L’ottimizzazione dell’assortimento è la disciplina che affronta questa lacuna. Collega ciò che decide la sede centrale a ciò che i clienti trovano effettivamente sullo scaffale - attraverso dati, apprendimento continuo ed esecuzione a livello di negozio-. Questa guida spiega di cosa si tratta, perché la maggior parte degli approcci fallisce, come implementarla e come misurare i risultati.
Ottimizzazione dell'assortimento e pianificazione dell'assortimento: qual è la differenza?
Questi due termini sono spesso usati in modo intercambiabile. Descrivono processi fondamentalmente diversi.
| Dimensione | Pianificazione dell'assortimento | Ottimizzazione dell'assortimento |
|---|---|---|
| Natura | Statico, periodico | Dinamico, continuo |
| Inserimento dati | Vendite storiche, regole di categoria | Segnali in tempo reale-+ dati storici |
| Frequenza delle decisioni | Revisioni stagionali o annuali | In corso, spesso automatizzato |
| Granularità geografica | Conserva cluster o banner | Livello del negozio individuale |
| Cosa gli manca | Realtà dell'esecuzione in-negozio | Niente, se fatto bene |
La pianificazione definisce come dovrebbe apparire il tuo assortimento. L'ottimizzazione garantisce che funzioni effettivamente - e continui a migliorare man mano che le condizioni cambiano.
I tre livelli in cui le decisioni sull’assortimento vengono prese e perse
La maggior parte dei rivenditori investe molto nel primo livello. I maggiori divari prestazionali si riscontrano negli altri due.
Livello strategico: cosa vendere
È qui che vengono prese le decisioni a livello di categoria-: quali prodotti guadagnano spazio sugli scaffali, come si bilancia il marchio del distributore rispetto ai marchi nazionali e quale ruolo gioca ciascuna categoria nella strategia complessiva del negozio. Qui le decisioni vengono prese presso la sede centrale, guidate dai dati di mercato e dal benchmarking competitivo, e cambiano su cicli lunghi.
Il rischio: i dati aggregati mascherano la variazione locale. Un prodotto con vendite nazionali accettabili potrebbe avere prestazioni inferiori nel 40% dei negozi e superiori in un altro 30%. Le medie nascondono il segnale.
Livello tattico: dove e come venderlo
Il livello tattico traduce la strategia in piani specifici per la posizione-: clustering dei negozi, progettazione del planogramma e regole di merchandising. È qui che l'assortimento diventa genuinamente locale - un negozio urbano ad alta- densità ha vincoli di spazio, modelli di traffico pedonale e missioni degli acquirenti diversi rispetto a un formato suburbano.
Il rischio: le decisioni a questo livello si basano ancora in larga misura su ipotesi piuttosto che su segnali effettivi-a livello di negozio. Gli assortimenti potrebbero sembrare ben-localizzati sulla carta, pur rimanendo sostanzialmente disallineati nella pratica.
Livello operativo: ciò che effettivamente raggiunge il cliente
È qui che l’ottimizzazione dell’assortimento riesce o fallisce silenziosamente. Il livello operativo riflette la realtà fisica che i clienti incontrano: quali prodotti sono sugli scaffali, se i planogrammi vengono eseguiti correttamente, se le promozioni sono visibili e se le rotture di stock vengono rilevate e risolte rapidamente.
Senza visibilità-in tempo reale sull'esecuzione del negozio, ogni decisione a monte è parzialmente frutto di supposizioni. Tecnologie comeetichette elettroniche da scaffalee i sensori IoT vengono sempre più utilizzati per colmare questa lacuna di visibilità - acquisendo automaticamente gli stati degli scaffali anziché fare affidamento su controlli manuali che si verificano troppo raramente per essere attuabili.
Perché l’ottimizzazione dell’assortimento tradizionale fallisce
La maggior parte delle strategie di assortimento sono ben-progettate sulla carta. È qui che si guastano nella pratica.
Modalità di errore 1: ottimizzazione dei dati storici per il passato
La cronologia delle vendite ti dice cosa hanno acquistato i clienti alle condizioni esistenti in quel momento - con l'assortimento disponibile, ai prezzi stabiliti. Non può dirti cosa volevano i clienti ma non sono riusciti a trovare. Nelle categorie-in rapida evoluzione, nel momento in cui una tendenza appare chiaramente nei dati storici, spesso il tempo per agire è già trascorso.
