מדע טילים בקמעונאות Rocket Science Retailing

קבוצת דיון בחקר ביצועים/Operations Research (להלן “פורום “OR)

Marshall Fisher

The Wharton School, University of Pennsylvania, Philadelphia

מאי-יוני 2009

מדע טילים בקמעונאות

הרצאה Philip McCord Morse, 2006

קמעונאות היא תעשייה ענקית. בארצות הברית, ענף הקמעונאות מייצג כ- 40% מהמשק, והענף הוא המעסיק הגדול ביותר. ניהול שרשרת האספקה הקמעונאית הוא עדיין יותר אמנות מאשר המדע, אבל זה משתנה במהירות כי קמעונאים מתחילים ליישם מודלים אנליטיים ביחס לכמות עצומה של נתונים שהם אוספים על רכישות והעדפות של הצרכנים. תנועה זו בתעשייה דומה לזו של וול סטריט שהתרחשה בשנות ה -70, כאשר הפיזיקאים ו-“מדעני טילים” אחרים יישמו את המיומנויות האנליטיות שלהם להחלטות השקעה.

קונסורציום למצוינות תפעולית בתחום הקמעונאי (COER) המנוהל על ידי Ananth Raman מבית הספר למנהל עסקים בהרווארד, ועל ידי, זו קבוצת אקדמאים העובדים עם כ- 50 קמעונאים מובילים כדי להתקדם לעבר מדע טילים בקמעונאות, ולהאיץ את ההתקדמות באמצעות פרויקטים מחקריים נבחרים. לאחר כמה הערות קצרות על המצב הנוכחי של פעילות פרקטית בניהול שרשרת האספקה הקמעונאית, מאמר זה יתאר דוגמאות של מחקר COER בארבעה תחומים: תכנון של מבחר, תמחור, אופטימיזציה של מלאי, וביצוע בחנויות.

סיווגי נושא: קמעונאות; אופטימיזציה של מבחר; חיזוי, ניהול מלאי; ביצוע בחנויות; תמחור.

תחום סקירה: פורום    OR

1. מבוא

נכנסתי לקמעונאות ב-1995 עם שלושה פרויקטים של פיתוח עם קמעונאי הלבשה, מקטלג, וקמעונאי מכולת הולנדי. התגובה הראשונית שלי הייתה כי קמעונאות היא גן עדן לחקר ביצועים משש סיבות:

1. לקמעונאים יש מטרות ברורות, כגון גידול במכירות וברווח גולמי.

2. יש להם החלטות מוגדרות היטב שמשפיעות ישירות על המטרות האלה, כמו איזה מבחר של מוצרים לבצע, באילו כמויות ובאיזה מחירים.

3. קמעונאים אוספים נתונים על עסקאות צרכנים בקצב אדיר. סורקים בנקודות מכירה (Point Of Sale – POS), כרטיסי נאמנות לקוחות, זרמים באתרים בעזרת קליקים, תוויות זיהוי בתדר רדיו (RFID), ועגלות חכמות העוקבות אחר הצרכן בחנות מכולת – אלה הם כמה מטכנולוגיות חדשות המאפשרות לקמעונאים לאסוף נתונים רלוונטיים להבנת לקוחות שלהם.

4. בהשוואה לחברות תעשייתיות גדולות אחתם עבדתי, קצב היישום של רעיונות חדשים הוא הרבה יותר מהר בקמעונאות. זה יחסית מהר ליישם על בסיס ניסוי אלגוריתם חדש לקביעת מחירים או רמות המלאי, ונתונים SKU POS (SKU – Stockkeeping Units) בחנות יגלו בעוד כמה שבועות אם הרעיון החדש עבד.

5. קמעונאות מאז ומתמיד היה ההקשר המועדף בתחום שלנו, ורבים מבעיות אופטימיזציה של מלאי הקלאסיות תוארו מבחינת מבט של קמעונאי. בואו לא נשכח כי “מוכר עיתונים” הוא קמעונאי.

6. ניהול המלאי הוא אחד מהדברים החשובים ביותר שקמעונאי עושה, כך שפעילות אינטלקטואלית מרכזית בתחום שלנו – באופטימיזציה של מלאי – היא גם בעלת חשיבות מרכזית למנכ”לים בקמעונאות.

אבל היו כמה הפתעות. ההפתעה הגדולה ביותר הייתה שלמרות כל הנתונים זמינים, קבלת ההחלטות של רוב הקמעונאים הייתה עדיין איכותנית (לא כמותית) ומבוססת על שיפוט. לסגן נשיא אחד בשיווק שעבדנו איתו בתקופה זו היה כרזה על דלת שלה, שתיארה את מצב העניינים הנוכחי כ”יש לנו המון נתונים אבל חסר מידע “.

תוצאות מהחלטות המבוססות כמעט לחלוטין על שיפוט אנשים היו לא על רמה של “מדע טילים”. מי שעזר מאוד לעמיתים שלי ולי בתקופה זו היה Jerome Fisher, בוגר  Wharton ומייסד Nine West. הוא תיאר מגבלות של התהליך השוטף לחיזוי ביקוש ותכנון הספקה, ואמר: תשימו עשר נעליים חדשות ותשאלו עשרה קונים “לאיזה מהנעליים יהיו ביקוש רב בעונה הבאה”, ותשאלו עשר תשובות שונות.

