Methoden voor bijvullen

De uitdaging aangaan van het bijvullen van producten in winkels

Het is algemeen bekend dat productbeschikbaarheid cruciaal is in winkels. Om een perfecte beschikbaarheid te garanderen, heeft een aanzienlijk aantal mode- en kledingretailers al RFID-technologie geïmplementeerd of overweegt dit te gaan doen. De meeste van deze oplossingen lossen echter slechts een deel van de uitdaging op het gebied van productbeschikbaarheid op: de DC-to-store replenishment. Dat betekent dat het product nu gegarandeerd in de juiste winkel ligt, maar niet per se op de verkoopvloer en dus niet gemakkelijk toegankelijk is voor klanten. Zo'n item wordt gewoonlijk een NOSBOS-item genoemd - een item dat "niet op de plank maar op voorraad is (Not On Shelf But On Stock)".

In dit blog zullen we kort de bestaande methoden beschrijven om ontbrekende items aan te vullen (en NOSBOS te verminderen) en vervolgens drie meer geavanceerde methoden bespreken om te garanderen dat de voorraad niet achter in de voorraad ligt, maar daadwerkelijk op de verkoopvloer ligt.

Traditionele hervulmethoden

1. Handmatige / visuele controles

Bij de eerste methode gaat een winkelmedewerker met een stuk papier en een pen de winkel rond, noteert welke maten van welke producten er op de verkoopvloer ontbreken, en haalt deze vervolgens uit het magazijn.

2. POS-transacties

De tweede methode is gebaseerd op verkooptransacties. Met regelmatige tussenpozen wordt een lijst met alle POS-transacties afgedrukt en kunnen de verkochte artikelen worden bijgevuld vanuit het magazijn. Beide methoden zijn echter zeer tijdrovend en gebrekkig. De eerste methode vereist dat winkelmedewerkers zeer nauwkeurig zijn in het vinden van welke maten niet of niet meer op de verkoopvloer aanwezig zijn, terwijl dit een behoorlijk ontmoedigende taak is voor zelfs de meest ervaren en gedisciplineerde medewerkers. Bovendien, als de lijst eindelijk compleet is, is er om te beginnen geen garantie dat de ontbrekende maat ook daadwerkelijk beschikbaar is in de voorraadkamer. Het artikel is mogelijk niet op voorraad, waardoor het hele vulproces erg inefficiënt is en hoogstwaarschijnlijk niet erg bevredigend voor het winkelpersoneel.

De tweede methode op basis van POS-transacties houdt geen rekening met eventuele bijvullingen die gedurende de dag hebben plaatsgevonden (bijv. wanneer een artikel al handmatig werd bijgevuld vanuit de voorraadkamer) en artikelen die de winkel verlaten op een andere manier dan via de POS (bijv. gestolen items) zullen nooit worden bijgevuld. Net als de eerste methode, houdt deze methode ook geen rekening met items die niet op voorraad zijn in de voorraadkamer, wat leidt tot inefficiënties, omdat winkelmedewerkers zoeken naar ontbrekende items in de voorraadkamer. Vanwege deze gebreken en nieuwe technologische ontwikkelingen worden deze traditionele methoden steeds vaker vervangen door meer geavanceerde hervulmethoden. Maar wat zijn de voor- en nadelen van deze nieuwe methoden?

Nieuwe vulmethoden

1. Volledige lijst met verschillen: verkoopvloer vs. voorraadruimte

Met RFID is het mogelijk om voorraad op de verkoopvloer te onderscheiden van voorraad in de voorraadruimte. Op basis van de RFID-telling per sublocatie kunnen retailers eenvoudig een volledige lijst maken en beginnen met bijvullen. Helaas is de realiteit een stuk gecompliceerder. Waarom is dat? Kortom, omdat er een veelvoud aan redenen kan zijn waarom een artikel niet op de verkoopvloer mag of mag worden getoond, zoals:

Daarom is deze ‘naïeve’ benadering, waarbij je simpelweg stelt dat elk product dat volgens de RFID-telling aanwezig is in de voorraadruimte en ontbreekt op de verkoopvloer, opnieuw gevuld moet worden, ook gebrekkig. Na elke RFID-telling krijgt u een lange lijst met veel irrelevante resultaten ... week na week na week. Dit maakt deze bijvulmethode ook erg inefficiënt omdat winkelmedewerkers veel tijd moeten besteden om erachter te komen welke resultaten op de lijst relevant zijn en welke niet.

2. Bouw een schappenplan

Om het hierboven beschreven probleem te omzeilen, kunnen winkeliers werken met een schappenplan dat elk item een vooraf toegewezen positie op een specifiek schap geeft. Het enige dat winkelmedewerkers hoeven te doen, is het schappenplan te nemen en de ontbrekende plekken opnieuw te vullen. Wat in eerste instantie logisch klinkt, is een behoorlijke uitdaging.

De grootste uitdaging is dat een schappenplan per definitie verschilt van winkel tot winkel. Grotere winkels hebben meer variëteiten dan kleinere winkels, en zelfs binnen die categorieën kunnen er variaties zijn. Verschillende landen zullen verschillende producten aanbieden, maar ook verschillende maten tonen om in te spelen op variaties in klantmaten.

Om het nog erger te maken, zal dit in de loop van de tijd verschillen: van week tot week, of zelfs van dag tot dag - afhankelijk van het weer. Zelfs als u voor elke winkel een schappenplan zou kunnen specificeren, zal het na verloop van tijd verouderd zijn omdat mode tijdsafhankelijk is.