Modalità di fallimento 2: decisioni centralizzate, realtà locale
Quando le decisioni sull'assortimento vengono prese interamente presso la sede centrale, le sfumature a livello di negozio-vengono compensate. Un prodotto con vendite nazionali mediocri ma con ottime prestazioni in tipologie di negozi specifiche potrebbe essere rimosso dalla lista. Un planogramma standardizzato viene distribuito in negozi con dimensioni degli scaffali e dati demografici degli acquirenti significativamente diversi.
Modalità di errore 3: i silos di dati producono decisioni incomplete
Le organizzazioni di vendita al dettaglio generano dati su più sistemi - punto-di-vendita, inventario, fidelizzazione, e-commerce e sensori in-store. I gestori di categoria lavorano da un set di dati. La catena di fornitura funziona da un'altra. Memorizzare le operazioni da un terzo. Nessuno di questi punti di vista è completo e le decisioni prese da un singolo silo creeranno problemi visibili solo in un altro.
Modalità di fallimento 4: la conformità del planogramma è inferiore a quanto pensa la sede centrale
Un planogramma fornisce valore solo se viene eseguito correttamente e coerentemente. Nella maggior parte delle reti di vendita al dettaglio, i tassi di conformità variano in modo significativo tra i negozi - e la sede centrale in genere non lo sa finché non viene misurato. Se stai valutando le prestazioni sugli scaffali di un prodotto in base ai dati di vendita, ma quel prodotto è rimasto nella posizione sbagliata nel 20% dei tuoi negozi per tre mesi, i dati sulle prestazioni non sono affidabili. Comprensionela frequenza con cui vengono aggiornati i dati dello scaffaleè direttamente legato alla precisione di queste misurazioni.
Modalità di errore 5: i segnali omnicanale non vengono letti
Il comportamento dei clienti online è una ricca fonte di informazioni sull’assortimento che la maggior parte dei rivenditori fisici ignora. Le ricerche con-risultati zero sulla tua piattaforma di e-commerce ti mostrano esattamente ciò che i clienti cercano e che tu non offri. I modelli di acquisto con-alta navigazione e-bassa rivelano una domanda che potrebbe richiedere una valutazione in-negozio prima della conversione. Un cliente che cerca un prodotto online, lo trova non disponibile e se ne va non genera dati nel-sistema del negozio - ma quell'assenza di dati è di per sé un segnale, se costruisci il processo per acquisirli. Il punto di partenza è collegare la ricerca online e i dati di navigazione al flusso di lavoro di pianificazione della categoria, anche in modo informale.
Come l'intelligenza artificiale migliora le decisioni sull'assortimento
La gestione manuale dell'assortimento in centinaia di negozi e decine di migliaia di SKU ha raggiunto i limiti di ciò che i fogli di calcolo e le revisioni periodiche possono supportare. L’intelligenza artificiale contribuisce in modi specifici e misurabili.
Previsione della domanda a livello di negozio-.La previsione tradizionale opera a livello di banner o di cluster. I modelli di machine learning possono generare previsioni a livello di singolo negozio e SKU, tenendo conto di fattori locali - dati demografici del quartiere, concorrenza nelle vicinanze, micro-tendenze stagionali - di cui i modelli più ampi si allontanano dalla media. Questa granularità è ciò che rende le decisioni di assortimento localizzato difendibili piuttosto che scontate.
Razionalizzazione degli SKU.Non tutti i prodotti guadagnano il loro spazio. I modelli di intelligenza artificiale sono in grado di identificare quali SKU consumano spazio sugli scaffali e capitale di inventario senza rendimenti proporzionati - tenendo conto del contributo del margine, degli effetti di sostituzione e dell'impatto del paniere. La distinzione fondamentale è tra aziende a movimento lento che servono una nicchia fedele e aziende a movimento lento che semplicemente sottoperformano. L’intelligenza artificiale può distinguere tra i due su una scala che l’analisi manuale non può fare.
Prezzi dinamici e allineamento delle promozioni.Le decisioni sull’assortimento non esistono separatamente dai prezzi. Guidato dall'AIprezzi dinamicipuò allineare l'attività promozionale con la performance dell'assortimento in tempo reale - riducendo la discrepanza tra ciò che è stato pianificato e ciò a cui i clienti effettivamente rispondono a livello di scaffale.
