نشانه گذاری: از توصیفی تا تجویز

  • 2022-06-7

3 رویکرد تحلیلی برای ارزش نجات و جلوگیری از زباله

توصیفی ، پیش بینی و تجویز: 3 رویکردی که می توانید برای حل هر مشکل تجاری با استفاده از تجزیه و تحلیل استفاده کنید. به عنوان مثال نشانه گذاری.

مارک های بزرگ بزرگ هستند: با موجودی اضافی چه کار کنیم؟

برخی از آمار مربوط به قطعه اخیر من: بیش از 2 تریلیون دلار موجودی موجودی در ایالات متحده - 2،040 میلیارد دلار - 1. 43 دلار موجودی برای هر 1 دلار فروش. بنابراین با 43 ٪ موجودی اضافی ، چه زمانی که به پایان عمر برسد ، چه باید کرد؟

هنگامی که یک محصول احتمال فروش خود را از بین می برد ، نشان دادن قیمت آن یک رویکرد معقول برای تلاش و پاک کردن موجودی باقیمانده است: ارزش نجات ، جلوگیری از زباله.

3 رویکرد گسترده برای نشانه گذاری وجود دارد که سه استراتژی اصلی را برای تجزیه و تحلیل نشان می دهد: توصیفی ، پیش بینی و تجویز. قبل از رفتن به جزئیات ، کمی زمینه.

متن: هرم محصول

مانند هر مشکل تحلیلی محصول محور ، مارک های مارک نیاز به پیمایش در مورد سلسله مراتب پیچیده محصول و استفاده از رویکرد مناسب در هر سطح دارند.

نمونه ای از Peramid Product ممکن است مانند موارد زیر به نظر برسد ، به عنوان مثال شرکت به نام شبکه رویداد ، اپراتور پیشرو خرده فروشی تجربی در آمریکای شمالی: فروشگاه هایی در جاذبه های فرهنگی نمادین و تنظیمات سبک زندگی در سراسر ایالات متحده و کانادا به عنوان مثال. موزه ها ، باغ وحش ها ، آکواریوم ها.

سطوح مختلف هرم محصول نیاز به رویکردهای مختلف پیش بینی دارد.

به عنوان مثال ، در پایین ترین سطح محصولات خاص ، یا واحدهای نگهدارنده سهام (به طور خلاصه ، SKU): یک تی شرت سبز به اندازه S با چاپ زرد سانفرانسیسکو. می دانم ، این یک پالت عجیب و غریب است ، شاید به دنبال یک SKU دیگری بروید؟کاپوت خاکستری به اندازه M با چاپ آبی. خوب ، شما این ایده را می گیرید.

در این سطح گرانول ، فروش نسبتاً نادر است و بنابراین پیش بینی دقیق لازم خواهد بود. با بالا رفتن از هرم محصول ، فروش جمع شده بیشتر است و بنابراین می توان از روشهای پیش بینی جمع شده استفاده کرد.

در پایان ، تمام روش ها باید مطابقت داشته باشند ، به طوری که جمع قسمت های بلند با کل ، به عنوان مثالمبلغ پیش بینی باید با مجموع پیش بینی ها مطابقت داشته باشد.

خلاصه بصری زیر را برای مرجع مشاهده کنید:

3 رویکرد به نشانه گذاری

شما می توانید از سه رویکرد برای تنظیم مارک های بهینه در هنگام پیمایش پیچیدگی هرم محصول ، با استفاده از مقادیر مختلف و انواع داده ها استفاده کنید:

  • توصیفی: فقط با استفاده از داده های تاریخی
  • پیش بینی: با استفاده از داده های کششی قیمت
  • تجویز: استفاده از داده های هرچه بیشتر ممکن است.

هر رویکرد به مقادیر مختلفی از داده ها ، فرآیندهای تجاری و استراتژی دوره تحلیلی نیاز دارد.

رویکرد توصیفی برای ساخت و نگهداری نسبتاً ساده است ، به داده های بسیار کمی نیاز دارد. جای تعجب نیست که این رویکرد فقط اجازه می دهد تا توصیه های از بالا به پایین ارائه شود و بنابراین نسبتاً ناکارآمد است ، همانطور که در زیر نشان می دهم.

از طرف دیگر طیف ، رویکرد تجویز ساخت و نگهداری نسبتاً سخت تر است و به مجموعه داده های بسیار بیشتری نیاز دارد. با این حال ، این رویکرد اجازه می دهد تا توصیه های کاملاً از پایین به بالا را ارائه دهد ، و می تواند سود مالی قابل توجهی را ارائه دهد.

رویکرد توصیفی جایی در وسط است ، همانطور که بعداً نشان خواهم داد.

