吉宁讲师观点 / 培训讲师谈管理 / 培训讲师谈管理:哪些产品需要库存?

培训讲师谈管理:哪些产品需要库存?

吉宁博士 2015年12月12日 培训讲师谈管理

 分类规划相对来说是一门艺术而非科学

  对零售业来说,做出正确的商品分类规划并不容易,但这直接关系到零售业能否成功。分类规划与存货管理以及定价不同,后两者拥有大量的数据和分析工具可用以指导决策,前者则不然。分类规划相对来说更是一门艺术而非科学。因此,分类规划中的错误决策极有可能造成灾难性的后果。思考一下下面几个例子:


  沃尔玛在顾客调查中发现,顾客希望超市精简货架上的商品,于是在2008年推出印象工程计划(IMPACT),精简了15%的库存单位(SKU)。结果其销售额明显下降,最后不得不中止这些决策。


  食品零售商A&P(大西洋和太平洋食品有限公司)旗下的极鲜(Super Fresh)为了增加鲜货的供给,停止销售业绩不好的干杂货。但结果这些被淘汰的商品恰恰对很多优质顾客来说非常重要,当他们买不到干杂货时,就转向了其他零售商,客户的流失最后导致这家零售商破产。


  某家居用品零售商利用当地的人口数据将商品分类本地化,以迎合当地人的偏好。它首先将该数据库应用于时尚床上用品,收入令人兴奋提升了18%。但当把数据库应用于时尚卫浴商品时,收入却纹丝不动。最后,该零售商不得不放弃此次本地化变革。


  一位轮胎零售商的新任CEO将公司所销售的轮胎,由廉价轮胎改为较贵的轮胎,但费尽周折之后,他才明白对顾客来说价格很重要。两年后,该CEO被更换,他的继任者将他淘汰的大部分商品又重新恢复存货。


  正如上述这些惨痛的教训所显示,商品分类规划一般都是根据经验做出的决策。只需看销售数据,就会很容易发现现有商品分类中的问题,但是从中却很难看出用什么商品代替滞销的商品。况且,还存在着一种烦人的可能,就是对你的部分优质顾客来说,下架的滞销商品很可能非常重要,去掉这些商品意味着客户流失。正如所有的零售商都知道的,最优分类决策归根到底是一种平衡,任何改变都会产生连锁反应。


  如今大量的软件工具都声称支持分类规划功能,可以帮助零售商决定什么样的商品组合能最大限度地提高销售额。但实际上,除了极少数,绝大多数软件都无法预测新商品的需求量,或者估计滞销商品下架之后转移的需求量。用这些工具做决策,其实与依赖那些掌握关键商品资源的经理做决策的差别并不大。它们无法降低每种商品分类规划的内在风险。


  为弥补这一不足,本文给出一种更科学的分类规划技术。我们通过观察得知,多数顾客在购买时选择的并不是商品,而是商品的属性。你可以想想你上次买电视的时候,你是不是想过要买X型号的电视?或者你应该也想过电视的屏幕大小,分辨率,价格,液晶或者等离子,或是品牌?本文给出的方法是,利用现有商品的销售量来估算它们各个属性的需求量,然后再利用这些估算来预测潜在新商品的需求量。有了这些数据,零售商就可以更科学地评估他们的预测。


  本文的方法对耐用品及杂货零售商来说尤其适用,而对于对流行因素特别敏感的零售板块来说,用处就相对小些。不过该方法也适用于敏感的时尚服装板块,因为这一行业的商品变化很快。目前,杂货零售商都采用大量市场数据来确定潜在的可添加商品——SKU,即那些其他零售商销售的很好而自己未持有的商品。但是正如此研究显示,我们这种基于属性的方法误差度相对较低。


  本文提供的方法还可以帮助零售商更为深入地了解以下几个问题:


  是否可以单纯用新商品取代滞销商品来改进商品的分类规划?潜在新商品的需求水平如何?


  如果顾客找不到自己理想的商品,是否可能转向其他零售商?