Monitoraggio dell'esecuzione.La visione artificiale e i dati dei sensori possono identificare le deviazioni del planogramma senza richiedere controlli manuali completi. Avanzamenti intecnologia delle etichette da scaffalehanno reso il monitoraggio automatizzato-dello stato degli scaffali sempre più accessibile ai rivenditori di medie-dimensioni, non solo alle grandi catene.
Un quadro di riferimento in cinque-fasi per l'implementazione
La maggior parte dei rivenditori sa che l’ottimizzazione dell’assortimento è importante. Meno hanno un punto di partenza chiaro. Questo framework è progettato per essere utilizzabile su qualsiasi scala.
Passaggio 1: controlla il tuo attuale assortimento
Prima di ottimizzare qualsiasi cosa, stabilisci una linea di base onesta. Qual è il tasso di esaurimento delle scorte attuale per categoria e per negozio? Quali SKU generano il decile inferiore di vendite per metro quadrato? Dove sono i maggiori divari tra l’assortimento pianificato e l’effettiva disponibilità sugli scaffali? Se non riesci a rispondere a queste domande con dati affidabili, questa è di per sé la scoperta più importante - e il segnale per investire in visibilità prima di investire in strumenti di ottimizzazione. Uno strutturatocalcolo del ROI di basepuò aiutare a quantificare dove si trovano i-divari di maggiore impatto prima di impegnarsi in qualsiasi approccio.
Passaggio 2: definisci i cluster di negozi
Non tutti i negozi dovrebbero offrire lo stesso assortimento, ma un assortimento completamente unico per ogni negozio è operativamente ingestibile. Il clustering dei negozi colma questi estremi raggruppando sedi con profili di domanda significativamente simili. Un clustering efficace si basa sul comportamento di acquisto effettivo - sulla composizione del paniere, sulla velocità delle categorie, sui modelli di missione degli acquirenti - e non sui dati demografici presunti. La maggior parte dei rivenditori opera con da quattro a otto cluster, a seconda delle dimensioni della rete e della diversità dei formati. Il numero giusto è quello in cui ciascun cluster si comporta effettivamente in modo sufficientemente diverso da garantire un modello di prodotto distinto.
Passaggio 3: integra le origini dati
L'ottimizzazione dell'assortimento è valida tanto quanto i dati che lo alimentano. Come minimo, sono necessari dati sulle vendite a livello di SKU-per negozio con almeno 12 mesi di cronologia, livelli di inventario attuali e una certa misura della disponibilità sugli scaffali. La questione di come vengono acquisiti i dati sugli scaffali - tramite report manuali, sistemi ESL o sensori IoT - influisce direttamente sulla freschezza e sull'affidabilità dei dati. Comprendere ilopzioni di connettività per l'acquisizione dei dati sugli scaffaliè una decisione pratica e precoce. La perfetta integrazione dei dati non è un prerequisito per avviare - ma devi comprendere le lacune e la latenza dei tuoi dati prima di fidarti del loro output.
Passaggio 4: imposta regole di ottimizzazione e guardrail
I modelli di intelligenza artificiale e gli algoritmi di ottimizzazione necessitano di vincoli. Non tutte le decisioni dovrebbero essere automatizzate. Definisci chiaramente quali decisioni possono essere eseguite automaticamente - come gli attivatori di rifornimento per SKU ad alta- velocità - e quali richiedono una revisione umana, come l'eliminazione di un prodotto da un cluster. I guardrail proteggono anche dagli errori commessi dai sistemi automatizzati quando i dati sono incompleti. Un esempio comune: un algoritmo consiglia di rimuovere un prodotto perché le sue vendite sono basse, quando la causa effettiva è l'esaurimento persistente delle scorte che i dati di vendita non distinguono dalla bassa domanda.Errori di visualizzazione di prezzi e disponibilitàsono una modalità di guasto operativo correlata che vale la pena comprendere prima dell'introduzione dell'automazione.
Passaggio 5: misurare, apprendere e ripetere
L'ottimizzazione dell'assortimento è un processo continuo, non un-progetto una tantum. Stabilisci un ritmo di revisione regolare - almeno trimestrale per le decisioni strategiche, mensilmente per gli aggiustamenti tattici. Crea cicli di feedback strutturati tra i team delle categorie centrali e dati sulle prestazioni a livello di negozio-. Tratta ogni ciclo di pianificazione come un esperimento: forma un'ipotesi, implementa un cambiamento, misura il risultato, utilizza l'apprendimento nel ciclo successivo. Le organizzazioni che estraggono il massimo valore da questo processo non sono quelle che dispongono degli strumenti più sofisticati. Sono quelli che hanno sviluppato l’abitudine di imparare dai dati in modo coerente.
