Velen komen dan ook niet verder dan eens per maand een aantal folderartikelen doorrekenen. En dan nog is het afwachten of die herverdelingsvoorstellen opleveren wat was verwacht. Predictive analytics maakt het mogelijk om in principe elke week niet een deel, maar het hele assortiment te bekijken; soms blijkt een verkoophistorie van twee weken al bruikbaar. Dankzij de geavanceerde algoritmes en de mogelijkheid scenario’s te draaien kan de uitkomst van de herverdelingsvoorstellen bovendien veel beter worden voorspeld.

Bereken razendsnel de uitkomst van scenario’s
Wat is de impact als we voor een bepaald artikel de voorraad van de 40 procent slechtst draaiende winkels herverdelen over de 60 procent best presterende winkels. En wat nu als we die verhouding instellen op 30/70 of 30/60? Een datamodel op basis van predictive analytics berekent razendsnel de uitkomst van dergelijke scenario’s, zodat optimalisatie daadwerkelijk mogelijk is. En daarbij houdt het model rekening met allerlei randvoorwaarden, zoals de outfits die in de folder en in de winkel worden getoond. Het heeft bijvoorbeeld geen zin om een broek in een winkel te laten liggen als de behorende bloes of trui naar een andere winkel worden verplaatst. Ook is het mogelijk rekening te houden met de voorraad in het centrale distributiecentrum. Waarom winkelvoorraden herverdelen zolang in het centrale dc nog genoeg ligt om tekorten aan te vullen? Denk tot slot aan de tijd en de kosten die nodig zijn om een herverdelingsvoorstel uit te voeren. Als een goed verkopende winkel twintig extra stuks nodig heeft, is het handiger om één winkel alle twintig stuks te laten verzenden dan twintig winkels elk één exemplaar. Daar zijn veel meer winkelmedewerkers druk mee.

Hersteloperatie de moeite waard?
Terugkomend op de vraag uit het begin: op basis van data kunnen we steeds beter voorspellen hoe we een nieuwe collectie het beste over de winkels kunnen verdelen. Maar zelfs als die voorspelling niet blijkt te kloppen, hoeft dat geen ramp te zijn. Enkele weken verkoophistorie is soms al voldoende om uit te rekenen of een hersteloperatie de moeite waard is en wat het herverdelen van winkelvoorraden oplevert. Dat leidt niet alleen tot meer omzet, maar ook tot minder nee-verkopen en dus een hogere klanttevredenheid. Wie wil dat niet?

Simon van Ulden,
Partner EY i3

 

Meer weten over data analytics in retail? Download het speciale magazine over dit thema.

Deel dit bericht

Reacties

Plaats een reactie

Italic en bold

*Dit is italic*, en _dit ook_.
**Dit is bold**, en __dit ook__.

Links

Dit is een link naar [Procurios](http://www.procurios.nl).

Lijsten

Een lijst met bullets kan worden gemaakt met:
- Min-tekens,
+ Plus-tekens,
* Of een asterisk.

Een genummerde lijst kan worden gemaakt met:
1. Lijst-item nummer 1.
2. Lijst-item nummer 2.

Quote

Onderstaande tekst vormt een quote:
> Dit is de eerste regel.
> Dit is de tweede regel.

Code

Er kan een blok met code worden geplaatst. Door voor de tekst vier spaties te plaatsen, ontstaat een code-block.