  如果增减商品数量,销售额会发生怎样的变化?


  依不同商店或商店群组来定制商品分类规划,这种本地化分类规划策略是否可行?如果可行,对于哪些商品类型适用?若决定针对不同的分组来定制不同的商品分类,需要创建多少种分类?创建这些分类时又应遵循什么准则?


  专注于商品属性可以帮助零售商实现两类顾客数量的最大化:一类是认为“这些商品正是我所想要的” 的顾客,另一类是“这个商品虽然不是我想要的,但是很相近了,所以我会购买”的顾客。下面我们将通过两个汽车配件零售业的例子,来分步介绍本文关于分类规划的优化方法:轮胎业(通过调研得到结果)以及汽车外观化学品(通过咨询得到结果)。虽然此处我们是按步骤来描述这个过程的,但是实际过程是多维的、高度重复的,其中许多分析都是由计算机模型得出,最后再给出最终的建议。


哪些属性对顾客最重要

  哪些属性对顾客最重要


  如果要采用本文中的方法,就需要做下列判断:哪些属性对顾客来说最重要?这些偏好在顾客未能买到首选商品时,会如何影响他们的消费决策?要解决这些问题,请参考以下步骤:


  识别顾客最看重的属性 大多数零售商都考虑到了商品及其属性,要在本类商品中识别这些属性也很容易。这些属性大致包括价格、品牌、规格、味道、颜色等。


  在启动轮胎的研究项目时,零售商的商品类别经理告诉我们,轮胎的重要属性包括品牌、里程保证和规格。该零售商提供给我们一些全国知名的品牌,经理认为这些品牌在消费者看来可以相互替代。我们将这一组归类为全国性品牌。该零售商还提供了其他三个自有品牌,其质量和价格都有所不同,我们分别称为本地品牌1(高端品牌)、本地品牌2(中端品牌)和本地品牌3(低端品牌)。此外,由于不同轮胎提供的里程保证不同,但零售商认为多数消费者都以为里程保证是没有区别的。因此,我们只将里程保证分为三种类别:低等(15,000至40,000英里),中等(40,001至60,000英里)和高等(大于60,000英里)。


  以上四种品牌和三种里程保证水平,理论上可以构建出12个组合提供给消费者,但是部分组合并没有什么意义,比如高里程保证的低价品牌。所以实际上零售商只需提供六种组合(按质量递减的顺序排列):全国性高等品牌、全国性中等品牌、本地高等品牌1、本地高等品牌2、本地中等品牌2,以及本地低等品牌3。


  轮胎的第三个关键属性是规格,包括大小(例如,直径),以及它适用于轿车还是其他车型。轮胎的进货尺寸有64种类型,也就是说零售商可以选择384种SKU(64种尺寸×6种品牌-里程保证组合)。但是多数零售商采用的只有105种。零售商不同分店的种类也不同,但多数都与分店的规模相关。不同分店的分类规划也有所不同,但是多数分店都持有最普遍的SKU。


  分析无法提供首选商品时顾客的反应 如果顾客未能在零售商处买到首选商品,他是否愿意购买其他商品,是零售商决定是否下架某个商品的重要因素。顾客是否愿意购买其他商品主要取决于商品的属性。例如,顾客不会用其他的服装尺寸来替代首选尺寸,但是可能会在没有红色存货的情况下购买蓝色的衣服。同样,任何人都不会将15英寸的轮胎作为14英寸的替代品,但是会用其他品牌轮胎来代替首选品牌,或者以其他里程保证来代替首选里程保证。因此,如果顾客未购买到首选商品,部分顾客会选择购买次优商品,部分则不然。在构建分类时,零售商必须要考虑到这一点。在我们给出的例子中,我们所感兴趣的,是顾客在无法买到首选商品时,转而购买品质高一等级商品的百分比,和转而购买品质低一等级商品的百分比。