נראה היה שזה מצב בשל לשינוי. היו תוצאות לא טובות מהמערכת הנוכחית, ומידה רבה הקשורה לאפשרות הקמת מערכת חדשה, כולל אוסף נתונים על הצרכנים, ומודלים ואלגוריתמים מהאקדמיה אשר היה ניתן ליישם בעזרת הנתונים האלה. זה היה דומה מאוד לעולם ההשקעות בסוף ה- 1970, כאשר וול סטריט עבר משהו שנקרא המהפכה של מדע הטילים, אשר הפך קבלת החלטות ההשקעה מלהיות אמנות יותר מאשר מדע, למדע יותר מאשר אמנות. המעבר הזה כלל ארבע מרכיבים: (1) כמות גדולה של הנתונים יעילים, כמו קלטת טיקר לטרנסאקציות של מניות; (2) מודלים, בעיקר מהאקדמיה, אשר אפשר היה ליישם בעזרת הנתונים האלה; (3) כוח מחשוב בקנה מידה גדול בו אפשר היה להשתמש בניתוח המודלים; (4) מה שנקרא “מדעני טילים” – אנשים עם תואר דוקטור בפיסיקה, חקר ביצועים, ומקצעות טכניים אחרים, אשר נשכרו על ידי חברות השקעות כדי לבצע את המעבר.

התנאים האלה קיימים כעת בקמעונאות. כפי שפורט לעיל, ישנם מקורות הולכים וגדלים עבור נתוני הצרכן, אוסף מודלים מהאקדמיה, כוח מחשוב בשפע, ולמרות שזה הולך לאט, קמעונאים מתחילים לשכור אנשים עם הכשרה אנליטית. כפי שתואר על ידי Fisher et al. (2000), קמעונאות עוברת לאט אבל באופן בטוח מכמעט הכל אמנות לשילוב מאוזן היטב של אמנות ומדע. כדי להבין יותר טוב את התופעה, בעשור האחרון Ananth Raman מבית הספר למנהל עסקים בהרווארד ואני ניהלנו קבוצת אקדמאים שעבדו עם כ-50 קמעונאים מובילים כדי להתקדם לעבר מדע טילים בקמעונאות, ולהאיץ את ההתקדמות באמצעות פרויקטים מחקריים נבחרים ופגישות שנתיות. קבוצה זו של אקדמאים וקמעונאים נקראת קונסורציום למצוינות תפעולית בתחום הקמעונאי (COER).

התחלנו על ידי בחינת כמה טוב המערכת הנוכחית עובדת. כאשר קמעונאי קונה מלאי, יש רק שני דברים שיכולים להשתבש: הוא יכול לקבל יותר מדי של מוצרים מסויימים, ומעט מדי של מוצרים אחרים. עבור אותם מוצרים שיש לו יותר מדי, הוא מוריד את המחיר, לעתים קרובות כמה פעמים, עד שהוא בסוף מוכר את כל המלאי. עד לא מזמן חנויות כל-בו שיתפו ופרסמו נתוני מחירים של הנחות שלהם. כפי שרואים בתרשים 1, הנחות בחנויות כל-בו עלו מ- 7% ב-1971 לכ-25% בממוצע בשנות ה- 1990. זה מצביע על מספר רב של מקרים בהם בחנויות כל-בו היה יותר מדי מוצרים בסוף העונה.[1]

תרשים 1. הנחות בחנויות כל-בו כאחוז ממכירות: 1970-1997.

טבלה 1. רווח גולמי ממוצע ורווח לפני מס כאחוז מהכנסה בארבע ענפי קמעונאות, 2000-2006.

עם רמה כה גבוהה של הנחות, אפשר לחשוב כי מחסור הוא עניין נדיר, אך סקר שנערך לאחרונה מראה אחרת. 70% מאלה שהשתתפו בסקר

KSA’s Consumer Outlook Survey (Kurt Salmon Associates 1998)

ענו כי הם נכנסו לחנות עם רעיון ברור איזה פריט הלבשה הם היו רוצים לקנות. אבל 51% מהם יצאו מהחנות עם ידיים ריקות כי הם לא הצליחו למצוא מה שהם חיפשו. באופן לא מפתיע, שיעור המלאי נרשם כגורם הגדול ביותר המשפיע על בחירת החנות עבור המשיבים.

אפילו שיפורים צנועים ביחס בין היצע לביקוש יכולים להשפיע משמעותית על רווח של קמעונאי. קמעונאות היא ענף עם עלויות קבועות גבוהות. זה עולה הרבה כסף כדי לשמור על החנות עצמה, וזה אותה עלות, אם המכירות $ 1 או $ 1 מיליון בחנות. משמעות הדבר היא כי אפילו עלויות קטנות במכירות מהמלאי יכולות להביא לעלויות גדולות ברווח.

