دو گزارش معمولاً روی میز دو مدیر مختلف می‌روند و کسی آن‌ها را کنار هم نمی‌گذارد: فهرست کالاهایی که در ساعت شلوغی تمام شده‌اند و فهرست کالاهایی که ماه‌هاست در انبار مانده‌اند. اولی را واحد فروش می‌بیند و دومی را واحد تأمین؛ اما هر دو یک ریشه دارند و آن پیش‌بینی نادرست تقاضاست.

خرده‌فروشی سال‌ها این دو را با تجربه و حافظهٔ فروشنده مدیریت کرده است. مشکل زمانی آغاز می‌شود که تعداد کدهای کالا از چند صد بگذرد و تصمیم برای هر کالا در هر شعبه گرفته شود؛ در این مقیاس، حافظهٔ انسانی دیگر ابزار مناسبی نیست.

سه کاربردی که بیشترین اثر را دارند

• پیشنهاد متناسب: نمایش کالایی که برای همین مشتری و همین سبد معنا دارد، نه پرفروش‌ترین کالای کل فروشگاه.
• پیش‌بینی تقاضا در سطح کالا و شعبه: برآورد جداگانه برای هر ترکیب، به‌جای یک عدد کلی برای همهٔ نقاط فروش.
• تحلیل سبد خرید: کشف اقلامی که با هم خریده می‌شوند و بازچینش قفسه و بسته‌های پیشنهادی بر همان اساس.

چرا پیشنهاد و موجودی یک مسئله‌اند

در بسیاری از سازمان‌ها این دو پروژهٔ جدا تعریف می‌شوند و همین منشأ شکست است. اگر سامانهٔ پیشنهاددهنده کالایی را تبلیغ کند که تأمینش سه هفته طول می‌کشد، نتیجه‌اش مشتری ناراضی است نه فروش بیشتر. برعکس، اگر مدل تقاضا از کمپین‌های فروش بی‌خبر باشد، رشد ناگهانی را نویز تلقی می‌کند و انبار را خالی می‌گذارد. این دو باید یک منبع دادهٔ مشترک و یک مالک تصمیم داشته باشند.

آنچه پیش از هر مدلی باید درست باشد

کیفیت خروجی این‌جا بیش از هر چیز به یکدست بودن دادهٔ کالا وابسته است. اگر یک محصول با سه کد و دو نام متفاوت در سامانه ثبت شده باشد، هیچ مدلی نمی‌تواند تقاضایش را درست جمع بزند. مرجوعی‌ها، تخفیف‌ها و روزهای ناموجودی هم باید در داده دیده شوند؛ فروش صفر در روزی که کالا موجود نبوده به معنای نبود تقاضا نیست، و مدلی که این تفاوت را نفهمد، کم‌فروشی را برای همیشه در پیش‌بینی خود تثبیت می‌کند.

چرا برای خرده‌فروشی ایران اهمیت دارد

تغییر مکرر قیمت و بی‌ثباتی تأمین، برآورد ذهنی را دشوارتر از بازارهای باثبات می‌کند. مدل تقاضا در چنین شرایطی باید اثر قیمت را از اثر فصل و کمپین جدا کند تا مقدار واقعی سفارش روشن شود. سرمایه‌ای که در کالای کم‌گردش خوابیده در فضای تورمی گران‌تر هم تمام می‌شود، و همین موضوع بازگشت سرمایهٔ چنین پروژه‌هایی را ملموس‌تر از بسیاری ابتکارهای دیگر می‌کند.

۹۰ روز نخست

• روز ۱ تا ۳۰: یک دستهٔ کالای پرگردش را انتخاب و فهرست کالا را یکدست کنید؛ کد تکراری و نام‌های متفاوت را ادغام کنید.
• روز ۳۰ تا ۶۰: مدل تقاضا را روی همان دسته بسازید و پیش‌بینی‌اش را با سفارش واقعی خریدار مقایسه کنید، بدون آنکه هنوز جای تصمیم او را بگیرد.
• روز ۶۰ تا ۹۰: اگر خطای پیش‌بینی کمتر از روش فعلی بود، دامنه را به دستهٔ بعدی ببرید و پیشنهاددهنده را روی همان اقلام فعال کنید.

