Pelnas:
- Gebėjimas suprasti kolekciją, linijos planą, kainų architektūrą ir produktų kategorijų pusiausvyrą bei naudoti dirbtinį intelektą scenarijų ir spragų analizei
- Sezono pavertimas subalansuotu linijos plano projektu pagal kategoriją, kainą ir spalvą, naudojant dirbtinio intelekto palaikymą ir pamatyti trūkstamą bei perteklių
- Gebėjimas atpažinti, kad dirbtinio intelekto siūlomas produktų asortimentas yra pradinis scenarijus ir jį reikia patikrinti naudojant realius pardavimų, maržos ir pajėgumų duomenis.
Gražūs pavieniai kūriniai nesudaro kolekcijos. Kolekcija – tai sistema, kuri kalba viena su kita, papildo viena kitą ir kartu užpildo parduotuvę ir sezoną. Šią sistemą projektuojantis įrankis vadinamas linijos planu: struktūriniu planu, kuris parodo, kokie produktai bus įtraukti į sezoną, į kokias kategorijas, kokiomis kainomis, kokiomis spalvomis ir su kiek pasirinkimų. Linijų planas yra kolekcijos „skeletas“; Atskiri produktai yra mėsa, kuri yra ant jos.
Planuojant kolekciją lemiamos yra kelios koncepcijos. Kategorijų balansas: tokių grupių santykis kaip viršutiniai, apatiniai, viršutiniai drabužiai, suknelės, aksesuarai. Kainų architektūra: įėjimo pasiskirstymas, vidutinis ir aukštesnis kainų lygis – klientas turi rasti kažką kiekvienam biudžetui, marža turi būti išlaikyta. Plotis ir gylis: kiek skirtingų modelių (plotis) ir kiek spalvų/dydžių parinkčių (gylis) turi kiekvienas modelis. Nešiokliai ir madingi gaminiai: saugių „pagrindų“ ir rizikingų, bet išskirtinių „mados dirbinių“, parduodamų sezoną po sezono, balansas. Jei šie balansai neteisingi, kolekcija bus nuobodi arba netvarkinga, brangi arba trūks maržos.
Ką dirbtinis intelektas daro pagal planą
Linijos planas iš tikrųjų yra scenarijaus ir pusiausvyros problema, o dirbtinis intelektas yra geras šio tipo struktūrizavimo darbo partneris. Pateikiama koncepcija ir tikslai: pasiūlo kategorijų paskirstymo metmenis, generuoja prekių numerių scenarijus pagal kainų lygius, nurodo kolekcijos spragas (trūksta kategorijos, trūksta kainų diapazono), nustato spalvų kategorijų matricą, daro matomą vežėjo/mados gaminio balansą.
Tačiau kritinė riba yra tokia: dirbtinis intelektas nežino jūsų tikrųjų duomenų. Ji nežino, kuris produktas kiek pardavė praėjusį sezoną, jūsų maržos, gamybos pajėgumų, tiekėjo MOQ (minimalus užsakymo kiekis – mažiausias užsakymo kiekis, reikalingas modeliui pagaminti). Jis siūlo hibridinį paleidimo scenarijų; negali būti taikomas nepatikrinus faktinių pardavimų, maržos ir pajėgumų duomenų. Dirbtinis intelektas daro matomą pusiausvyrą; Jūsų duomenys nustato pusiausvyrą.
Patarimas: kurdami dirbtinio intelekto linijos planą, pateikite ankstesnių pardavimų suvestinę (anonimiškai, bendrus įkainius). Kontekstas, pvz., „Praėjusio sezono viršutiniai drabužiai sudarė 35 % iš 20 % pardavimo“, perkelia produkciją iš fantazijos į realybę.
Žingsnis po žingsnio: nuo tikslo iki linijos plano
1 žingsnis – nustatykite tikslus. Sezono apyvartos/kiekybės tikslas, kategorijų prioritetai, kainų intervalas ir koncepcija. Tai yra rėmeliai.
2 veiksmas – nustatykite kategorijos skeletą. Kokios kategorijos, kokiomis proporcijomis? Leiskite AI pasiūlyti platinimo juodraštį.
3 veiksmas. Įdiekite kainų architektūrą. Paskirstykite produktus kiekvienos kategorijos pradiniu/vidutiniu/viršutiniu kainų lygiu.