בטבלה 1 מוצג רווח גולמי ורווח לפני מס ממוצע, למגזרים קמעונאיים שונים. נציין כי רווח גולמי גדול יחסית לרווח לפני מס. זה אומר כי אפילו עליה קטנה במכירות משפיע משמעותית על רווח לפני מס. למשל, אם קמעונאי בתכשיטים מעלה מכירות ב- 2.5%, רווח גולמי בגודל 42% במגזר זה מביא לעליה ברווח לפני מס כ- = 1.05% 2.5% x0.42 מההכנסה. זה יעלה יותר מפי שניים רווח לפני מס.

תרחיש זה אינו מוגזם. בשנות 1990, Bulgari[2], תכשיטן איטלקי, אחד מהטובים, חבר ב- COER, היה מודאג כי הוא מפסיד במכירות בגלל רמה גבוהה של מלאי בחנויות שלו. אחת ההשערות בתוך החברה היה זה שמחסור הביא לירידה מינימלית במכירות כי הלקוחות יכלו לרצות להחליף בחירה ראשונה שלהם, אם היא הייתה חסרה במלאי, לפריט אחר. כדי להבין טוב יותר את המצב, הם החלו לעקוב במדגם של חנויות לאחר תגובות של לקוחות שבאו לבקש פריט מסוים ונאמר להם כי הפריט היה חסר. בהתבסס על מעקב זה, הם הגיעו למסקנה כי במחצית מהמקרים שבו נתקל הלקוח במחסור, לא התבצעה מכירה[3]. בחצי השני של מקרי מחסור, הלקוח או קנה פריט אחר או דחה את הקניה עד שהפריט מהבחירה הראשונה שלו היה במלאי. כך שהגיוני להניח כי שיפור במלאי ב-5% יכול היה להגדיל את המכירות ב-2.5%[4] ומכפיל רווח לפני מס. במגזרים אחרים דרוש שיפור גדול יותר במלאי כדי להכפיל רווחים, אבל בכל מקרים שיפורים סבירים במלאי יכולים להביא לשיפור דרסטי ברווח.

קמעונאים נתקלים בארבעה שאלות חשובות בניהול שרשראות אספקה שלהם: להחליט איזה מבחר מוצרים דרוש בכל חנות בכל נקודת זמן, באיזה מחירים ובאיזה כמויות מלאי, להבטיח עבודה הטובה ביותר של עובדי החנויות כדי להשיג ביצוע מצויין בחנויות. מאמר זה מתאר מדגם מחקרים ב- COER בשאלות האלה. מחקר זה בוצע אן מתבצע עכשיו על ידי קמעונאים כחלק מהתאמה מהירה של שיטות אנליטיות שפותחו במהלך העשור האחרון. למשל, כאשר מגגלים “תכנון מבחר” מקבלים יותר מרבע מיליון הפניות למערכות אנליטיות. כמה חברות הזנק בזמן האחרון התבססו על גישות אנליטיות לתמחור הנחות או תמחור ראשוני. אני מכיר לפחות קמעונאי אחד אשר משתמש באלגוריתמים מסובכים של מלאי אופטימלי שפותחו במחקר  COER, וקמעונאים רבים עכשיו לומדים ומנתחים נתונים על סיפוק של לקוחות בניסיון לשפר ביצועים במלאי.

תיאור הרבה יותר מפורט של המחקר המוצג במאמר זה בצורה שמתאימה למנהלים, נמצא במאמר של Fisher and Raman (2009). המאמר האחרון מתמקד במחקר ב- COER, ולכן אינו כולל דיון באוסף שהולך וגדל של עבודות מצויינות שפורסמו על ידי חוקרים רבים שעובדים בתחום קמעונאות. ב- Agrawal and Smith (2009) נמצא סקירה מצויינת של מחקר אחרון בתחום קמעונאות.

קמעונאות תמיד תהיה שילוב של אומנות ומדע, עם היחס בינם התלוי במוצר ספציפי. למשל, בהקשר להלבשה יש חלק גדול יותר של אומנות מאשר במגזרים של מזון וציוד מחשבים. בעשור האחרון, חלק של מדע בשילוב הזה גדל באופן מתמיד.  

ראינו את הופעתן של חברות מוצלחות רבות בתחום תוכנות אנליטיות. חלק מהן התחילו לעבוד בעזרת אקדמאים  והתבססו על מחקר שלהם, בעיקר בתחומים כמו תמחור, ניהול מלאי, ותכנון מבחר. צריך לציין כי קמעונאים בטבע שלהם זהירים כלפי מתמטיקה מסובכת, כך שיישום  (האלגוריתמים) תמיד מאתגר. אבל קמעונאים דואגים מאוד לתוצאות, כך שכל שימוש במדע שיכול להציג שיפור משמעותי בתוצאות, ראוי ליחס רציני מקמעונאים. אני אישית אופטימי בכך שקמעונאות תמשיך להתפתח כמטרה טובה מאוד ליישום שיטות מתחום שלנו.

