AI kan het stijgende rendement in de schoenenindustrie oplossen

Kerstmis komt eraan en retailers hebben al moeite om aan de vraag te voldoen vanwege de blijvende impact van de pandemie op de toeleveringsketens. Nu we het einde van het jaar naderen, wanneer de kerstverkopen en winkelen de boventoon voeren, moeten bedrijven proactieve strategieën implementeren om de voorraad te maximaliseren, anders worden ze geconfronteerd met margeverpletterende leveringsuitdagingen. Kunstmatige intelligentie kan een oplossing bieden.

Het schoenensegment van de detailhandel biedt unieke uitdagingen voor voorraadbeheer, vanwege problemen met de variabiliteit van de maten en retourpatronen. AI kan de manier waarop schoenenbedrijven deze uitdagingen oplossen, transformeren door hen te helpen de voorraad te beheren, de marktvraag te voorspellen en de winstmarges te bewaken.

Als prognoses een puzzel waren, zouden verkoopprognoses de randstukken vormen en zou rendementsprognose het middelpunt vormen. U kunt geen volledig beeld hebben van retailprognoses zonder zowel verkoop- als retourgegevens. Helaas anticiperen de meeste prognosesystemen op verkopen en negeren ze retouren, waarschijnlijk omdat de analyse van retouren veel complexer is.

Vooral voor schoenenbedrijven, waar de retourpercentages vóór de pandemie maar liefst 40% waren, geven verkoopprognoses alleen een extreem beperkt beeld van de algehele activiteit van een bedrijf. Sinds de lockdowns van 2020 zijn de online verkopen en retouren alleen maar toegenomen.

Sommige schoenenbedrijven zien een specifieke trend in consumentengedrag:klanten kopen drie paar schoenen in verschillende maten zodat ze ze thuis kunnen passen en de twee die niet passen kunnen retourneren. Dit is een enorme winstmoordenaar, omdat schoenenretailers vaak niet zo gemakkelijk kunnen doorverkopen wat ze van een online aankoop hebben gekregen als een winkelaankoop, waar het passen van schoenen in een meer gecontroleerde omgeving plaatsvindt. Retourzendingen kunnen ook te wijten zijn aan verschillen in kleuren of stijlen als de koper bijvoorbeeld vindt dat de schoen er niet hetzelfde uitziet als online.

Om deze trend te volgen, zijn winkels begonnen met het doorverkopen van 'open-box'-schoenen tegen een gereduceerde prijs. Hoewel deze strategie heeft geholpen om bloedstollende winsten te stelpen, moeten retouren en kortingen allemaal worden meegenomen in een zeer complexe wiskundige vergelijking, waardoor het bijna onmogelijk is om het grotere voorraadbeeld te begrijpen.

Dit is waar AI het spel kan veranderen. Alle retailers hebben nauwkeurige prognoses nodig op basis van beschikbare gegevens om de prestaties van elk winkelkanaal te voorspellen en te plannen, of het nu gaat om online, in de winkel of een gecombineerde koop online, pick-up in store (BOPIS)-verkoop. Dit is een ongelooflijke schat aan gegevens om te beheren, maar AI kan het proces vereenvoudigen door voorraadinzichten te bieden en te interpreteren tot in de winkel, SKU, grootte, kleur en stijl. Alleen met deze mate van gedetailleerde informatie kunnen schoenenbedrijven nauwkeurige voorspellingen doen over verkoop en retouren en de voorraad dienovereenkomstig plannen.

Optimalisatie van grootte bepalen met AI

Maatoptimalisatie is een cruciaal onderdeel van de schoenenindustrie, maar veel retailers hebben niet de tools die nodig zijn om weloverwogen beslissingen te nemen. Een enkele stijl schoen kan in maar liefst 15 maten komen, soms meer. En wanneer klanten meer maten kopen dan ze uiteindelijk zullen houden, worden voorspellingen des te ingewikkelder.