Kortom, het bijhouden van een schappenplan dat zo flexibel is, is een buitengewoon uitdagende klus. De inspanningen die nodig zijn om een fatsoenlijk schappenplan te behouden dat voor verschillende winkels werkt, wegen zwaarder dan de voordelen van het gebruik ervan voor een nieuwe vulling.

3. Gebruik algoritmen en machine learning

Het gebruik van algoritmen en machine learning is de afgelopen jaren steeds populairder geworden. De belangrijkste reden is dat machine learning ongelooflijk krachtig is om voorspellingen of berekende suggesties te doen op basis van grote hoeveelheden gegevens. Enkele van de meest voorkomende voorbeelden zijn de algoritmen van Netflix om filmsuggesties te doen op basis van films die je in het verleden hebt bekeken, of de algoritmen van Amazon die boeken aanbevelen op basis van boeken die je eerder hebt gekocht.

Maar hoe kan machine learning worden gebruikt om een navuloplossing voor winkels te bouwen? Op basis van bestaande en historische voorraadniveaus kunnen algoritmen leren welke product / maatcombinaties het belangrijkst zijn op de verkoopvloer en welke niet belangrijk zijn op de verkoopvloer. Met deze inzichten is het mogelijk om per winkel een prioriteitenlijst te maken, die kan worden gematcht met de RFID-voorraadgegevens van zowel de voorraadruimte als de verkoopvloer. De resultaten kunnen vervolgens worden gepresenteerd in een geprioriteerde lijst met ‘bijvulsuggesties’.

Door algoritmen en machine learning te gebruiken, wordt bijvullen een veel sneller en effectiever proces, omdat winkelmedewerkers er zeker van kunnen zijn dat de items op de lijst 'suggesties voor bijvullen' items zijn die a) beschikbaar in de voorraadkamer en b) zijn (hoogstwaarschijnlijk) bedoeld om op de verkoopvloer te zijn. Hoewel deze methode de efficiëntie en effectiviteit kan verhogen, is het belangrijk op te merken dat er natuurlijk nog steeds een ‘menselijke controle’ nodig is, omdat machines nooit met alle uitzonderingen rekening kunnen houden.

Aanpak en resultaten

Op basis van het bovenstaande concept van het toepassen van machine learning, hebben we een navulfunctie gebouwd die volledig is geïntegreerd in de iD Cloud-app. Deze app wordt ook gebruikt voor alle andere RFID-taken in de winkel, zoals tellen, nieuwe labels programmeren, etc.

Direct na de RFID-voorraad per sublocatie presenteert iD Cloud een ‘Refill-suggesties’-lijst, die winkelmedewerkers kunnen gebruiken om te beslissen wat ze moeten bijvullen. Dat betekent dat winkelmedewerkers nu één enkele weergave hebben, die zowel de huidige status van de verkoopvloer als de voorraadruimte weergeeft. Om het winkelpersoneel nog overzichtelijker te maken, zijn er ook foto's van de producten bijgevoegd, waardoor zelfs een nieuw personeelslid het bijvullen effectief kan uitvoeren.

Deze methodologie is beproefd en getest bij verschillende kledingretailers in een aanzienlijk aantal winkels. Op basis van deze studie werden de volgende resultaten behaald:

  1. De on-shelf beschikbaarheid voor de drie meest verkochte maten verbeterde (gemiddeld) van 88% naar meer dan 98% in een kwestie van weken.
  2. Winkelmedewerkers besteedden 55% minder tijd aan het bijvullen, omdat ze direct weten wat er kan worden bijgevuld en gegarandeerd de artikelen op voorraad vinden die worden voorgesteld op de bijvullijst.

De bovenstaande resultaten laten zien dat de lijst ‘suggesties voor bijvullen’ een uiterst waardevol hulpmiddel is voor winkelmedewerkers om de beschikbaarheid van producten op de verkoopvloer voor hun klanten te garanderen. Dit leidt op zijn beurt tot zachte en harde voordelen, zoals:

  1. Het is bewezen dat een toename van de beschikbaarheid in de schappen resulteert in meer verkopen.
  2. Door saai werk weg te nemen,zijn winkelmedewerkers gelukkiger en hebben ze meer tijd om klanten te bedienen.

Conclusie

Het hebben van perfect gevulde schappen is een van de grootste uitdagingen voor winkels, omdat het navullen van de juiste artikelen een behoorlijke uitdaging kan zijn. In deze whitepaper hebben we verschillende methoden bekeken om dit op te lossen en kwamen we tot de conclusie dat bijvullen op basis van visuele controles, POS-transacties en schappenplannen leidt tot inefficiënties en verre van perfecte resultaten.

Met navullen op basis van RFID zou je een veel beter resultaat verwachten, maar een compleet overzicht van alle verschillen tussen de verkoopvloer en de voorraadruimte ziet er pas op het eerste gezicht geweldig uit. In de praktijk leidt deze ‘naïeve’ methode ook tot een inefficiënte navulmethode, omdat het resulteert in zeer lange navullijsten met veel irrelevante resultaten.

Hier leveren RFID-tellingen in combinatie met algoritmen en machine learning veel zinvollere resultaten op. Er is natuurlijk altijd een ‘menselijke factor’ bij betrokken. Uiteindelijk moeten de winkelmedewerkers nog moeite doen om opnieuw te vullen. De eerste resultaten bewijzen echter dat het werken met een geprioriteerde lijst met ‘refill-suggesties’ veelbelovende resultaten oplevert, omdat dit hervulproces sneller verloopt, de beschikbaarheid op de plank beter is en zelfs resulteert in een omzetstijging dankzij de verbeterde beschikbaarheid.