خطاهای پرتکرار

• سنجیدن موفقیت با نرخ کلیک روی پیشنهاد؛ معیار درست، افزایش ارزش سبد و حاشیهٔ سود است نه توجه لحظه‌ای مشتری.
• پیشنهاد کالایی که موجود نیست یا حاشیهٔ سودش منفی است؛ سامانه باید قید موجودی و سودآوری را ببیند.
• آموزش مدل روی دادهٔ فروش بدون در نظر گرفتن روزهای ناموجودی و تخفیف‌های گذشته.
• یکسان گرفتن رفتار شعبه‌ها؛ الگوی تقاضا در دو محله می‌تواند به‌کلی متفاوت باشد.

سه اقدام برای همین فصل

• یکدست‌سازی فهرست کالا را شروع کنید؛ این کار بیشترین اثر را دارد و به هیچ مدلی نیاز ندارد.
• خطای پیش‌بینی فعلی خود را اندازه بگیرید تا مبنایی برای مقایسه داشته باشید.
• یک شاخص واحد برای فروش و تأمین تعریف کنید تا هر دو واحد یک هدف را دنبال کنند.

پرسش‌های پرتکرار

• برای شروع چند ماه دادهٔ فروش لازم است؟
  برای دیدن الگوی فصلی معمولاً دست‌کم یک دورهٔ کامل سالانه لازم است، اما برای اقلام پرگردش با داده‌های کوتاه‌تر هم می‌توان کار را آغاز کرد.
• فروشگاه کوچک هم به این ابزارها نیاز دارد؟
  هر جا تعداد کدهای کالا از توان مرور ذهنی فراتر رفته باشد، بله. مقیاس فروشگاه تعیین‌کننده نیست، تنوع کالا تعیین‌کننده است.
• شخصی‌سازی با حریم خصوصی مشتری چه نسبتی دارد؟
  بیشتر ارزش با دادهٔ رفتار خرید و بدون اطلاعات هویتی حاصل می‌شود؛ سیاست نگهداری و حذف داده را از روز اول مکتوب کنید.

جمع‌بندی

قفسهٔ خالی و انبار راکد دو نشانه از یک ضعف‌اند: نبود برآورد قابل اتکا از تقاضا. اصلاح آن با یک دستهٔ کالا و یک شاخص روشن آغاز می‌شود، و اثرش پیش از آنکه در گزارش فروش دیده شود، در گردش موجودی خود را نشان می‌دهد.

واژه‌نامه

• کد کالا: شناسهٔ یکتای هر محصول که مبنای همهٔ تحلیل‌های فروش و موجودی است.
• پیش‌بینی تقاضا: برآورد مقدار فروش آینده بر پایهٔ فروش گذشته، فصل و قیمت.
• تحلیل سبد خرید: شناسایی کالاهایی که مشتریان معمولاً با هم می‌خرند.
• ناموجودی: نبود کالا در لحظهٔ تقاضا؛ فروش ازدست‌رفته‌ای که در گزارش فروش دیده نمی‌شود.
• گردش موجودی: سرعت تبدیل شدن انبار به فروش در یک بازهٔ زمانی.
• خطای پیش‌بینی: فاصلهٔ میان مقدار پیش‌بینی‌شده و فروش واقعی.

اقدام این هفته

این هفته، یک دسته‌کالای پرگردش را انتخاب کنید و فهرست کالای آن را یکدست کنید: کدهای تکراری را ادغام، نام‌های متفاوت را یکسان و واحدهای اندازه‌گیری را هماهنگ کنید. سپس، برای همین دسته، خطای پیش‌بینی فعلی خود را اندازه بگیرید — یعنی تفاوت بین مقدار سفارش‌گذاری‌شده و فروش واقعی در ماه گذشته را محاسبه کنید. این دو اقدام پایه‌ای، بدون نیاز به هیچ مدلی، مبنای مقایسه را برای سنجش اثربخشی مدل‌های آینده فراهم می‌کند و با صرف حداکثر دو تا سه ساعت کار متمرکز در این هفته قابل انجام است.

منابع

• چگونه خرده‌فروشان می‌توانند از هوش مصنوعی برای بهبود پیش‌بینی تقاضا استفاده کنند — هاروارد بیزینس ریویو
• هوش مصنوعی در خرده‌فروشی: اکنون و اینجا — مکنزی
• پنج راه برتر استفاده خرده‌فروشان از هوش مصنوعی — فوربس
• چگونه هوش مصنوعی مدیریت موجودی را متحول می‌کند — Retail Dive