Dobički:
- Sposobnost razumevanja zbiranja, linijskega načrta, cenovne arhitekture in ravnovesja kategorij izdelkov ter uporabe umetne inteligence za analizo scenarijev in vrzeli
- Preoblikovanje sezone v uravnotežen osnutek linijskega načrta glede na kategorijo, ceno in barvo s podporo umetne inteligence ter ogled manjkajočega in presežnega
- Sposobnost prepoznati, da je kombinacija izdelkov, ki jo predlaga umetna inteligenca, začetni scenarij in jo je treba preveriti z resničnimi podatki o prodaji, maržah in zmogljivosti.
Lepi posamezni kosi ne tvorijo zbirke. Kolekcija je sistem, ki govori drug drugemu, se dopolnjuje in skupaj polni trgovino in sezono. Orodje, ki oblikuje ta sistem, se imenuje linijski načrt: strukturiran načrt, ki prikazuje, kateri izdelki bodo vključeni v sezono, v katere kategorije, po kakšnih cenah, v katerih barvah in s koliko možnostmi. Črtni načrt je »skelet« zbirke; Posamezni izdelki so meso, ki je oblečeno na vrhu.
Pri načrtovanju zbiranja je odločilnih več konceptov. Ravnovesje kategorij: razmerje skupin, kot so zgornji deli, spodnji deli, vrhnja oblačila, obleke, dodatki. Cenovna arhitektura: porazdelitev vstopnih, srednjih in višjih cenovnih ravni — stranka mora imeti možnost najti nekaj za vsak proračun, maržo je treba ohraniti. Širina in globina: koliko različnih modelov (širina) in koliko možnosti barv/velikosti (globina) ima vsak model. Nosilci in modni kosi: ravnotežje varnih "osnov" in tveganih, a izstopajočih "modnih kosov", ki se prodajajo iz sezone v sezono. Če so ta ravnovesja napačna, bo zbirka bodisi dolgočasna ali neurejena, draga ali brez marže.
Kaj počne umetna inteligenca v linijskem načrtu
Črtni načrt je pravzaprav problem scenarija in ravnotežja, umetna inteligenca pa je dober partner pri risanju pri tej vrsti strukturiranja. Glede na koncept in cilje: predlaga oris distribucije kategorij, generira scenarije številk izdelkov glede na ravni cen, opozarja na vrzeli v zbirki (manjkajoča kategorija, manjkajoči cenovni razred), vzpostavi matriko barvnih kategorij, naredi vidno ravnovesje nosilec/modni izdelek.
Toda kritična meja je naslednja: umetna inteligenca ne pozna vaših resničnih podatkov. Ne ve, kateri izdelek je koliko prodal prejšnjo sezono, vaše marže, vaše proizvodne zmogljivosti, MOQ vašega dobavitelja (najmanjša količina naročila – najmanjša količina naročila, potrebna za proizvodnjo modela). Predlaga hibridni zagonski scenarij; ni mogoče uporabiti brez preverjanja podatkov o dejanski prodaji, marži in zmogljivosti. Umetna inteligenca naredi ravnotežje vidno; Vaši podatki vzpostavljajo ravnotežje.
Namig: pri izdelavi linijskega načrta posredujte umetni inteligenci svoj pretekli prodajni povzetek (anonimno, po splošnih cenah). Kontekst, kot je »Zunanja oblačila prejšnje sezone so predstavljala 35 % od 20 % prodaje«, premakne rezultat iz domišljije v resničnost.
Korak za korakom: od cilja do črtnega načrta
1. korak — Postavite si cilje. Ciljni promet/količina za sezono, prednostne kategorije, cenovni razred in koncept. To so okvirji.
2. korak — Nastavite okostje kategorije. Katere kategorije, v kakšnih razmerjih? Naj AI predlaga osnutek distribucije.
3. korak — Namestite cenovno arhitekturo. Distribuirajte izdelke na začetni/srednji/višji ravni cen v vsaki kategoriji.
4. korak — Določite širino in globino. Koliko modelov, koliko barv/velikosti za vsak model? Upoštevajte MOQ in zmogljivost.