بنابراین بگذارید ابتدا با رویکرد پایه شروع کنم: توصیفی!

رویکرد شماره 1: نشانه های توصیفی

اولین و همچنین صریح ترین رویکرد ، برای انتخاب محصولات برای علامت گذاری به یک قانون ساده از یک انگشت شست:

محصولات تخفیف با موجودی زیادی در مقایسه با فروش.

شهود استفاده از نسبت پوشش یا روزهای موجودی به عنوان پروکسی برای اندازه مشکل است. مراحل محاسبه:

  1. فروش تاریخی یک محصول: به عنوان مثال ، 100 قطعه در ماه
  2. موجودی در دست: به عنوان مثال ، 1000 قطعه
  3. نسبت پوشش ، به عنوان مثال10 ماه در این مورد: 1000/100 → 10 ماه طول خواهد کشید ، اگر فروش به طور میانگین تاریخی آنها ادامه یابد ، فروش موجودی فعلی را به فروش می رساند
  4. بودجه علامت گذاری برای هر محصول هزینه شده = EXPREAT ٪ تخفیف X واحد هزینه موجودی x تعداد قطعات موجودی در دست. مثالی را در زیر بخوانید.
  5. رتبه بندی SKU: از بالاترین پوشش به سمت پایین.

در این مرحله ، اولین محصولات N را انتخاب کنید تا کل بودجه علامت گذاری در دسترس صرف شود!

مثال ساده ای از بودجه علامت گذاری برای یک محصول:

  • 20 ٪ تخفیف داشت ؛اکنون به 50 ٪ تخفیف می روید ، بنابراین 30 ٪ تخفیف اضافی
  • 10 دلار هزینه موجودی
  • 10K قطعات موجودی به صورت دستی

→ 30K بودجه علامت گذاری هزینه = 30 ٪ x 10 $ 10 10k.

ببینید چگونه این کار می کند؟

SKU ها را به ترتیب نزولی رتبه بندی کنید و راهی آسان برای انتخاب و انتخاب دریافت می کنید: بر اساس ٪ علامت گذاری و بودجه موجود ، می توانید به راحتی تعیین کنید که SKUS به Markdown (کسانی که بالاترین پوشش را دارند).

مزایای :

  • روش ساده قلم و کاغذ ، می توان 100 ٪ در صفحه گسترده مانند Microsoft Excel انجام داد
  • زندگی CFO را آسان می کند ، زیرا 100 ٪ اطمینان نسبت به بودجه صرف شده وجود دارد ، که در واقع تصمیم آنها برای شروع بود!
  • ریشه در حقایق عینی ساده در مورد موجودی و فروش که هر کسی می تواند به راحتی درک کند.

مضرات:

  • کاملاً بدون نتیجه: هیچ تضمینی برای تأثیر، یا تسریع فروش یا بازگشت سرمایه وجود ندارد زیرا ممکن است محصولات به قیمت حساس نباشند.
  • نحوه تأیید اعتبار انتخاب سطح بودجه مشخص نیست، زیرا هیچ نشانه ای از مناسب بودن تعداد محصولات (یا میزان عمق) برای تخفیف وجود ندارد.
  • در نهایت، کهن الگوی یک تصمیم PUSH است که به جای مشتری محوری (PULL) مدیر محور است.

به طور خلاصه، 100% تصمیم فشاری، سازگار با اکسل. هیچ مشکلی با علامت‌گذاری‌های توصیفی وجود ندارد، اما آنقدرها هم عالی نیست. بگذارید آنها مدل پایه ما باشند.

اولین سوال تقریبا واضح و بدون پاسخی که در این مرحله باید به آن پرداخته شود: محصولات چقدر به قیمت حساس هستند؟هنگام علامت گذاری آنها چه شتابی را می توانم انتظار داشته باشم؟

مفهوم کشش قیمت مورد استفاده در نشانه گذاری های پیش بینی را وارد کنید.

رویکرد شماره 2: نشانه گذاری های پیش بینی کننده

تغییر در قیمت، مانند کاهش قیمت، چه تاثیری بر فروش خواهد داشت؟

پاسخ کتاب استفاده از کشش قیمت است: مقاله مرتبط ویکی‌پدیا این موضوع را نسبتاً خوب توضیح می‌دهد، بنابراین دیگر همه چیز را در اینجا تکرار نمی‌کنم.

پروفسور Caro و Gallien در سال 2010 یک مقاله علمی بسیار عالی و رایگان نوشتند که جزئیات رویکرد خرده‌فروشی سریع زارا را به نشانه‌گذاری‌های مبتنی بر کشش، با استفاده از تکنیک‌های مبتنی بر رگرسیون شرح می‌داد.

محصولات تخفیف دار با کشش قیمت بالا.