分析各个属性的现有及潜在销售额之一

  分析各个属性的现有及潜在销售额


  现在,我们要计算出未实施分类规划变更的商品的销售情况,以及实施分类规划的商品的销售情况变化。


  综合最近一个时期的销售数据 先从已知变量说起,即现行SKU的单位销售额,以及每个品牌-里程保证组合在销售总额中的份额。这两个变量是模型的基础,我们通常选取6个月至一年内的最新数据。


  在轮胎分类项目中,我们将综合最近6个月内每家分店按SKU分类的销售数据。如图1所示,该图给出了某家销售商销售的64种轮胎尺寸中的15种,这是我们的分析要采用的原始数据(为保护专有信息,这些数据均经过修改)。


  预测潜在新SKU的需求量 事实上,部分SKU只能达到个位数的销售额,这意味着如果更换这些SKU,零售商的收入就可能增加。但我们所面临的挑战,是找出哪些新的SKU会卖得更好?第一步,我们使用销售数据来预测在给定里程保证的情况下,每一种轮胎尺寸的总体需求。


  下面来说明这一步骤。首先,观察尺寸F的情况(参见图2)。可以注意到,在目前零售商采用的分类规划中, 6个品牌-里程保证组合中有4个采用了尺寸F。我们将提供F尺寸的组合占总销售额的份额相加(7.7%+ 2.6%+ 19.2%+ 57.5%),结果得出,尺寸F占零售商当前总销售额的份额为87%。也就是说,零售商在理论上可以去掉剩余的两个商品组合:全国品牌(中等)(2%),本地品牌3(低等)(11%)。


  要计算尺寸F的总需求量,我们可以简单地用F尺寸的总销售额除以它的份额:1204÷87%= 1384。一旦我们知道了尺寸F的总需求,就可以估算所有的F尺寸的SKU的需求量,即用F尺寸的总需求量乘以该品牌-里程保证组合的销售份额即可。例如,本地品牌3(低等)的整体份额为11%,乘以总额1384,可以预测出尺寸F的本地品牌3(低等)组合的需求量为152个SKU。


  精确预测结果 要进行准确的预测,上面的计算只能说完成了一部分,因为还需要对持有商品的销售量进行预测。如上所述,如果零售商供给所有的F尺寸组合,得到的总销量是1,384个单位。因此,该零售商的畅销商品本地品牌2(中等)组合的需求为大概796个单位(1384×57.5%)。然而,实际产生的本地品牌2(中等)组合的销售额稍低,只有763个单位。


  造成这种差异的一个原因是零售商所提供的分类规划影响着组合的销售份额。本地品牌2(高等)和本地品牌2(中等)几乎囊括了所有的尺寸,因此相对于提供尺寸种类较少的品牌-里程保证组合,它们的销售份额较高。


  为了纠正这种误差,我们需要调整品牌-里程保证组合的销售份额,以尽量减少估计值与实际值之间的平均差异—即统计学上的平均绝对离差(计算各观察值与平均值的距离总和,然后取其平均数)。


  这一高度迭代过程完成后,我们则使用优化工具,如Excel的规划求解工具来进行优化。首先,该工具将品牌-里程保证的试验数据添加到现存的所有SKU的需求量估计计算中,然后我们可以看出预测结果与实际销售量的接近程度。接着我们可以调整各组合的份额,使预测销售额与实际的销售量更为接近,重复这一过程直至得到所有SKU误差的最小总和。这就类似于测试适合的眼镜度数时的方法:首先试验一个焦距,然后再试另一个,根据清晰程度来做进一步的调整,直至与眼睛度数相匹配。


  通过这个过程可以得到6个品牌-里程保证组合得到的“最优拟合”的需求份额:2.4%,1.1%,1.5%,6.7%,18.6%,和69.6%(参见图3)。将这些数据与实际的销售份额相比较,就可以得到完全不同的商品分类规划优化方法。