Korak 5 — Analiza vrzeli in validacija. Dajte načrt umetni inteligenci in povprašajte o manjkajočih/odvečnih predmetih; nato preizkusite vsako vrstico z dejanskimi podatki o prodaji in maržah.
Naslednja tabela ponazarja preprost oris črtnega načrta:
Kategorija
Število modelov
raven cen
Colorway
Vloga
Majica s kratkimi rokavi
6
Prijava
3
nosilec
majica
5
srednje
2
mešano
jakna
3
vrh
2
moda
obleka
4
srednji-zgornji
2
moda
pripomoček
4
Prijava
2
komplementarno
trije mini kovčki
1. primer – vrzel je vidna. Blagovna znamka je svoj sezonski načrt predala umetni inteligenci in prosila za analizo vrzeli. "V srednji ceni ni vrhnjih oblačil; kupec ostane v vrzeli med vhodom in vrhom," je dejal AI. Ekipa je to preverila glede na podatke o prodaji, bili so pravilni, in dodala dve jakni srednjega cenovnega razreda. Umetna inteligenca je pokazala vrzel, človeška potrdila in jo zapolnila s podatki.
Primer 2 – Načrt brez podatkovne povezave. Ena ekipa je uporabila "uravnoteženo" mešanico, ki jo je predlagala AI, ne da bi pogledala preteklo prodajo. AI je vsaki kategoriji dal enako težo; medtem ko je polovica prodaje blagovne znamke prišla iz ene same kategorije. Sezona je minila s premajhnim produktom v močni kategoriji in presežkom produkta v šibki kategoriji; zaloga je postala neuravnotežena. Lekcija: splošno ravnotežje ni nadomestilo za vaš dejanski prodajni vzorec.
Primer 3 – MOQ past. Enemu oblikovalcu je bila všeč široka barvna shema, ki jo je predlagal AI: 4 barve na vsakem modelu. Toda dobaviteljeva MOQ je bila visoka za vsako barvo; Izdelava 4 barv je vezala zaloge in denar, nekatere barve se niso prodale. Lekcija: globina barve mora biti uravnotežena z MOQ in hitrostjo prodaje; AI tega ne ve.
Štiri predloge za kopiranje
1) Oris okostja kategorije:
Moj koncept sezone: [koncept]. Ciljna publika: [...]. Moje prodajne stopnje v prejšnji sezoni (anonimno): [kategorija: deli]. Naloga: Predlagajte osnutek porazdelitve kategorij za to sezono (kategorija | število priporočenih modelov | utemeljitev). To je začetni scenarij; Nastavil ga bom z resničnimi podatki.
2) Distributer cenovne arhitekture:
Moje kategorije in številke modelov: [seznam]. Moje ravni cen: začetni [razpon], srednji [razpon], zgornji [razpon]. Naloga: razdelite vsako kategorijo na začetne/srednje/višje ravni; spremljajte izbiro strank in maržo na vsaki ravni. Daj kot mizo. Maržo bom preveril.
3) Analiza vrzeli:
Tukaj je moj osnutek linijskega načrta: [tabela]. Naloga: Izvedite analizo vrzeli. (1) Ali manjkajo kakšne kategorije/cene/barve? (2) Ali obstajajo presežki/dvojniki? (3) Kakšno je razmerje med nosilno in modno izdelkom? Vsako odločitev utemelji. Odločil se bom glede na učinkovitost prodaje.
4) Stabilizator barve in globine:
Moj načrt linije: [modeli + predvideno število barvnih odtenkov]. Moje omejitve: MOQ [vrednost], ciljni promet zalog [opomba]. Naloga: Pregled globine barvnih odtenkov; Predlagajte, kateri model bi bilo smiselno zmanjšati/povečati barvo, z utemeljitvijo. Uravnotežite MOQ in hitrost prodaje; Končno odločitev bom sprejel jaz.
Šibek poziv/močan poziv
Šibek poziv:
Naredi mi načrt zbiranja.