2. תכנון מבחר

תכנון מבחר כולל הגדרה של אוסף מוצרים אותו הקמעונאי יחזיק בכל חנות ובכל נקודת זמן, כדי לקבל פונקציה של רווח אופטימלית. רוב קמעונאים חושבים על תכנון מבחר כעל בעיית תקצוב הון וניתוח משולב של נתונים היסטוריים ושיפוט אנשים כדי להגדיר מרחב אחסון וכסף הדרוש לכל קטגוריה של מוצרים. הבחירה על איזה SKU (Stockkeeping Units) ספציפי לשייך לכל קטגוריה, נשארת לקמעונאי. לו יש מעט, אם בכלל, כלים אנליטיים לעזור לו עם ההחלטה הקשה שלו. ההחלטה להשתמש או לא ב-SKU ספציפי היא אתגרית במיוחד לגבי מוצרים אותם קמעונאי לא אחסן קודם, ולכן אין לא ניסיון במכירתם.  

דוקטורנט Ramnath Vaidyanathan ב- Wharton ואני עבדנו עם שלושה COER קמעונאים כדי לפתח רהיטים לחנויות ובתים. בגישה שלנו משתמשים היסטוריה של מכירות כדי להעריך ביקוש לכל SKU אפשריים (כולל SKU רבים לא בשימוש כעת על ידי הקמעונאי) בכל חנות, וסבירות של בחירת SKU אחר על ידי הלקוח במידה והמוצר המועדף אינו זמין. לאחר מכן אנו מגדירים מבחר המביא רווח אופטימלי לכל חנות, על בסיס ההערכות.

הגישה שלנו משתמשת בספרות רבה בשיווק בה מסתכלים על המוצר כעל  אוסף של ערכי תכונות. המאמרים הרלוונטיים ביותר זה Bell et al. (2005) ו- Fader and Hardie (1996) בהם משתמשים בגישה של ערכי תכונות כדי להעריך ביקוש. כמה חוקרים השתמשו במודלים מסוג זה כדי לקבל תכונות של מבחר אופטימלי תחת תנאים שונים, אבל אני מחקרים רבים אשר יכלו לספק כלים כדי לאפשר לקמעונאי לבחור במבחר יותר טוב. למיטב ידיעתנו, בנושא תמיכה בקבלת החלטות רק המחקרים הבאים פורסמו: Chong et al. (2001), Green and Krieger (1985), Kök and Fisher (2007), ו- Smith and Agrawal (2000). מהם רק Kök and Fisher (2997) נותנים שיטה להערכת ביקוש והסתברויות החלפה, שהם פלטים הכרחיים לאלגוריתם של תכנון מבחר. הפניות רלוונטיות אחרות ניתנו ב- Fisher and Vaidyanathan (2009). נרעיון המרכזי שלנו הוא לראות את SKU כאוסף של ערכי תכונות. למשל, עבור הקמעונאי שמוכר מצעים, SKU ספציפי יכול להיות קינג סייז, כחול בהיר, כותנה, צפיפות בד 400 סדין. למרות שהקמעונאי אף פעם לא החזיק סדין ספציפי זה, כל עוד הקמעונאי מכר קינג סייז סדינים, כחול בהיר סדינים, סדיני כותנה, סדינים עם צפיפות בד 400, נוכל להשתמש היסטוריה של המכירות עבור תכונות אלה בחנות ספציפית, כדי להעריך ביקושים עבור התכונות האלה בחנות הזו. לאחר מכן נעריך ביקוש לקינג סייז, כחול בהיר, כותנה, צפיפות בד 400 סדין כמכפלה של ביקושים לקינג סייז, כחול בהיר, כותנה, וצפיפות בד 400.

ברור שההערכה הזו אינה מושלמת. למשל, עדיפות לצבע של קוני סדין כפול יכול להיות שונה מאלה של קונים קינג סייז סדינים, אבל בהערכת ביקוש לכחול בהיר נשתמש במכירות של סדיני כחול בהיר בכל הגדלים, בדים, וצפיפות. אף על פי כן, במצטבר זאת הערכה מדויקת ושימושי מאוד מכיוון שפירוק לתכונות היא מייצרת, מאפשר ניתוח רב עוצמה אשר מוביל לתובנות מעניינות אותן אפשר לבדוק, האם הן נכונו, לאור הנחה על פירוק התכונות. אציג את פרטי הגישה הזאת על דוגמת תכנון מבחר צמיגים עבור קמעונאי חלקי רכב. תיאור נרחב של מתודולוגיה זו מסופק ב- Fisher and Vaidyanathan (2009).

