すべての店舗に1つのアソートメントは適合しません
小売チェーンは歴史的にアソートメントを標準化しており、ほぼ同じ商品をすべての店舗に送り込んできました。このアプローチは仕入れ、配送、マーケティングを簡素化しますが、富裕層の都市部の近隣にある店舗が、節約志向の郊外地域の店舗と同じ商品を扱うことを意味します。その結果、需要のミスマッチが発生します。一部の商品はある店舗ではよく売れ、他の店舗では棚で埃をかぶります。
各店舗の特定の顧客基盤と競合環境に合わせて商品ミックスを調整するローカライズされたアソートメント最適化は、理論的には常に良いアイデアでした。実際には、ほとんどの小売業者にとって実行するには複雑すぎました。数十または数百の店舗にわたる商品の組み合わせの可能性は天文学的に大きいのです。AIは計算の複雑さを処理することで、ローカライズされたアソートメントを実現可能にします。
ローカライズされたアソートメントのデータ入力
AIシステムは、複数のデータソースを使用して各店舗の需要プロファイルを構築します。過去の販売データは、各店舗でどの商品とカテゴリーがよく売れるかを示します。ローカルの人口統計データは、周辺人口の所得水準、年齢分布、世帯構成、文化的嗜好を明らかにします。競合データは、各店舗の近くで運営されている他の小売業者と、それらが扱うアソートメントをマッピングします。気候、都市部か郊外かの設定、学校、オフィス、エンターテインメント施設への近さなどの地理的要因はすべて、需要パターンに影響します。
スペース制約最適化
すべての店舗は限られた棚スペースを持ち、これはアソートメントの判断が本質的にトレードオフであることを意味します。商品をアソートメントに追加するには、何かを除外するか、別の商品に割り当てられたスペースを減らす必要があります。AIは、各潜在的な商品を追加することで得られる増分収益と、それが置き換える商品を除外または減らすことで失われる収益を見積もることで、これらのトレードオフを最適化します。
システムはまた、商品間の相互作用効果も考慮します。一部の商品は、特定の補完商品も入手可能な場合に、より多く売れます。個別にパフォーマンスが低い商品を除外することで、それが入手可能であることに依存する関連商品の販売を減らす可能性があります。AIはこれらの相互作用効果を最適化モデルに取り入れます。
クラスターベースのアプローチ
大規模なチェーンの場合、各店舗を個別に最適化することは運用の複雑さを生み出しすぎます。AIは通常、類似した需要プロファイルを持つ店舗をクラスターにグループ化し、各クラスターのアソートメントを最適化するクラスターベースのアプローチを使用します。500店舗のチェーンは、それぞれカスタマイズされたアソートメントを持つ8〜15の店舗クラスターになる可能性があります。このアプローチは、運用上管理可能な状態を維持しながら、完全なローカライゼーションのほとんどの利点を捉えます。
アソートメントパフォーマンスの測定
システムは、アソートメント変更を受けた店舗と、以前のアソートメントを維持した類似店舗の販売傾向を比較することで、アソートメント変更のパフォーマンスへの影響を追跡します。この管理された測定により、ローカライズされたアソートメントの利点が現実的なものであり、他の要因が同時に変化したことによる人為的なものではないことを保証します。
ローカライズされたアソートメントは、物理的小売におけるAIの最も影響力のある応用の1つです。適切な商品を適切な店舗に届けることは、販売と顧客満足度の両方を意味のある形で向上させます。AIがECおよびリテール全体で小売業務をどのように最適化するかについては、店舗レベルでのアソートメント最適化こそが、データドリブンな商品計画が真の価値を発揮する場所です。