AI kan kritieke gegevens uit meerdere bronnen halen, niet alleen historische verkopen, om retailers te helpen bepalen welke maten ze meer of minder moeten inslaan. Door AI gegenereerde prognoses worden vervolgens verder verbeterd met machine learning, dat in de loop van de tijd slimmer wordt dankzij nieuwe gegevens en bijgewerkte informatie. De beste AI-voorspellingssystemen geven nauwkeurigere voorspellingen, omdat ze constant leren van het resultaat van elke voorspelling en dienovereenkomstig aanpassen voor nog grotere nauwkeurigheid. Idealiter zou dit voor een detailhandelaar resulteren in geautomatiseerde, 'no touch'-vraagprognoses, waardoor menselijke planners meer tijd hebben om zich op de uitzonderingen te concentreren.

Vertragingen in de toeleveringsketen hebben de bevoorradingsplanning in de war gestuurd. De meeste merchandisers voorspellen welke en hoeveel producten ze vroeg in het seizoen zullen verkopen en maken op basis van deze prognose een langetermijnplan. Zonder gedetailleerde, realtime prognoses, vooral in het licht van de volatiliteit van de toeleveringsketen, kunnen deze vroege voorspellingen op zijn best een gokspel zijn.

AI biedt gedetailleerde inzichten in de verkoop en kan retailers helpen hun toewijzingsstrategie voor het seizoen te optimaliseren. Bedrijven kunnen vervolgens kooptrends en -patronen bepalen, voorraad analyseren en werkelijke verkopen en retouren verwerken om nauwkeurigere voorspellingen voor het seizoen te doen.

Met AI kunnen retailers deze informatie in realtime krijgen, zodat ze snel kunnen handelen, in plaats van te wachten of stappen te ondernemen op basis van verouderde informatie. Met inzicht in de wekelijkse verkoop kunnen retailers een meer proactieve benadering van bevoorrading hanteren. Ze kunnen bepalen wat ze moeten aanvullen, wat mogelijk uitverkocht is en het rendement op een bepaald product. Op deze manier wordt de winkelaanvulling getransformeerd en worden de marges groter voor betere winsten.

Een winkel-voor-winkel-benadering

Om te gedijen en te groeien in deze postpandemische winkelomgeving, moeten schoenenretailers een winkel-voor-winkelbenadering volgen bij het bepalen van een prognose-, toewijzings- en aanvullingsstrategie. Retailers kunnen niet simpelweg vertrouwen op de gegevens van vorig jaar, regionale gegevens of overkoepelende voorspellingen; ze moeten gedetailleerde niveaus van inzichten opnemen die gegevensgestuurde en bruikbare aanbevelingen genereren. Kleine verschillen in demografie kunnen een aanzienlijke invloed hebben op welke maten en stijlen op een bepaald moment populairder zullen zijn dan andere in een bepaalde regio.

Dit klinkt misschien ontmoedigend voor schoenenretailers met meerdere winkels in het hele land of de wereld, maar AI maakt het proces haalbaar door de gegevensverzameling en -modellering te automatiseren. Retailers kunnen meer tijd besteden aan het maken van nauwkeurige prognoses en het nemen van stappen op basis van betrouwbare gegevens, in plaats van voorspellingen te doen op basis van weloverwogen gissingen.

Veel industrieën, van detailhandel tot mode tot voedsel, hebben veel te lang een reactieve benadering gevolgd van strategieën voor voorraadverkoop. We hebben de technologie en tools om nauwkeurige voorspellingen te doen en de winst te maximaliseren in tijden van extreme marktvolatiliteit. Het is tijd voor retailers om te investeren in een wetenschappelijke methodologie en AI-aangedreven, omnichannel-gerichte strategieën die prognoses, toewijzing en aanvulling nauwkeuriger en effectiever maken. AI maakt dit mogelijk en het wordt elke dag slimmer.

Yogesh Kulkarni is co-chief executive officer van antuit.ai , onderdeel van Zebra Technologies .