מאפייני הצמיגים הרלוונטיים לתכנון מבחר הם מותג, אחריות קילומטראז’, וגודל. הקמעונאי הציע מספר מותגים המפורסמים בכל הארץ, והוא האמין שהם נראו שווה ערך על ידי הצרכנים, ושלושה מותגי הבית של איכות משתנה, אשר אנו מציינים כבית 1, בית 2, ובית 3, כאשר בית 1 נמצא ברמת האיכות העליונה והוא היקר ביותר בין מותגי הבית, ובית 3 נמצא ברמה הנמוכה. כמה עשרות אחריות קילומטראז’ שונות הוצעו, אבל חלק מהן היו קרובות מאוד זו לזו, ולכן זהות מבחינה זו עבור הצרכנים. לכן קיבצנו אחריות קילומטראז’ בשלוש רמות – גבוהה, בינונית, ונמוכה. זה לא הגיוני למכור צמיג באיכות נמוכה ובמחיר נמוך, עם אחריות קילומטראז’ גבוהה, או להיפך. לפיכך, זיהינו את ששת השילובים הבאים של אחריות למותג כמייצג את השילובים הלוגיים: לאומי גבוה (NH), לאומי בינוני (NM), ביתי 1 גבוה (H1H), ביתי 2 גבוה (H2H), ביתי 2 בינוני (M1H), וביתי 3 נמוך (L3H). הוצעו 64 גדלי צמיגים שונים, שנתן 64×6 = 384 SKU אפשריים שונים לצמיגים אותם אפשר היה להציע. הקמעונאי הביא 122 מהם, מתוך 384 SKU אפשריים, לפחות לחנות אחת, והשאלה הברורה הייתה האם לאיזה מתוך 262 צמיגים אשר כעת אינם מוצעים, יהיה ביקוש גבוה מספיק כדי להצדיק את הצעתם.

אם הלקוח אינו מוצא את הבחירה הראשונה שלו בצמיג, הוא עשוי להחליף בצמיג אחר. מתברר שניתן להעריך את הסבירות של התחליף על בסיס היסטוריית המכירות, אם כי אין מספיק נתונים כדי לאמוד באופן מהימן כל הסתברויות החלפה אפשריות. לפיכך, הסתמכנו על כך שמנהלים יספרו לנו על הדגמים הסבירים ביותר של תחליף, והתמקדנו בהערכות אלה. החלפת בגדלים אינה קיימת כלל (למשל, הצמיג 14 אינץ’ קוטר לא ניתן להשתמש על גלגל 15 אינץ’). תרשים 2 מתאר את הסבירות האיכותית של החלפה מרמת אחריות מותג מסוימת לאחרת, כפי שהוערכה על ידי המנהלים. נסמן כ- ,  , ו –   הסתברות הנמוכה, הבינונית, והגבוה של החלפה. כמו כן, ביקשנו מהמנהלים לדרג את אפשרויות החלפה הנתונות עבור אחריות מותג מסוימת, ואנו מניחים כי אם הלקוח יחליף, הוא יחליף במותג עם האחריות הגבוהה ביותר המבוצעת במבחר. אחריות המותג מדורגת עבור תחליף לפי הסבירות של החלפת, ואיפה יש קשרים, אחריות המותג השמאלי ביותר בטבלה מדורגת הגבוהה ביותר.

טבלה 2 מציגה נתוני מכירות עבור חנות מסוימת ועבור תת-קבוצת של גדלים. אנו משתמשים בנתוני מכירות אלה כדי לאמוד עבור כל חנות שש אחריות המותג, 64 גדלי צמיג, ושלושת הסתברויות החלפה. השתמשנו בהערכה בשיטת נראות מקסימלית. בשיטה זו מוצאים ערכי פרמטרים אשר מביאים לנראות מקסימלית שנקבל נתוני המכירות אותם משתמשים לאמידת הפרמטרים. כדי להדגים עוד יותר שימוש בגישה זו, הטבלה 4 מציגה פונקצית נראות עבור מדגם קטן המוצג בטבלה 3, שהוא חלק מהמדגם הגדול יותר מהטבלה 2. נציין כי בטבלה 3 כל שילובי התכונות מוצגים חוץ מ- National High  בגודל P175/80R13, ו- House 3 High בגודל P215/70R15. הלקוחות שמעדיפים ה-SKU האלה יכולים להחליף SKU אחרים. בתרשים 2, ההסתברות של התחלופה מ- National High ל- House 2 Medium, או ל- House 3 Low הונחה 0, ואפשר להתעלם ממנה. כפי שצוין קודם, הלקוחות שמעדיפים House 3 Low יכולים להחליף ב- House 2 Medium עם ההסתברות , והאפשרות הזו נכללת בפונקציית הנראות.

טבלה 2. נתוני קלט עבור חנות הם המכירות במהלך ששת החודשים האחרונים ב- 2004 לפי רמת גודל- מותג-אחריות עבור SKU שהוצעו.

טבלה 3. מדגם נתוני מכירות להדגמת נראות מקסימלית.

טבלה 4. פונקציית נראות מקסימלית לנתוני המדגם.