Brez ciljev, brez podatkov in brez omejitev; Rezultat bo seznam, ki je splošen in ni povezan z blagovno znamko.
Močan poziv:
Vaša vloga: pomočnik pri načrtovanju zbiranja. Sezona: poletje, koncept "light urban". Občinstvo: 25–40 žensk, srednji segment. Cilj: 30 modelov, ravnovesje kategorij in utež srednjega cenovnega razreda. Zadnja sezona (anonimno): obleke 30 % prodaje, srajce 25 %, vrhnja oblačila 10 %. Omejitev: največ 3 barvne tone na model zaradi MOQ. Naloga: izdelava okostja kategorije + distribucija cen + osnutek analize vrzeli. To je zagon. scenarij; Preveril bom s prodajo, maržo in zmogljivostjo.
Drugi poziv daje pravi okvir za AI; Izhod je ponovno potrjen z resničnimi podatki.
Pogoste napake
- Zamenjava splošnega ravnotežja za lasten prodajni vzorec. Enaka teža za vsako kategorijo oslabi močno kategorijo.
- Analiza vrzeli ni potrjena s podatki. Vrzel, ki jo vidi umetna inteligenca, morda ni resnična; nadzoruje prodaja.
- Prekinitev barvne globine od MOQ. Dodatna barva veže delnice in denar; Barva, ki se ne prodaja, bo povzročila izgube.
- Pozabite na maržo. Cenovna arhitektura ni samo kupec, ampak ravnovesje marže; AI ne pozna vaše marže.
- Mislil je, da je njegovega načrta konec. Linijski načrt je scenarij; Živahno prilagojeno s prodajo, zmogljivostjo in ponudbo.
Pozor: »Uravnoteženega« načrta linije, ki ga predlaga umetna inteligenca, ni mogoče izvesti, ne da bi bil v nasprotju z vašo dejansko realnostjo prodaje, marž in proizvodnje. Ravnovesje se zgodi v vaših podatkih, ne na papirju.
Če povzamem
Načrt linije je okostje kolekcije: prikazuje, kateri izdelek bo vključen v katero kategorijo, ceno, barvo in koliko možnosti. Odločilno je ravnotežje med kategorijami, cenovna arhitektura, širina-globina in ravnotežje med nosilci in modnimi izdelki. Umetna inteligenca je dober partner pri risanju v tej konfiguraciji: ustvarja scenarije distribucije, prikazuje vrzeli, gradi matriko. Vendar ne pozna podatkov o vaši dejanski prodaji, marži, zmogljivosti in MOQ; Predlaga mešani scenarij zagona. Postopek je določitev cilja, vzpostavitev okostja kategorije, umestitev cenovne arhitekture, dodelitev širine in globine ter preverjanje z analizo vrzeli. Umetna inteligenca naredi ravnovesje vidno, vaši podatki ga vzpostavijo.
Aplikacijska naloga
Izberite izmišljeno ali resnično znamko za sezono. (1) Zapišite cilje (količina, prednostna kategorija, cenovni razred). (2) Izdelajte distribucijo z "orisom okostja kategorije" (po potrebi navedite anonimno stopnjo prodaje). (3) Distribuirajte izdelke na cenovne ravni z "distributerjem cenovne arhitekture". (4) Odstranite manjkajoče/odvečno z "analizo vrzeli". (5) Prilagodite barvno globino glede na MOQ z "Colorway compensator" in zapišite, katero vrstico ste nadomestili z resničnimi podatki iz predloga umetne inteligence in zakaj.
kontrolni seznam
- [ ] Preveril sem ravnotežje kategorije z lastnim prodajnim vzorcem.
- [ ] Pri cenovni arhitekturi sem upošteval možnost stranke in maržo.
- [ ] Analizo vrzeli sem potrdil s podatki o prodaji.
- [ ] Globino barve sem uravnotežil z MOQ in hitrostjo prodaje.
- [ ] Linijski načrt sem obravnaval kot scenarij v živo, ne kot dokončanega.
- [ ] Odločitev o končni mešanici izdelkov sem sprejel kot človek z resničnimi podatki.