Sei KPI per misurare l'ottimizzazione dell'assortimento
| KPI | Cosa misura | Direzione | Come monitorare |
|---|---|---|---|
| Tasso di esaurimento scorte | % di volte in cui uno SKU non è disponibile durante l'orario di apertura del negozio | ↓ In basso | Lacune POS +rilevamento automatico dell'esaurimento delle scortetramite sensori a scaffale |
| Tasso di vendita-through | % di inventario venduto prima del rifornimento o della riduzione | ↑ Più alto | Unità vendute ÷ unità ricevute, tracciate per SKU e negozio |
| Produttività SKU | Entrate o margini per unità di spazio sugli scaffali | ↑ Più alto | Entrate della categoria ÷ filmati sugli scaffali, confrontati con la media del cluster |
| Tasso di conformità del planogramma | % di negozi che eseguono correttamente il planogramma | ↑ Più alto | Audit manuali o analisi automatizzata delle immagini degli scaffali;Distribuzione ESLmigliora la misurabilità |
| Contributo al margine di categoria | Margine lordo generato rispetto allo spazio assegnato | ↑ Più alto | P&L di categoria monitorati rispetto all'allocazione del planogramma per cluster |
| Allineamento della domanda dei cluster | Scostamento tra l'assortimento pianificato e il sell-through effettivo della categoria-a livello di cluster | ↓ Varianza inferiore | Confronta la percentuale di vendita-through tra i cluster; un’elevata varianza segnala lacune di localizzazione |
Tieni traccia di tutti e sei i parametri a livello di negozio, non solo in forma aggregata. Le medie a livello di rete- spesso nascondono i negozi in cui i problemi sono più acuti - e dove esistono le maggiori opportunità di ottimizzazione.
Ottimizzazione dell'assortimento su canali online e fisici
Per i rivenditori che operano attraverso canali fisici e digitali, le decisioni sull’assortimento non possono essere gestite in modo isolato.L'ambiente della vendita al dettaglioè cambiato: i clienti si muovono tra i canali in modo fluido e i dati di ciascun canale possono orientare le decisioni nell’altro.
Online come segnale di assortimento.Le ricerche con-risultati zero sulla tua piattaforma di e-commerce sono un indicatore diretto delle lacune nell'assortimento - i clienti ti dicono esattamente quello che vogliono e non gli offri. I modelli di acquisto con-alta navigazione e-bassa possono indicare prodotti che i clienti desiderano valutare di persona prima dell'acquisto, il che ha implicazioni per l'assortimento in-negozio. SecondoLa ricerca McKinsey, oltre il 70% dei consumatori ora si aspetta esperienze personalizzate - un'aspettativa che si applica tanto alla disponibilità dei prodotti quanto alle comunicazioni.
Assortimento unificato vs. differenziato.L'allineamento degli assortimenti online e in-negozio dipende dal formato del negozio e dal comportamento dei clienti. Un assortimento unificato semplifica le operazioni e produce dati sulla domanda più chiari, ma costringe i negozi fisici a sopportare la complessità di un catalogo online che la maggior parte dei formati non è in grado di gestire. Un approccio differenziato - in cui i negozi fisici portano avanti un nucleo curato e ad alta-velocità mentre il canale online gestisce la coda lunga - funziona bene quando i due canali svolgono missioni di acquisto veramente diverse. Il quadro decisionale è semplice: se i clienti effettuano regolarmente ricerche online e generano conversioni in-negozio, l'allineamento è importante. Se gli acquirenti online e quelli in negozio-sono segmenti di pubblico in gran parte distinti, la differenziazione potrebbe essere più efficiente.
Da dove cominciare.Il punto di ingresso più pratico è collegare i dati di ricerca con risultati zero-del tuo e-commerce alla revisione della pianificazione della categoria. Non è necessaria alcuna nuova tecnologia - un'esportazione mensile di query di ricerca non riuscite esaminate dai gestori di categoria può far emergere lacune nell'assortimento che-i dati sulle vendite in negozio non riveleranno mai. Abbinandolo aacquisizione dei dati a livello di scaffale-miglioratanei negozi fisici crea un circolo chiuso tra i segnali online e l'esecuzione in negozio.