כדי למצוא ערכי פרמטרים אשר ממקסמים את פונקציית הנראות, אנו מוצאים לוגריתם כדי לקבל פונקציה ספרבילית ולהשתמש בשיטת הגרדיאנט. קל למצוא דוגמאות אשר ממחישים שפונקציית הנראות היא אינה קעורה, באופן כללי. לכן נשתמש בשיטה הגרדיאנט שוב ושוב מנקודות ההתחלה הנבחרות באקראי. לאחר הערכה של הביקוש, ניתן להעריך באופן ישיר את הביקוש לכל SKU על ידי הכפלת חלק הביקוש של היחידה בהערכת ביקוש כללי השווה למכירות סה”כ חלקי חלק הביקוש המתאים למבחר השוטף, להתבסס על הערכת הלקי הביקוש והסתברויות ההחלפה. כדי להעריך את המחיר בו הקמעונאי יכול לחייב את SKU בו לו משתמשים כעת, נחשב רגרסיה של מחירי SKU שמשתמשים בהם, על תכונות שלהם כדי לקבל נוסחה לתמחור על בסיס התכונות.

השיטה הזו מיושמת בכל חנות. בטבלה 5 רואים את הממוצע, לפי כל החנויות, של הביקוש והסתברויות ההחלפה שנערכו לפי מותג האחריות. סטייה בערך מוחלט ממוצעת (MAD) של תחזית מכירות בחנויות-SKU (מחושב כסכום סטיות בערך מוחלט של תחזית כנגד ערכים של מכירות בפועל, חלקי סכום המכירות בפועל), הייתה 13.6%, ו- של הרגרסיה של המחירים היה 96.3%, שמראה כי התחזיות היו די מדויקות.

טבלה 5. תוצאות האמידה.

טבלה 5 גם נותנת את נתחי המכירות בהשוואה להערכות של נתחי הביקוש. התכונה המעניינת ביותר של תוצאות אלה היא שהערכת נתח ביקוש ל- Low House 3 הרבה יותר גבוהה מנתח מכירות שלה, ול- House 2 Medium היא הרבה יותר נמוכה מנתח המכירות. הסיבה לכך היא שהקמעונאי הזה מציע House 3 Low רק ב-15 מתוך 64 גדלים. אבל כפי שהוצג בטבלה 6, בכל 9 גדלים בהם House 3 Low מוצג עם House 2 Medium, הוא (הראשון מהם) מועדף מאוד. הקמעונאי הציע House 3 Low בכמה גדלים בלבד כי הוא העדיף למכור House 2 Medium שמחירו גבוה יותר, והניח כי צוות המכירות שלהם יכל לשכנע את הלקוחות לקנות את הצמיגים (היקרים). הערכת ההחלפה השווה 45% מראה כי באמת לקוחות רבים עברו לצמיג זה, וזה מסביר חתך מכירות גבוה של House 2 Medium יחסית לחתך הביקוש שלו. אבל 55% של 61% הלקוחות המעדיפים House 3 Low שלא החליפו, מציגים יותר מ-33% של הביקוש אשר היה אבוד כאשר House 3 Low לא הוצג בגודל, וזה אומר כי אפשרות משמעותית הייתה להגדיך את המכירות בעזרת מבחר מחדש.

כדי לאשר את תוקף התוצאות שלנו, אנחנו מראים בתרשים 3 את החתך של  House 3 Low כנגד הכנסה חציונית לפי מיקוד אשר באזור שלו נמצאת החנות. נמצא, כפי שאפשר היה להניח, ביקוש נמוך בשביל צמיגים הזולים בשכונות עם הכנסה גבוהה יותר.

טבלה 6. מכירות של House 2 Medium ושל House 3 Low בתשעה גדלים כאשר הם התחרו אחד עם השני, לאורך כל שרשרת ההספקה. House 3 Low נמכר הרבה יותר מ- House 2 Medium.

תרשים 3. מתאם בין חלק של צמיגים זולים להכנסה.

השתמשנו בהאוריסטי חמדני (greedy heuristic) ביחס לביקוש שלנו, תחליף, ואומדני תמחור כדי לקבוע מבחר אופטימלי. כדי לקבל מבחר של N SKU המביא למקסימום של רווח, בחרנו את ה- SKU הראשון כזה שהוא ממקסם רווח אם הוא היה SKU היחידי במיון. בהמשך, בחרנו SKU נוספים, וכל אלד מהם נבחר כדי למקסם את העליה ברווח בהנתן בחירות קודמות, עד שבוחרים N של SKU.

בהתחלה אנחנו מיישמים את ההאוריסטי החמדני ליצור מבחר עבור כל חנות בנפרד ומבחר לשרשרת כולה. בייצור מבחר לשרשרת, אנחנו משתמשים בהערכות ביקוש וחלופים ייחודים לכל חנות, אבל מנחים כי לכל החנויות יש אותו מבחר. זה מייצר הן מבחר מועדף לכל השרשרת אם הקמעונאי רוצה להשתמש באותו המבחר בכל החנויות, הן מבחר מועדף ייחודי לכל חנות אם הקמעונאי רוצה להשתמש במבחר ייחודי בכל חנות. רוב הקמעונאים אינם ששים שיהיה מבחר ייחודי עבור כל חנות בגלל עלויות מנהליות גבוהות, אבל הם רוצים גם להשתמש ביותר ממבחר אחד לשרשרת כדי לאפשר “קייטרינג” לפי עדיפויות מקומיות.