کشش قیمت چیست؟به طور خلاصه، چند درصد تغییر در فروش می توانم از یک درصد تغییر قیمت معین انتظار داشته باشم؟به عنوان مثال، اگر "کشش قیمت" م ن-2 بود، انتظار می رود که ی ک-10٪ تغییر در قیمت (علامت منفی: تخفیف/کاهش قیمت است) باعث افزایش 20٪ در حجم فروش شود (-10٪ X-2 = +20٪. و غیره.

برای محاسبه این ضریب، یک رویکرد سنتی، اجرای رگرسیون حجم فروش تاریخی بر روی قیمت‌های تاریخی، در سطح مناسبی از دانه‌بندی است. به عنوان مثال: بر اساس طبقه بندی بر اساس فروشگاه در هفته.

بر اساس کشش، اکنون می توانید بازده مورد انتظار را از اعمال هر ٪ نشانه گذاری یا تغییر قیمت محاسبه کنید.

منفعت؟از کاهش قیم ت-10% (به عنوان مثال)، با کشش 2-، حجم فروش 20% افزایش می یابد. بنابراین، اگر 100 واحد را هر کدام به قیمت 10 دلار می فروختید و 1000 دلار درآمد داشتید، اکنون 120 واحد (+20٪) هر کدام را به قیمت 9 دلار (-10٪) می فروشید. بنابراین درآمد جدید شما 1080 دلار خواهد بود، یک سود مثبت +8٪.

قدم زدن در ریاضی همه ترکیبات ممکن با کشش 2-:

این نمودار به زبان ساده نشان می دهد که چگونه می توانید بر اساس تأثیر مورد انتظار، نشانه گذاری بهینه را انتخاب کنید.

  • اگر می خواهید حداکثر درآمدها باشد ، یک علامت گذار ی-35 ٪ بهینه خواهد بود
  • اگر حداکثر حاشیه را می خواهید ، یک علامت گذار ی-15 ٪ بهینه خواهد بود
  • اگر کمی از هر دو می خواهید ، بسته به اهمیت نسبی درآمدها و اهداف حاشیه ، یک علامت گذاری بی ن-15 ٪ و-35 ٪ بهینه خواهد بود.

مشکل این رویکرد این است که در حالی که مقدار T ضرایب از نظر منطقی خوب است (قیمت در واقع بر فروش تأثیر می گذارد) ، R-Squared از مدل چندان خوب نیست.

کشش قیمت حاصل از 0 ، هنگامی که حجم فروش زیاد باشد ، به 0 همگرا می شوند: رگرسیون 1 بعدی حجم در مقابل قیمت بسیار پر سر و صدا است.

بنابراین ، روشی با برخی از مزایا و همچنین برخی از معایب قابل توجه ، در مقایسه با یک مدل توصیفی.

مزایای :

  • روش نسبتاً ساده ، حداقل نسخه ساده آن می تواند تا حدی در صفحه گسترده مانند مایکروسافت اکسل انجام شود
  • راهنمایی می کند که سطح بودجه برای سرمایه گذاری در نشانه گذاری ها و تأثیر مورد انتظار ، بر اساس کشش قیمت تاریخی
  • ریشه در داده های مربوط به حساسیت به قیمت تقاضا ، که باعث افزایش میزان مشتری محور فرآیند می شود.

مضرات:

  • قدرت پیش بینی ضعیف: مربع R از این روش ها نسبتاً ضعیف است ، بنابراین مدل کاملاً مناسب نیست
  • پیش بینی ها فقط در سطوح متوسط تجمع امکان پذیر است ، به عنوان مثالفروشگاه/دسته ، به عنوان خاصیت خاصیت ارتجاعی در سطح کالاها غیرممکن است
  • سیگنال های ورودی محدود ، زیرا قیمت تنها عاملی است که در فروش تأثیر می گذارد ، و قیمت محصول دارای اثرات متقابل به عنوان مثال است. به دلیل آدمخواری.

به طور خلاصه ، یک تصمیم فشار 50-50 ٪ ، تا حدودی دوستانه است. راه بهتر از نشانه های توصیفی ، اما هنوز هم از نظر توانایی راهنمایی تصمیمات محدود است.

سؤال بعدی بدون جواب در این مرحله: چگونه سیگنال های ورودی پیچیده تری را حساب کنیم؟چگونه می توان سیستمی را ساخت که از پتانسیل تأثیر بیشتری برخوردار باشد؟

یادگیری ماشین و نشانه های تجویز را وارد کنید.

رویکرد شماره 3: نشانه های تجویز شده

از آنجا که قیمت ها تنها عاملی نیست که بر فروش تأثیر می گذارد ، مدل های پیش بینی سنتی بر اساس کشش قیمت ، آزمایش صحت را شکست می دهند.