Come appare in pratica
Gli scenari seguenti illustrano come i principi di ottimizzazione dell'assortimento si applicano ai formati di vendita al dettaglio. Questi sono esempi illustrativi, non casi di studio aziendali specifici.
Generi alimentari: mascheramento della domanda locale nei dati aggregati.Una catena di alimentari regionale pianifica gli assortimenti utilizzando dati di categoria aggregati. Le categorie di cibi etnici - con ottime performance in quartieri specifici - sono costantemente sottorappresentate perché le loro vendite vengono diluite quando vengono raggruppate a livello di banner. Un approccio basato su cluster- costruito sulla composizione effettiva del paniere rivela che quella che sembrava una domanda di categoria bassa in alcuni gruppi di negozi era invece un problema strutturale di aggregazione dei dati. L'adeguamento dei modelli di questi negozi per riflettere il comportamento di acquisto locale colma il divario. Il fattore abilitante non è la nuova tecnologia - ma la disaggregazione dei dati sulla domanda per negozio anziché per banner. Migliore visibilità attraverso strumenti comeetichette elettroniche da scaffale nei negozi di alimentarisupporta la misurazione continua per verificare se gli assortimenti rettificati vengono effettivamente eseguiti.
Moda: gestione degli SKU-coda lunga.Un rivenditore di abbigliamento specializzato trasporta diverse migliaia di SKU attivi per stagione. Un'analisi della produttività rivela che una parte significativa della gamma genera una quota sproporzionatamente piccola di ricavi consumando risorse di pianificazione, inventario e rifornimento. L'analisi separa due gruppi di sottoperformanti: SKU senza base di clienti fedeli identificabile e contributo di spazio-a-margine negativo e SKU con volume complessivo basso ma tassi di acquisto ripetuto elevati in uno specifico segmento di acquirenti. Il primo gruppo viene gradualmente eliminato. Il secondo viene mantenuto con l'allocazione dello spazio modificata. Il risultato è un range più ristretto, più facile da eseguire e con meno probabilità di creare affaticamento decisionale a livello di scaffale.
Vendita al dettaglio di generi alimentari: la velocità di esecuzione come elemento di differenziazione.Una catena di negozi di piccolo-formato opera in luoghi in cui ogni metro quadrato ha una posta in gioco-elevata e il costo di un esaurimento delle scorte è amplificato da riserve di inventario ridotte. Il fattore limitante non è il piano di assortimento - ma il tempo che intercorre tra un esaurimento scorte e la risposta di un addetto del negozio. Ridurre questo divario attraverso il monitoraggio automatizzato degli scaffali, invece di fare affidamento su controlli manuali programmati, ha un impatto diretto e misurabile sulla disponibilità in-negozio per le categorie di impulsi ad alto-margine.
Domande frequenti
Cos’è l’ottimizzazione dell’assortimento nel commercio al dettaglio?
L'ottimizzazione dell'assortimento è il processo di selezione e perfezionamento continuo del mix di prodotti offerto in ciascun negozio per massimizzare le vendite, il margine e la soddisfazione del cliente. A differenza della pianificazione dell'assortimento-una tantum, integra dati in tempo reale-e revisioni continue delle prestazioni per mantenere la selezione dei prodotti allineata alla domanda effettiva.
Qual è la differenza tra pianificazione dell’assortimento e ottimizzazione dell’assortimento?
La pianificazione dell'assortimento è un processo periodico e centralizzato - tipicamente stagionale o annuale - che definisce quali prodotti offrire in base ai dati storici. L'ottimizzazione dell'assortimento è continua. Incorpora segnali in tempo reale-e dati sulle prestazioni a livello di negozio-per adattare l'assortimento al variare delle condizioni. La pianificazione stabilisce la direzione iniziale; l'ottimizzazione lo mantiene calibrato.
In che modo l’intelligenza artificiale migliora l’ottimizzazione dell’assortimento?
L'intelligenza artificiale consente la previsione della domanda a livello di negozio-che va oltre le medie dei cluster, identifica gli SKU con prestazioni inferiori tenendo conto degli effetti di sostituzione, genera raccomandazioni sul planogramma in base alla velocità di vendita corrente ed elabora segnali in tempo reale- - meteo, eventi locali, attività della concorrenza - che i cicli di pianificazione manuale non possono incorporare in tempo per agire.
