Ieguvumi:
- Spēja izprast kolekciju, līnijas plānu, cenu arhitektūru un produktu kategoriju līdzsvaru un izmantot mākslīgo intelektu scenāriju un trūkumu analīzei
- Sezonas pārveidošana līdzsvarotā līnijas plāna uzmetumā kategorijas, cenas un krāsas ziņā ar mākslīgā intelekta atbalstu un iztrūkstošo un pārpalikumu saskatīšanu
- Spēja atpazīt, ka mākslīgā intelekta ierosinātais produktu klāsts ir sākotnējais scenārijs, un tas ir jāpārbauda ar reāliem pārdošanas, peļņas un jaudas datiem.
Skaisti atsevišķi gabali neveido kolekciju. Kolekcija ir sistēma, kas runā viena ar otru, papildina viena otru un kopā aizpilda veikalu un sezonu. Instrumentu, kas izstrādā šo sistēmu, sauc par līnijas plānu: strukturētu plānu, kas parāda, kuri produkti tiks iekļauti sezonā, kādās kategorijās, par kādām cenām, kādās krāsās un ar cik iespējām. Līnijas plāns ir kolekcijas "skelets"; Atsevišķi produkti ir gaļa, kas ir uzklāta virs tās.
Kolekcijas plānošanā noteicošie ir vairāki jēdzieni. Kategoriju bilance: tādu grupu attiecība kā topi, apakšas, virsdrēbes, kleitas, aksesuāri. Cenu arhitektūra: ienākuma sadalījums, vidējais un augstākais cenu līmenis — klientam ir jāspēj atrast kaut ko katram budžetam, rezerve ir jāsaglabā. Platums un dziļums: cik dažādu modeļu (platums) un cik krāsu/izmēru iespēju (dziļums) ir katram modelim. Pārnēsātāji un modes priekšmeti: līdzsvars starp drošiem "pamatiem" un riskantiem, bet izciliem "modes izstrādājumiem", kas tiek pārdoti sezonu pēc sezonas. Ja šie līdzsvarojumi ir nepareizi, kolekcija būs vai nu garlaicīga vai nekārtīga, dārga vai arī trūkst rezerves.
Ko mākslīgais intelekts dara saskaņā ar plānu
Līnijas plāns patiesībā ir scenārija un līdzsvara problēma, un mākslīgais intelekts ir labs projekta izstrādes partneris šāda veida strukturēšanas darbā. Ņemot vērā koncepciju un mērķus: piedāvā kategoriju sadalījuma kontūru, ģenerē preču numuru scenārijus atbilstoši cenu līmeņiem, norāda uz nepilnībām kolekcijā (trūkst kategorijas, trūkst cenu diapazona), izveido krāsu kategoriju matricu, padara redzamu nesēja/modes produktu līdzsvaru.
Taču kritiskā robeža ir šāda: mākslīgais intelekts nezina jūsu reālos datus. Tas nezina, kurš produkts cik pārdots pagājušajā sezonā, jūsu peļņas norma, jūsu ražošanas jauda, jūsu piegādātāja MOQ (minimālais pasūtījuma daudzums - mazākais pasūtījuma daudzums, kas nepieciešams, lai modelis tiktu ražots). Viņš ierosina hibrīda starta scenāriju; nevar piemērot bez pārbaudes ar faktiskajiem pārdošanas, peļņas un jaudas datiem. Mākslīgais intelekts padara līdzsvaru redzamu; Jūsu dati nosaka līdzsvaru.
Padoms. Veidojot mākslīgā intelekta līnijas plānu, sniedziet savu pagātnes pārdošanas kopsavilkumu (anonīmi, vispārīgas likmes). Tāds konteksts kā “Pagājušajā sezonā virsdrēbes veidoja 35% no 20% pārdošanas apjoma” pārceļ rezultātus no fantāzijas uz realitāti.
Soli pa solim: no mērķa līdz līnijas plānam
1. darbība — uzstādiet mērķus. Apgrozījuma/daudzuma mērķis sezonai, kategoriju prioritātes, cenu diapazons un koncepcija. Tie ir rāmji.
2. darbība — iestatiet kategorijas skeletu. Kuras kategorijas, kādās proporcijās? Palūdziet AI ieteikt izplatīšanas projektu.
3. darbība. Izvietojiet cenu arhitektūru. Izplatiet produktus par sākuma/vidējo/augstāko cenu līmeni katrā kategorijā.
4. darbība. Piešķiriet platumu un dziļumu. Cik modeļu, cik krāsu/izmēru katram modelim? Ievērojiet MOQ un ietilpību.