  此处我们注意到,预测的销售额很接近实际的销售额,但是并不完全精确。有两个因素导致了这种预测误差:第一,销售波动是随机的。第二,我们之前假设的是,一个SKU的需求量,等于轮胎尺寸的需求量乘以品牌-里程保证组合的需求份额。这个假设其实并不完善,因为品牌-里程保证组合本身的份额可能不同(例如,低端轮胎中对适用于老式廉价汽车的尺寸的需求明显高于其他尺寸)。


  现在我们确定了拟合最优的需求份额,因此可以用该需求量来估计所有可能的SKU(参见图4)。


分析各个属性的现有及潜在销售额之一

  需要注意商品的替代性。现在考虑另一种波动:商品替代性。通过上文的计算并不能明确知道,如果顾客没有买到首选品牌-里程保证组合的话是否愿意购买其他的组合。例如,零售商推测本地品牌2(中等)组合的57.5%的销售份额,并不一定意味着有超过半数的顾客偏好这个组合,他们可能会因为偏好的本地品牌3(低等)组合没有供货,所以才转而选择购买本地品牌2(中等)组合。如果确实是因为这个原因,那么零售商如果提供特定尺寸的本地品牌3(低等)商品出售后,其销量会以6:1的比例超过本地品牌2(中等)商品。


  顾客提高购买质量或者降低购买质量的程度在各种质量水平上可能会有所不同,这一点会使情况更为复杂。如果你认为这一情况出现在出售商品的重要的SKU上,那么就必须在计算中考虑到这一因素。对于轮胎项目来说,我们假设除了本地品牌3(低等)至本地品牌2(中等)之外,顾客提高或降低购买品质的百分比,在各个品牌-里程保证组合之间都是相同的(这两个品牌-里程保证组合占整个销售额的三分之二)。


  因此,现在我们的模型需要9个参数:6个品牌里程保证组合及3个替换参数,即提高了一个品质等级的顾客的百分比,降低了一个品质等级的顾客的百分比以及由本地品牌3(低等)至本地品牌2(中等)的顾客的百分比。与上文相同,我们仍然使用Excel的规划求解工具,首先插入份额及百分比的试验数据,计算预估需求,然后查看预测结果与实际销售额的接近程度。可以调整份额来预测更接近实际值,并重复这一过程直至最优。


  最后的结果是,有35%的顾客如果没买到首选商品本地品牌3(低等)商品,可能会提高购买商品的品质去购买本地品牌2(中等)。而相对于其他质量等级,只有2%的顾客在没有买到首选商品时会提高购买商品的品级,只有1%的顾客在没有买到首选商品时会降低购买商品的品级。


  一旦知道顾客的品质提高百分比和品质降低百分比,就可以计算出预估需求。考虑尺寸F的本地品牌2(中等),首先将本地品牌3(低等)的预测需求量加到本地品牌2(中等)的预测需求量,乘以品质提高的顾客百分比。而对尺寸A来说,虽然本地品牌2(中等)及本地品牌3(低等)都在分类规划之中,但本地品牌2(中等)的预估需求量不存在代替需求。


  寻找自我实现型需求 现在考虑如下常见的场景:某零售商认为其顾客不想购买某种商品类型(或零售商不希望持有这种商品);因此,该公司提供的该种商品数量非常有限,销售额也较小,这看起来似乎与原来的顾客不想购买该种商品的假设一致。但是结果却表明,调整后的分类只是零售商愿意持有的商品,而不是客户想购买的商品—因此这一提议非常冒险。我们提供的这一技术的好处就是可以使零售商发现类似的情况。


  例如,在对比汽车零售商的预测需求量及实际销售额时,我们发现一个意外的结果:本地品牌3(低等)的销售份额为11%,但是我们预测的相关需求高达总销售额的69.6%。出现这么低的销售份额是因为,这种廉价轮胎零售商只提供了几个轮胎尺寸,因此,销售额不大。但是数据显示,当顾客在本地品牌3(低等)与本地品牌2(中等)之间选择时,他们强烈偏好前者。这一现象存在于所有尺寸的选择中。本地品牌3(低等)与本地品牌2(中等)都有9种尺寸,每种尺寸的本地品牌3(低等)的销售额都以高于7: 1的比例超出本地品牌2(中等)的销售额。