נניח כי הקמעונאי רוצה לתמוך ב- K מבחרים. יש לנו שני האוריסטים אפשריים לייצר K מבחרים מהמבחרים שנוצרו עד עכשיו: האוריסטי קדימה והאוריסטי אחורה. בהאוריסטי קדימה אנחנו מייצרים מקבלים את המבחר לשרשרת כולה בתור המבחר הראשון ומוצאים את החנות בה יש ההבדל הגדול בין הרווח אותו החנות מייצרת כשמשתמשת במבחר שלה ייחודי לחנות זו ובמבחר לאורך כל השרשרת, ובוחרים במבחר החנות הזו כמבחר שני בהאוריסטי. אנחנו מקצים כל חנות למבחר אשר מאפשר רווח מקסימלי בחנות זו. לאחר מכן אנחנו שוב מיישמים את ההאוריסטי לכל אחד משני אשכולות החנויות, מסכמים רווח בכל חנויות באשכול כאשר בוחרים לפי ההאוריסטי, כדי שהמבחרים יותאמו לביקוש בכל משכול. התהליך נמשך עד שמייצרים K מבחרים.

בהאוריסטי אחורה אנחנו בוחרים שתי חנויות לאחד באשכול אחד. הקריטריון להכנסת חנויות לאשכול זה או אחר יכול להיות הפסד מינימלי ברווח, או החפיפה הגדולה ביותר בן שני מבחרים ספציפיים לחנויות. אז נשתמש בהאוריסטי החמדני ליצור מבחר עבור משכול זה המכיל את שני החנויות. ממשיכים לאחד זוגות של חנויות או אשכולות עד שנקבל בדיוק K מבחרים.

תרשים 4 מראה תוצאות הדוגמה של מבחר צמיגים. ביישום זה אנחנו מבצעים אופטימיזציה של הכנסות מכיוון שנתוני שיעור הרווח התפעולי המדויקים לה היו זמינים. אבל הקמעונאי האמין כי אחוז רווח היה דומה לכל המוצרים.

הערכת עליה בהכנסות המוצגת בתרשים 4 גדולה להפליא כך שמן הראוי לבחון את השינויים במבחר המביאים לעלייה זו. נתמקד במקרה של מבחר יחיד לשרשרת כאשר הערכת העלאת ההכנסות שווה 46%. המבחר מוגדר על ידי מספר וצירוף של אחריות המותג המוצע בכל גודל. בטבלה 7 מראים מספר אחריות המותג המוצע בכל גודל עבור מבחרים השוטף והחדשים כאשר אנחנו מגדירים את המבחר השוטף כ- 122  SKUבתוקף לפחות בשלב אחד, ואת המבחר החדש כ- SKU שנבחרו באמצעות ההאוריסטי החמדני בשביל N = 122. נציין כי המבחר החדש מציע מספר אחריות המותג הגדול ביותר לגדלים בהם הוערכה ההכנסה הגבוהה, ואילו זה לא תמיד מתקיים במבחר הנוכחי.

תרשים 4. הערכה ששיני במבחר מוסיף 52% להכנסה.

כדי לראות איך זה משפיע על הכנסות, נתבונן בשישה גדלים המדורגים לפי הכנסות, עם הדרגות 6 ו- 60-64. במבחר הנוכחי ישנה אחריות המותג היחידה בכל גודל, ולמרות שזה לא מוצג בטבלה, אחריות המותג הייתה House 2 Medium. לעומת זאת, במבחר המתוקן יש שש אחריות המותג לגודל המדורג במקום 6, ו-0 לגדלים המדורגים במקומות 60-64. לכן המבחר החדש כולל 100% מ- 4.8% של הכנסות לגודל 6, ו-0 לגדלים 60-64, לסה”כ הכנסות 4.8%. לעומת זאת, במבחר השוטף מחושב 5+0.45*61+0.02*(24+4) = 33% מסה”כ הכנסות של 4.94% לגדלים 6 ו- 60-64 בשביל ההכנסה הכללית של 1.63%. לכן, העלאת ההכנסות בדוגמה זו גדולה מ-290%. למרות שזה מקרה קיצוני, זה מראה כי הכנסות רגישות מאוד למספר אחריות המותג המוצע בכל גודל.

העקרון להציע יותר בחירות בגדלים הפופולריים ביותר הוא קונצפט אינטואיטיבי כך שאפשר לתהות מדוע הקמעונאי לא עשה את זה כבזר. תשובה אחת היא כי המבחר המוצע מעוות את דפוסי הביקוש האמיתים, כך שנתוני מכירות ראשוניים מציגים תמונה עכורה. בטבלה 7 מוצג גם כי דירוג של כל גודל מבוסס על הכנסה אמיתית. נציין כי גודל המדורג 6 לפי ביקוש אמיתי, מדורג רק 18 לפי הכנסה אמיתית. זה בגלל שההצעה של רק אחת אחריות המותג בגודל זה הקטינה את ההכנסה יחסית לרמה פוטנציאלית שלה.

הטבלה 8 מראה מספר גדלים בהם כל אחריות המותג הוצעה. נציין כי מבחר חדש הקטין משמעותית מספר House 2 Medium שהוצעו, והגדיל מספר House 2 High ו- House 3 Low שהוצעו – שתי אחריות המותג עם הערכת הביקוש הגבוה ביותר.