5. solis — nepilnību analīze un apstiprināšana. Iedodiet plānu mākslīgajam intelektam un jautājiet par trūkstošajiem/liekajiem priekšmetiem; pēc tam pārbaudiet katru rindu ar faktiskajiem pārdošanas un peļņas datiem.
Šajā tabulā ir parādīts vienkāršs līnijas plāna izklāsts:
Kategorija
Modeļu skaits
cenu līmenis
Colorway
Loma
T-krekls
6
Pieteikties
3
pārvadātājs
krekls
5
vidējs
2
sajaukts
jaka
3
augšpusē
2
mode
kleita
4
vidus-augšējais
2
mode
piederums
4
Pieteikties
2
papildinoši
trīs mini futrāļi
1. gadījums — ir redzama atstarpe. Zīmols sniedza savu sezonas plānu mākslīgajam intelektam un lūdza veikt trūkumu analīzi. "Nav virsdrēbju par vidējo cenu; klients paliek spraugā starp ieeju un augšpusi," sacīja AI. Komanda to pārbaudīja ar pārdošanas datiem, un tā bija pareiza, un pievienoja divas vidējas cenas jakas. Mākslīgais intelekts parādīja plaisu, cilvēks apstiprināja un aizpildīja to ar datiem.
2. gadījums — datu atvienošanas plāns. Viena komanda izmantoja mākslīgā intelekta ieteikto “līdzsvaroto” maisījumu, neapskatot iepriekšējos pārdošanas apjomus. AI katrai kategorijai piešķīra vienādu nozīmi; tā kā puse no zīmola pārdošanas apjoma bija no vienas kategorijas. Sezona pagāja ar nepietiekamu produktu stiprajā kategorijā un pārprodukciju vājajā kategorijā; krājums kļuva nesabalansēts. Nodarbība: kopējais līdzsvars neaizstāj jūsu faktisko pārdošanas modeli.
3. gadījums — MOQ slazds. Vienam dizainerim patika plašā AI ieteiktā krāsu shēma: 4 krāsas katrā modelī. Bet piegādātāja MOQ bija augsts katrai krāsai; Ražojot 4 krāsas, kas saistītas ar krājumiem un naudu, dažas krāsas netika pārdotas. Nodarbība: krāsu toņu dziļumam jābūt līdzsvarotam ar MOQ un pārdošanas ātrumu; AI to nezina.
Četras kopējamas veidnes
1) Kategorijas skeleta kontūra:
Mana sezonas koncepcija: [koncepcija]. Mērķauditorija: [...].Mani pārdošanas rādītāji pagājušajā sezonā (anonīmi): [kategorija: dalīties].Uzdevums: Ieteikt šīs sezonas kategoriju sadalījuma uzmetumu (kategorija | ieteicamo modeļu skaits | pamatojums).Šis ir sākuma scenārijs; Es to iestatīšu ar reāliem datiem.
2) Cenu arhitektūras izplatītājs:
Manas kategorijas un modeļu numuri: [saraksts]. Mani cenu līmeņi: sākuma [diapazons], vidējais [diapazons], augšējais [diapazons]. Uzdevums: Sadaliet katru kategoriju sākuma/vidējā/augšējā līmenī; uzraudzīt klientu izvēli un maržas bilanci katrā līmenī. Dodiet kā galdu. Es pārbaudīšu rezervi.
3) Atšķirību analīze:
Šeit ir mans līnijas plāna projekts: [tabula]. Uzdevums: Veikt atstarpes analīzi. (1) Vai trūkst kādas kategorijas/cenas/krāsas? (2) Vai ir kādi pārpalikumi/dublikāti? (3) Kāds ir pārvadātāju un modes produktu līdzsvars? Pamatojiet katru lēmumu. Lēmumu pieņemšu, pamatojoties uz pārdošanas efektivitāti.
4) Krāsu un dziļuma stabilizators:
Mans līnijas plāns: [modeļi + prognozētais krāsu toņu skaits]. Mani ierobežojumi: MOQ [vērtība], mērķa krājumu apgrozījums [piezīme]. Uzdevums: Pārskatiet krāsu līnijas dziļumu; Iesakiet, kuram modelim būtu jēga samazināt/palielināt krāsu, ar pamatojumu. Līdzsvarot MOQ un pārdošanas ātrumu; Es pieņemšu galīgo lēmumu.
Vāja uzvedne / spēcīga uzvedne
Vāja uzvedne:
Izveidojiet man savākšanas plānu.