در مورد پرتاب داده های بیشتر در مشکل چیست؟رویکرد تجویز نیاز به استفاده از تکنیک های پیشرفته تر مانند یادگیری ماشین و بهینه سازی خودکار دارد.

محصولات مناسب را در زمان مناسب تخفیف دهید.

هنگام افزودن مجموعه داده ها ، روش های سنتی مانند رگرسیون و سری زمانی ، با چند مجموعه داده اول ، عملکرد اولیه عملکرد را نشان می دهد ، اما پس از اضافه کردن حتی بیشتر ، آنها از مشکلاتی مانند خطی بودن و سر و صدا رنج می برند ، و این باعث می شود که آنها به طور فزاینده ای برای هدف نامناسب باشندواد

به طور خاص ، حداکثر 7 متغیر ، مدل رگرسیون بهتر از یادگیری ماشین است.

هنگامی که حجم و تنوع داده ها افزایش می یابد ، یادگیری ماشین رگرسیون را ضرب می کند و باعث می شود دانه بندی و دقت بیشتری ایجاد شود.

سهم افزایشی مجموعه داده های ورودی اضافی. اعتبار تصویر: قیمت گذاری EVO (CC با انتساب)

از نظر نشانه گذاری ، خطای پیش بینی ٪ هنگام استفاده از رویکرد یادگیری ماشین و در نتیجه مجموعه داده های بزرگتر ، به طور قابل توجهی پایین است.

این به نوبه خود سودهای مالی قابل توجهی را در مقایسه با مدل پایه که همیشه رویکرد ساده و توصیفی است ، باز می کند.

بنابراین ، این رویکرد بیشترین مزایا را ارائه می دهد ، اما همچنین برخی از معایب در مقایسه با دو رویکرد دیگر.

مزایای :

  • عملکرد بهتر: مزایای مالی بیشتر ، دقت ، وسعت سیگنال های ورودی
  • سیستم خودآموزی کاهش ریسک عملیاتی ، سازگاری خودکار توصیه های آینده در صورت انحراف بازار از انتظارات
  • گرایش توصیه ها در سطح SKU/فروشگاه با فرصتی برای ادغام قوانین سفارشی و ورودی انسانی در صورت لزوم.

مضرات:

  • تنظیم نسبتاً پیچیده: برای استفاده از تکنیک های پیشرفته تر به داده ها و تخصص های تخصصی بیشتر نیاز دارید
  • دارایی های داده بسیار بزرگ مورد نیاز برای امکان یادگیری خود و پاسخگویی سریع به شرایط بازار است
  • در نهایت ، یک مدل پیشرفته که در زمینه قابلیت های وسیع تر در سایر فرآیندها ، نه فقط نشانه گذاری ، معنی دارد.

به طور خلاصه ، یک فشار 0 ٪ فشار ، تصمیم خالص. اصلاً دوستانه نیست. بسیار بهتر از هر دو نشانه توصیفی و تجویز ، حتی اگر فقط برای سازمان های آگاه تجزیه و تحلیل مناسب باشد.

مشتری محور از طریق داده ها

در نهایت ، هر اطلاعاتی در مورد مشتری است. چه مستقیم - مانند داده های مربوط به سن مشتری ، جنس و غیره - یا به طور غیر مستقیم - مانند داده های مربوط به آب و هوا ، رقابت و غیره.

داده ها مشتری را به تصمیمات مدیریت روزانه تزریق می کنند.

هرچه از داده های بیشتری استفاده شود ، تصمیمات مدیریتی محور مشتری محور تر است. روشهای تجربی از یادگیری ماشین استفاده می کنند تا بیشترین داده ها را به بهترین شکل ممکن استفاده کنند.

خلاصه: سه رویکرد

شما اکنون سه روش مختلف را برای استفاده از داده ها مشاهده کرده اید: توصیفی ، پیش بینی کننده ، تجویز.

تکامل رویکردهای تجزیه و تحلیل. اعتبار تصویر: قیمت گذاری EVO و neuraldesigner. com (CC با انتساب)

تحول رویکرد شما در مورد تجزیه و تحلیل نیاز به کوشش و دوز خوبی از مشتری محور دارد ، اما در نهایت می تواند میلیون ها دلار در تأثیر روزمره داشته باشد.

ثبت دیدگاه

مجموع دیدگاهها : 0در انتظار بررسی : 0انتشار یافته : ۰
قوانین ارسال دیدگاه
  • دیدگاه های ارسال شده توسط شما، پس از تایید توسط تیم مدیریت در وب منتشر خواهد شد.
  • پیام هایی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
  • پیام هایی که به غیر از زبان فارسی یا غیر مرتبط باشد منتشر نخواهد شد.