4 veiksmas – priskirkite plotį ir gylį. Kiek modelių, kiek spalvų/dydžių kiekvienam modeliui? Stebėkite MOQ ir talpą.
5 žingsnis – spragų analizė ir patvirtinimas. Pateikite planą dirbtiniam intelektui ir paklauskite apie trūkstamus/perteklinius daiktus; tada patikrinkite kiekvieną eilutę su faktiniais pardavimo ir maržos duomenimis.
Šioje lentelėje parodytas paprastas linijos plano kontūras:
Kategorija
Modelių skaičius
kainų lygis
Spalvotas
Vaidmuo
Marškinėliai
6
Prisijungti
3
vežėjas
marškinėliai
5
vidutinis
2
sumaišytas
švarkas
3
viršuje
2
mada
suknele
4
vidurinė-viršutinė
2
mada
priedas
4
Prisijungti
2
vienas kitą papildantis
trys mini dėklai
1 atvejis – matomas tarpas. Prekės ženklas atidavė savo sezono planą dirbtiniam intelektui ir paprašė atlikti spragų analizę. „Nėra viršutinių drabužių už vidutinę kainą; klientas lieka tarpe tarp įėjimo ir viršaus“, – sakė AI. Komanda patikrino tai pagal pardavimo duomenis, jie buvo teisingi ir pridėjo dvi vidutinės kainos striukes. Dirbtinis intelektas parodė spragą, žmogus patvirtino ir užpildė duomenimis.
2 atvejis – duomenų atjungimo planas. Viena komanda taikė dirbtinio intelekto siūlomą „subalansuotą“ derinį, neatsižvelgdama į ankstesnius pardavimus. AI kiekvienai kategorijai suteikė vienodą svorį; tuo tarpu pusė prekės ženklo pardavimų buvo iš vienos kategorijos. Sezonas praėjo su nepakankamu stipriosios kategorijos gaminiu ir pertekliumi silpnoje kategorijoje; atsargos tapo nesubalansuotos. Pamoka: bendras balansas nepakeičia jūsų tikrojo pardavimo modelio.
3 atvejis – MOQ gaudyklė. Vienam dizaineriui patiko plati AI pasiūlyta spalvų schema: 4 spalvos kiekviename modelyje. Tačiau tiekėjo MOQ buvo didelis kiekvienai spalvai; Gaminant 4 spalvas, susietos atsargos ir pinigai, kai kurios spalvos neparduotos. Pamoka: spalvų gylis turi būti subalansuotas su MOQ ir pardavimo greičiu; AI to nežino.
Keturi kopijuojami šablonai
1) Kategorijos skeleto kontūras:
Mano sezono koncepcija: [koncepcija]. Tikslinė auditorija: [...].Mano pardavimų rodikliai praėjusį sezoną (anoniminiai): [kategorija: dalintis].Užduotis: Pasiūlyti šio sezono kategorijos pasiskirstymo juodraštį (kategorija | rekomenduojamas modelių skaičius | pagrindimas).Tai pradinis scenarijus; Aš nustatysiu jį realiais duomenimis.
2) Kainų architektūros platintojas:
Mano kategorijos ir modelių numeriai: [sąrašas]. Mano kainų lygiai: pradinis [diapazonas], vidutinis [diapazonas], viršutinis [diapazonas]. Užduotis: paskirstykite kiekvieną kategoriją į pradinį / vidurinį / aukštesnį lygį; stebėti klientų pasirinkimą ir maržos balansą kiekviename lygyje. Duok kaip stalą. Aš patikrinsiu maržą.
3) Spragų analizė:
Štai mano linijos plano juodraštis: [lentelė].Užduotis: Atlikti spragų analizę. (1) Ar trūksta kategorijų/kainų/spalvų? (2) Ar yra pertekliaus/dublikatų? (3) Koks yra vežėjų ir mados gaminių balansas? Pagrįskite kiekvieną sprendimą. Sprendimą priimsiu remdamasis pardavimo efektyvumu.
4) Spalvos ir gylio stabilizatorius:
Mano linijos planas: [modeliai + numatomas spalvų krypčių skaičius].Mano apribojimai: MOQ [vertė], tikslinė atsargų apyvarta [pastaba].Užduotis: Peržiūrėti spalvų gylį; Pasiūlykite, kuris modelis būtų prasmingas sumažinti/padidinti spalvą, su pagrindimu. Subalansuoti MOQ ir pardavimo greitį; Aš priimsiu galutinį sprendimą.