Nav mērķu, nav datu un nav ierobežojumu; Izvade būs saraksts, kas ir vispārīgs un atvienots no zīmola.
Spēcīga uzvedne:
Jūsu loma: kolekcijas plānošanas asistents. Sezona: vasara, jēdziens "viegla pilsētvide". Auditorija: 25-40 sievietes, vidējais segments.Mērķis: 30 modeļi, kategoriju līdzsvars un vidējas cenas svērums.Pagājušajā sezonā (anonīmi): kleitas 30% no pārdošanas apjoma, krekli 25%, virsdrēbes 10%.Ierobežojums: Maksimāli 3 krāsu modeļi vienam modelim MOQ dēļ.Uzdevums: Ražošanas scenārija uzmetums +gap izplatīšanas kategorija. Es pārbaudīšu ar pārdošanu, rezervi un jaudu.
Otrā uzvedne sniedz AI reālo ietvaru; Izvade atkal tiek apstiprināta ar reāliem datiem.
Biežas kļūdas
- Aizstājot kopējo bilanci ar savu pārdošanas modeli. Vienāds svars katrai kategorijai vājina stipro kategoriju.
- Netiek apstiprināta nepilnību analīze ar datiem. Plaisa, ko redz mākslīgais intelekts, var nebūt reāla; kontrolē pārdošana.
- Krāsu dziļuma atdalīšana no MOQ. Papildu krāsa saista krājumus un skaidru naudu; Krāsa, kas nepārdodas, radīs zaudējumus.
- Aizmirstiet par rezervi. Cenu arhitektūra ir ne tikai klients, bet arī peļņas bilance; AI nezina jūsu rezervi.
- Domāju, ka viņa plāns ir beidzies. Līnijas plāns ir scenārijs; Dzīvi pielāgots pārdošanas apjomam, jaudai un piedāvājumam.
Uzmanību: AI ieteikto "līdzsvarotu" līnijas plānu nevar īstenot, ja tas nav pretrunā ar jūsu faktisko pārdošanas, peļņas un ražošanas realitāti. Līdzsvars notiek jūsu datos, nevis uz papīra.
Rezumējot
Līnijas plāns ir kolekcijas skelets: tas parāda, kurš produkts kurā kategorijā tiks iekļauts, cena, krāsa un cik daudz iespēju. Kategoriju līdzsvars, cenu arhitektūra, plašuma dziļums un pārvadātāja-modes produktu līdzsvars ir noteicošais. AI ir labs projektēšanas partneris šajā konfigurācijā: tas ģenerē izplatīšanas scenārijus, parāda nepilnības, veido matricu. Bet tas nezina jūsu faktiskos pārdošanas apjomus, peļņu, jaudu un MOQ datus; Viņš piedāvā jauktu starta scenāriju. Process ir iestatīt mērķi, izveidot kategorijas skeletu, izvietot cenu arhitektūru, piešķirt platumu un pārbaudīt, izmantojot atstarpes analīzi. Mākslīgais intelekts padara līdzsvaru redzamu, jūsu dati to nosaka.
Lietojumprogrammas uzdevums
Sezonai izvēlieties izdomātu vai īstu zīmolu. (1) Pierakstiet mērķus (daudzums, kategorijas prioritāte, cenu diapazons). (2) Izveidojiet izplatīšanu ar “kategorijas struktūras izklāstu” (ja piemērojams, norādiet anonīmu vidējo pārdošanas likmi). (3) Izplatiet produktus cenu līmeņos ar "cenu arhitektūras izplatītāju". (4) Noņemiet trūkstošo/pārpalikumu, izmantojot "nepilnības analīzi". (5) Pielāgojiet krāsu dziļumu, ņemot vērā MOQ, izmantojot "Colorway kompensatoru", un pierakstiet, kuru rindiņu aizstājāt ar reālajiem datiem no mākslīgā intelekta ieteikuma un kāpēc.
kontrolsaraksts
- [ ] Es pārbaudīju kategorijas bilanci, izmantojot savu pārdošanas modeli.
- [ ] Cenu arhitektūrā es apsvēru gan klienta iespēju, gan rezervi.
- [ ] Es apstiprināju atstarpes analīzi ar pārdošanas datiem.
- [ ] Es sabalansēju Colorway dziļumu ar MOQ un pārdošanas ātrumu.
- [ ] Es uzskatīju līnijas plānu kā dzīvu scenāriju, nevis pabeigtu.
- [ ] Es pieņēmu galīgo lēmumu par produktu klāstu kā cilvēks ar reāliem datiem.