  零售商的廉价轮胎提供的选择通常非常有限,因为管理者认为,这样可以使顾客不得不提高商品选购品质至相对高价的本地品牌2(中等)轮胎。但是实际上他们只有35%的机会能提高销售。事实上,我们的模型显示,因为忽略了预估的本地品牌3(低等)商品所占有的69.6%份额,所以零售商实际上失去了45%的潜在销售额(即69.6%的顾客中有65%的人不会因买不到本地3低等商品,而提高购买品质)。


  要更深入地了解这一点,我们列出了每家店所在服务区域的平均收入,并根据该数据创建了图5,由图可知,最便宜的本地品牌3(低等)商品的份额以及不愿提高购买品质的百分比,是与收入呈负相关关系。也就是说,某家店所在服务区域的平均收入越低,就有越多的顾客偏好于最廉价的轮胎,也越不愿意转而购买更贵的轮胎。


优化商品组合

  优化商品组合


  下面,我们将描述如何利用我们的模型,来构建现有SKU及新SKU的最优分类规划。


  1确定目标是收入最大化还是利润最大化 零售业内衡量利润最常用的概念是毛利润,即收入减去销售成本。商学院及经济学家们鼓吹利润最大化,但是零售商很在意收入,部分原因在于华尔街很关注收入。在我们将主要讨论汽车外观化学品的例子中,销售商的目标就是最大限度地提高收入。


  2确定潜在SKU的定价 为了优化某种分类,需要知道每个SKU的收入(或利润)。这一计算过程中最关键的因素是价格。现有SKU的价格是已知的,但当无法得到新SKU的价格时,我们可以通过对比当前SKU和新SKU的属性来预估新SKU的价格。


  例如在上面给出的轮胎例子中,我们观察到由高价的品牌-里程保证组合(全国高等品牌)至低价的组合,其价格是逐渐降低的。


  3决定最终的分类规划 接下来我们来计算每个SKU的潜在收入,即用预测的单位销售额乘以零售价格。


  现在建立分类规划所需要的数据都准备好了,我们首先收集能为零售商或连锁店产生最高收入或利润的SKU。然后将产生次高收入或利润的SKU添加进去,持续添加SKU直至达到想持有的最大的SKU数量,例如100个。


  不要犯错误:并不是简单地将创收排名前100位的SKU识别出来,就可以把这些称作为分类规划。由于需求的可替代性,每增加一个SKU分类,都必须调整相应的数据,来搞清楚新的SKU如何影响之前的SKU的需求。这一过程显然是高度重复的。


  当我们将这一过程应用于汽车配件零售商建立一个最优的轮胎SKU分类时,我们发现105个SKU中,有47个是可替代的(这毫不奇怪,因为多数SKU的替代品都可以是本地品牌3(低等)商品)。


  该零售商实施了我们的部分建议:他们增加了10个新的SKU,同时删除了10个原有的。部分实施建议的原因之一是,该零售商没能找到能生产全部47个新SKU的供应商。


  之后我们跟踪了销售额,发现即使只是调整了部分分类,销售商的收入还是增加了5.8%,毛利润也增加了4.2%,绩效显著。我们的分类规划分析还可以提醒零售商:适当地提高最廉价轮胎的价格,降低原来价格次高的轮胎价格,时增加顾客购买可能。


  本文提出的方法的好处在于,它能使顾客看到收入是如何随着分类广度的变化而变化的。图6给出了各商品分类下SKU的数量如何影响了轮胎零售商的收入。上一行给出了如果每个商店都存在最优分类的情况下的收入,而下一行则给出了连锁店单个最优分类下的收入。这样的图表可以用来更改分配给各商品类别的货架空间,从而增加销售额。它们还可以帮助零售商避免重蹈像沃尔玛和极鲜的覆辙。