Silpnas raginimas / Stiprus raginimas
Silpnas raginimas:
Sudarykite man surinkimo planą.
Jokių tikslų, jokių duomenų ir jokių apribojimų; Išvestis bus sąrašas, kuris yra bendras ir atsietas nuo prekės ženklo.
Galingas raginimas:
Jūsų vaidmuo: surinkimo planavimo asistentas. Sezonas: vasara, koncepcija „lengvas urbanistinis“. Auditorija: 25-40 moterų, vidutinio segmento. Tikslas: 30 modelių, kategorijų balansas ir vidutinės kainos svoris.Praėjusį sezoną (anoniminis): suknelės 30% pardavimų, marškiniai 25%, viršutiniai drabužiai 10%.Apribojimas: Maksimalus 3 spalvų variantai vienam modeliui dėl MOQ.Užduotis. Aš patikrinsiu pardavimus, maržą ir pajėgumus.
Antrasis raginimas suteikia tikrąjį AI pagrindą; Išvestis vėl patvirtinama tikrais duomenimis.
Dažnos klaidos
- Pakeičiant bendrą balansą savo pardavimo modeliu. Kiekvienos kategorijos vienodas svoris silpnina stipriąją kategoriją.
- Nepatvirtina spragų analizės duomenimis. Dirbtinio intelekto matoma spraga gali būti netikra; kontroliuojamas pardavimų.
- Spalvos gylio atskyrimas nuo MOQ. Papildoma spalva suriša akcijas ir grynuosius pinigus; Neparduodama spalva pridarys nuostolių.
- Pamirškite maržą. Kainų architektūra yra ne tik klientas, bet ir maržos balansas; AI nežino jūsų maržos.
- Galvodamas, kad jo planas baigėsi. Linijos planas yra scenarijus; Gyvai suderinta su pardavimais, pajėgumais ir pasiūla.
Atsargiai: AI pasiūlytas „subalansuotas“ linijos planas negali būti įgyvendintas neprieštaraujant jūsų realiai pardavimo, maržos ir gamybos realybei. Balansas atsiranda jūsų duomenyse, o ne popieriuje.
Apibendrinant
Linijos planas – tai kolekcijos karkasas: parodo, kuri prekė į kurią kategoriją pateks, kaina, spalva ir kiek variantų. Kategorijų balansas, kainos architektūra, plotis-gylis ir vežėjo-mados produkto balansas yra lemiamas. AI yra geras šios konfigūracijos rengimo partneris: jis generuoja paskirstymo scenarijus, parodo spragas, sukuria matricą. Tačiau ji nežino jūsų faktinių pardavimų, maržos, pajėgumų ir MOQ duomenų; Jis siūlo mišrų paleidimo scenarijų. Procesas yra nustatyti tikslą, sukurti kategorijos skeletą, pateikti kainos architektūrą, priskirti plotį ir patikrinti spragų analizę. Dirbtinis intelektas padaro pusiausvyrą matomą, jūsų duomenys ją nustato.
Taikymo užduotis
Sezonui pasirinkite išgalvotą ar tikrą prekės ženklą. (1) Užrašykite tikslus (kiekis, kategorijos prioritetas, kainų intervalas). (2) Pateikite paskirstymą su „kategorijų struktūra“ (jei taikoma, nurodykite anoniminį pardavimo kursą). (3) Paskirstykite produktus pagal kainų lygius naudodami „kainų architektūros platintoją“. (4) Pašalinkite trūkstamą / perteklių atlikdami „spragų analizę“. (5) Pakoreguokite spalvų gylį atsižvelgdami į MOQ naudodami „Colorway compensator“ ir užrašykite, kurią eilutę pakeitėte tikrais dirbtinio intelekto pasiūlymo duomenimis ir kodėl.
kontrolinis sąrašas
- [ ] Patikrinau kategorijos balansą pagal savo pardavimo modelį.
- [ ] Kainos architektūroje įvertinau ir kliento pasirinkimą, ir maržą.
- [ ] Spragų analizę patvirtinau pardavimo duomenimis.
- [ ] Subalansavau Colorway gylį su MOQ ir pardavimo greičiu.
- [ ] Linijos planą traktavau kaip tiesioginį, o ne užbaigtą scenarijų.
- [ ] Galutinį sprendimą dėl produktų derinio priėmiau kaip žmogus, turėdamas tikrus duomenis.