Quali sono i motivi più comuni per cui l’ottimizzazione dell’assortimento fallisce?
Le cinque modalità di errore più comuni:-eccessiva dipendenza da dati storici che non riescono a catturare la domanda attuale; processo decisionale centralizzato-che non tiene conto delle variazioni locali; sistemi di dati isolati che producono un quadro incompleto; conformità del planogramma inferiore a quanto presupposto dalla sede centrale; e l'incapacità di incorporare i segnali della domanda online che rivelano lacune invisibili solo nei dati sulle vendite in negozio.
Quali KPI dovrei monitorare per l’ottimizzazione dell’assortimento?
I parametri più utili sono il tasso di esaurimento scorte, il tasso di vendita-through, la produttività della SKU (entrate o margine per unità di spazio sullo scaffale), il tasso di conformità del planogramma, il contributo del margine di categoria e l'allineamento della domanda del cluster (varianza tra assortimento pianificato e sell-through effettivo-a livello di cluster). Tieni traccia di tutti questi aspetti a livello di negozio, non solo in forma aggregata.
Quanto tempo richiede l'implementazione?
Un audit di base e un framework di ottimizzazione-basato su cluster possono essere in genere sviluppati in pochi mesi utilizzando i dati esistenti. L'ottimizzazione continua più sofisticata basata sull'AI- richiede una base di dati più solida e potrebbero essere necessari dai 12 ai 18 mesi per essere pienamente operativa. Iniziare con l’audit rivela quasi sempre rapidi vantaggi disponibili prima che sia necessaria qualsiasi nuova tecnologia.
I rivenditori più piccoli possono trarre vantaggio dall’ottimizzazione dell’assortimento?
SÌ. I principi si applicano indipendentemente dalla scala - comprendere quali prodotti guadagnano il loro spazio, monitorare la frequenza di esaurimento delle scorte e creare cicli di feedback tra i dati di vendita e le decisioni sui prodotti sono significativi per operazioni di qualsiasi dimensione. I rivenditori più piccoli potrebbero non aver bisogno di piattaforme AI aziendali; gli strumenti di analisi gratuiti o a basso-costo possono supportare un'ottimizzazione utile in base ai dati già in loro possesso. Scegliere ilgiusta soluzione per l'etichettatura dello scaffaleè un punto di partenza pratico per migliorare l’acquisizione dei dati senza investimenti infrastrutturali significativi.
Di quali dati ho bisogno per iniziare?
Come minimo: dati di vendita a livello di SKU- per negozio con almeno 12 mesi di cronologia, livelli di inventario attuali e alcune misure della disponibilità sugli scaffali - anche report manuali sulle scorte. Partendo da queste basi, puoi eseguire un audit significativo, identificare le opportunità-di maggiore impatto e creare una roadmap per il miglioramento dei dati. I dati perfetti non sono un prerequisito. Un'ottimizzazione utile è possibile con dati imperfetti, a patto di comprenderne e tener conto le lacune.
Da dove iniziare
L'ottimizzazione dell'assortimento offre il massimo valore quando funziona come un ciclo continuo - analizza le prestazioni, adatta il mix di prodotti, esegue in-negozio, misura i risultati e ripeti. I rivenditori che sviluppano questa capacità nel modo più efficace non sono necessariamente quelli che investono per primi negli strumenti più avanzati. Sono coloro che iniziano con dati onesti su dove il loro attuale assortimento sta fallendo e costruiscono le abitudini organizzative per agire in modo coerente su tali dati.
Se stai iniziando da zero, quattro azioni sono immediatamente attuabili: esegui un controllo dell'esaurimento delle scorte e della produttività dello SKU utilizzando i dati che già possiedi; rivedere le definizioni dei cluster di negozi rispetto al comportamento di acquisto effettivo piuttosto che ai dati demografici presunti; collega i dati di ricerca con risultati zero-del tuo e-commerce al flusso di lavoro di pianificazione delle categorie; e definire quali decisioni sull'assortimento dovrebbero essere automatizzate e quali invece riviste da un essere umano prima dell'esecuzione.
Ciascuno di questi può essere fatto prima che venga acquistata qualsiasi nuova tecnologia - e ciascuno produrrà una visibilità più chiara su dove gli investimenti tecnologici potrebbero effettivamente spostare l'ago.
