Hoe AI Schoenen Retourpercentages Kan Verminderen en Detailhandelswinstvermogen Kan Verhogen

Kerstmis komt eraan, en detailhandelaren worstelen al om aan de vraag te voldoen door de duurzame impact van de pandemie op toeleveringsketens. Naarmate we het einde van het jaar naderen, wanneer feestverkoop en winkelen heersen, moeten bedrijven proactieve strategieën implementeren die voorraad maximaliseren, of anders het gezicht zien van marge-vernietigende voorraadafwegingen. Kunstmatige intelligentie kan een oplossing bieden.

Het schoenensegment van detailhandel presenteert unieke uitdagingen voor voorraadbheer, vanwege kwesties van maatvariabiliteit en retourpatronen. AI kan transformeren hoe schoenenbedrijven deze uitdagingen oplossen door hen te helpen voorraad te managen, marktvraag te voorspellen en winstmarges te monitoren.

Als voorspelling een puzzel was, zou verkoopvoorspelling de randstukjes maken en retourvoorspelling het centrum. U kunt geen uitgebreide foto van detailhandelvoorspelling hebben zonder zowel verkoop- als retourdata. Helaas anticiperen de meeste voorspellingssystemen verkoop en verwaarlozen retourneren, waarschijnlijk omdat retouranalyse veel complexer is.

Voor schoenenbedrijven vooral, waar retourpercentages zo hoog als 40% waren voor de pandemie, presenteert verkoopvoorspelling alleen een extreem beperkt beeld van de algehele activiteit van een bedrijf. Sinds de 2020 lockdowns zijn online verkopen en retourneren alleen toegenomen.

Sommige schoenenbedrijven realiseren een specifieke trend in consumentengedrag: Klanten kopen drie paren schoenen in verschillende maten zodat ze ze thuis kunnen passen en de twee die niet passen retourneren. Dit is een enorme winstdoder, omdat schoenen detailhandelaren vaak wat teruggekeerd is van een online aankoop niet zo gemakkelijk kunnen herverkopen als een winkel aankoop, waar schoenenpassen plaatsvindt in een meer gecontroleerde omgeving. Retouren kunnen ook zijn door verschillen in kleuren of stijlen als, zum voorbeeld, de koper niet denkt dat de schoen er in persoon hetzelfde uitziet als online.

Om deze trend te navigeren, hebben winkels begonnen 'open-box' schoenen tegen een gekorte prijs te herverkopen. Terwijl deze strategie heeft geholpen om het bloedende winst te stuiten, moeten retourneren en kortingen allemaal meegerekend worden in een hoogst complexe wiskundige vergelijking, wat het bijna onmogelijk maakt om het grotere voorraadsplaatje te begrijpen.

Hier kan AI het spel veranderen. Alle detailhandelaren hebben nauwkeurige voorspellingen nodig gebaseerd op beschikbare data om de prestaties van elk detailhandelkanaal te voorspellen en te plannen, of het nu online, in-winkel of een gemengde buy online, pickup in store (BOPIS) verkoop is. Dit is een ongelooflijke rijkdom aan data om te managen, maar AI kan het proces vereenvoudigen door voorraad inzichten te leveren en te interpreteren tot op winkel, SKU, maat, kleur en stijl niveau. Alleen met deze graad van gedetailleerde informatie zullen schoenenbedrijven in staat zijn om nauwkeurige voorspellingen te maken over verkopen en retourneren, en voorraad dienovereenkomstig te plannen.

Maatoptimalisatie Bepalen met AI

Maatoptimalisatie is een kritisch component van de schoenenindustrie, maar veel detailhandelaren hebben de tools niet om geïnformeerde beslissingen te nemen. Een enkele stijl schoen kan in zo veel als 15 maten komen, soms meer. En wanneer klanten meer maten kopen dan ze uiteindelijk zullen houden, worden voorspellingen nog meer gecompliceerd.

AI kan kritische data uit meerdere bronnen halen, niet alleen historische verkopen, om detailhandelaren te helpen bepalen welke maten meer of minder op voorraad te hebben. AI-gegenereerde voorspellingen worden verder verbeterd met machine learning, wat slimmer wordt over tijd dankzij nieuwe data en bijgewerkte informatie. De beste AI voorspellingssystemen geven nauwkeurigere voorspellingen, omdat ze constant leren van het resultaat van elke voorspelling en zich dienovereenkomstig aanpassen voor nog grotere nauwkeurigheid. Ideaal, voor een detailhandelaar zou dit resulteren in geautomatiseerde, 'no touch' vraagvoorspelling, wat menselijke planners meer tijd geeft om te focussen op de uitzonderingen.

Toeleveringsketensvertragingen hebben een sleutel in het wiel gegooid van heraanvullingsplanning. Meeste merchandisers voorspellen welke en hoeveel producten ze vroeg in het seizoen zullen verkopen, en maken een langetermijnplan gebaseerd op deze voorspelling. Zonder gedetailleerde, real-time voorspelling, met name in het gezicht van toeleveringsketensvolatiliteit, kunnen deze vroege voorspellingen een gokje zijn op het beste.

AI biedt gedetailleerde inzichten in verkopen, en kan detailhandelaren helpen hun pre-seizoen allocatiestrategie te optimaliseren. Bedrijven kunnen dan aankooptrends en patronen bepalen, voorraad analyseren en daadwerkelijke verkopen en retourneren incorporeren om nauwkeurigere in-seizoen voorspellingen te maken.

Met AI kunnen detailhandelaren deze informatie in real-time krijgen zodat ze prompt kunnen handelen, in plaats van te wachten of bewegingen te maken op basis van verouderde informatie. Met inzichten in week-voor-week verkopen, kunnen detailhandelaren een meer proactieve benadering nemen tot heraanvulling. Ze zullen in staat zijn om te bepalen wat te heraanvullen, wat uitverkocht kan raken en het retourpercentage op een gegeven product. Op deze manier wordt detailhandel heraanvulling getransformeerd, en marges uitgebreid voor betere winsten.

Een Winkel-Voor-Winkel Benadering

Om te bloeien en te groeien in deze post-pandemie winkelomgeving, moeten schoenen detailhandelaren een winkel-voor-winkel benadering nemen bij het bepalen van een voorspelling, allocatie en heraanvullingsstrategie. Detailhandelaren kunnen niet simpelweg vertrouwen op vorig jaars data, regionale data of overkoepelende voorspellingen; ze moeten granulare niveaus van inzichten incorporeren die data-gedreven en bruikbare aanbevelingen genereren. Lichte verschillen in demografie kunnen significant impact welke maten en stijlen populairder zullen zijn in een gegeven regio op een gegeven tijd.

Dit klinkt misschien ontmutend voor schoenen detailhandelaren met meerdere winkels door het land of de wereld, maar AI maakt het proces haalbaar door de dataverzameling en modellering te automatiseren. Detailhandelaren kunnen meer tijd besteden aan het maken van nauwkeurige voorspellingen en stappen ondernemen op basis van betrouwbare data, in plaats van voorspellingen te maken op basis van geëducierde gokjes.

Veel industrieën, van detailhandel tot mode tot voedsel, hebben veel te lang reactieve benaderingen genomen voor voorraaddetailhandelstrategieën. We hebben de technologie en tools om nauwkeurige voorspellingen te maken en winsten te maximaliseren in tijden van extreme marktvolatiliteit. Het is tijd voor detailhandelaren om te investeren in een wetenschappelijke methodologie en AI-aangedreven, omnichannel-gefocuste strategieën die voorspelling, allocatie en heraanvulling 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.