本地化分类规划

  本地化分类规划


  创建本地化的分类规划非常复杂。零售商需要了解不同分店的不同需求,然后根据分店的情况创建适宜的分类。许多零售商发现为每家分店创建特有的分类规划太过复杂,难以实施,所以,他们通常为一组商店创建同样的分类规划。在这样的情况下,他们需要决定要创建多少分组、创建分组的依据(例如,依据收入或天气),以及每组适用什么分类规划。


  本文基于属性的研究方法可以很好的回答以上问题。这一问题,我们将通过下文的大型汽车配件零售商的外观化学品商品类别的研究来说明。外观化学品包括一系列用于清洗、打蜡、抛光、上光以及保护汽车的液体和涂膏。在这项研究中,我们识别出6类商品属性:要进行处理的表层、要进行何种处理、必须要做的处理、应用模式、封装尺寸、品牌以及质量等级(好,较好和最好)。零售商急需了解的是不同分店的需求模式有何不同,然后它们会使用这些信息来定制商品分类规划。它认为最多只能有五个分类,否则在操作上不可行。


  我们首先将之前的方法应用于预测各属性水平的需求量占比,然后利用计算结果来预测可能的新SKU的需求,最后为每家分店生成一个收入最大化的分类规划。


  最后使用生成的分类就可以创建出商店的分组。首先我们假定每个分店都是一组,然后对两个分店强制使用同一种分类规划,如果这两个分店收入的减少最小,那么这两个分店就构成一组。我们重复这一过程,识别出下一组可以共享同一种分类规划的分店,或者可以添加第三个分店进去,只要他们产生的收入的变化最小即可。持续这样做,每次减少一个分店组数,直到最后只留下一个分组,即所有分店的集合。这种方法可以为我们提供各个层次的分类本地化,即由所有分店使用同一种分类到各家分店使用各自的分类。


  图7给出了5个本地化选择的收入,从一个分组到5个分组。我们将每个分类规划的收入都调整到了100。正如图中所展示的,分组增加会导致报酬减少,因此,最后零售商选择的是实施2组分类规划的解决方案。


  图中数据还显示出这两组中的一组包括了该连锁店约三分之一的分店,同时出售的是较高水平的轮胎相关商品。


  该分组有一个独特术语,零售商称之为“城市/双语”。因此,这些分店的分类拥有更多与轮胎相关的商品,而且零售商为它们创建了标牌以吸引顾客的注意力。


  在跟踪了6个月的销售额后,我们发现,该连锁店在外观化学品类别商品的收入同比增长了3.5%。这一增加是由于分类规划的本地化,以及基础分类规划的改进。此外,新的分类规划以及标牌在其他方面对零售商也有所帮助:他们在城市地区正在丢失销售份额。但是,当实施分类规划变革之后,该零售商开始表现出同店销售增加的类别。我们相信,这种基于需求的分组方法比常规的分组方法更为优良,前提条件是零售商要预测分店属性如何影响着需求。


  分析方式软件还没有被频繁地应用到分类规划上,特别是在决定持有哪些SKU的操作层面上。本文研究方法中使用了分析方式软件来收集各个分店的顾客所偏好的商品属性,然后基于收集到的结论来创建本地化的分类规划。分类规划对同店销售的影响非常显著,但是如果方法错误的话,也会导致零售商长时间的损失。本文提出的方法可以很好的帮助零售商做好分类规划。(译/邓勇兵 校/李茂)


  马歇尔·费希尔 宾夕法尼亚大学沃顿商学院运营和信息管理系的UPS教授,他与阿南思·拉曼合作编写了《零售行业的新科学:分析方式如何正在改变供应链和改善业绩》一书(哈佛商业出版社,2010年)。


  拉姆纳特·韦迪阿纳赞 麦吉尔大学德桑特尔斯管理学院运营管理系助理教授。


  

 

About 吉宁博士

真正的实战派企业培训师,长期致力于人力资本、公司行为、市场营销、企业战略及领导力发展等组织实践与研究,数十年来参与及主持过的管理咨询项目累计逾千次;受邀主讲过的各类企业培训课程累计逾万次。