טבלה 7. מספר אחריות המותג המוצע לפי גודל.

טבלה 8. מספר גדלים שהוצע לכל אחריות המותג.

נדון בהשפעה של השינויים האלה. עם 64 גדלים ו105 SKU בממוצע לכל חנות, בממוצע 1.6 אחריות המותג מוצע בכל גודל כך שמקרה טיפוסי הוא הצעה של 2 אחריות המותג. הזוגות הנפוצים ביותר היו  House 2 Medium בזוג עם House 3 Low או House 2 High. הזוג הנפוץ ביותר במבחר החדש  היה House 2 High ו- House 3 Low. אנחנו יכולים להשוות את ההכנסות של הזוג עם ההכנסות  של זוגות אחרים המוצעים במבחר החדש. המחיר הממוצע של House 2 High היה פי 1.2 גבוה מהמחיר של House 2 Medium, והמחיר הממוצע של House 3 Low היה 0.84 מהמחיר של House 2 Medium.

לפשטות, נתבונן בגודל  גודל עם ביקוש סה”כ 100 יחידות, ונניח מחירים $120, $100, ו- $84 בשביל House 2 High, House 2 Medium,, ו- House 3 Low. ההנחות האלה מאפשרות לפשט את ההסבר מבלי לגעת  במסקנות. אז ההכנסות של House 2 Medium ו-  House 3 Lowנחשב כ-:

$100(5+0.02 ∗ (24+4)) +$84 ∗ 61=$5,680

House 2 Medium  ו- House 2 High:

$100(5+0.45 ∗ 61 + 0.02*4) +$120(24+0.06*4+0.02(3+4)=$6,178.60

House 3 Low  ו- House 2 High :

$120(24+0.02 ∗ (4+3) + 0.06*(4+5))+$84*61=$8,085.60

השינויים באחריות המותג שהוצגו למבחר החדש בשני המקרים מאפשרים להעלות את ההכנסות ב- 42% וב- 31%, בהתאמה. לכן אנחנו רואים לאחר בחינה קפדנית של סוגי השינויים שנעשו במבחר כי העלאת ההכנסה ב- 46% הוא די מתקבל על הדעת.

3. תמחור

אחד הדברים הגדולים על קמעונאות הוא שאתה יכול לעשות ניסויים. בסעיף זה נסקור את המחקרים המדווחים ב- Gaur and Fisher (2006) לערוך ניסוי למדידת גמישות המחירים. כמובן, יש ספרות שיווקית נרחבת על מדידת גמישות המחירים. ב- Tellis (1988) מסכמים ממצאים ממספר מאמרים בנושא. כמו כן, רלוונטי לפרק זה ספרות על השפעת המחיר על איכות מורגשת. Lichtenstein ו-  Burton(1989) חוקרים את ההשפעה הזאת עבור 15 מוצרים לטווח ארוך וקצר. הפניות רלוונטיות אחרות נתונות ב- Gaur, Fisher  (2006).

טבלה 9. מחירים מהניסויים ועלויות קניה.

Fisher and Rajaram  (2000) מתארים שיטה מובנית להעברת בדיקה קמעונאית. Gaur and Fisher (2006) משתמשים בשיטה זו ב- Zany Brainy, קמעונאי הצעצועים החדשני, כדי לבדוק מחירים חלופיים לשלושה צעצועים שונים. אנחנו השתמשנו בגישה המתוארת ב- Fisher and Rajaram (2000) כדי ליצור שלושה פאנלים להשוואה של שש חנויות כל אחד. אנחנו זיהינו מחירים נמוכים, בינוניים, וגבוהים לכל אחד מהצעצועים כי שמוצג בטבלה 9, ורשמנו אחד מהמחירים בכל אחד משלושת הפנלים. קבענו את המחירים כך שבכל פאנל היה צעצוע במחיר נמוך, בינוני, וגבוה. תרשים 5 מראה מכירות בשביל כל אחד מהמחירים במשך תקופת הניסוי בת שישה שבועות. מוצר C מפתיע כי המכירות במחיר בינוני הרבה יותר גדולות מאשר במחיר נמוך או גבוה. הגענו למסקנה כי הסיבה לכך היא שהלקוחות משתמשים במחיר כאינדיקטור לאיכות. המוצר C היה מכשיר קשר לא מכוונן ולא היה שום סיכוי שהלקוח יוכל להעריך באופן אובייקטיבי את איכות האלקטרוניקה. מצד שני, מוצר A היה מוצר ממותג עם איכות ידועה, ומוצר B היה סט בלוקים והלקוחות יכלו בקלות לראות את המאפיינים שלו.

העדפה לתשלום מחיר גבוה יותר קשורה לקונצפט של צריכת בולט שנעשה פופולרי על ידי Thorstein Veblen,, ומושרשת בעובדה כי “התועלת נגזרת מיחידה של מצרך בו משתמשים לצריכה בולטת, תלויה לא רק במאפיינים של אותה היחידה אלא גם במחיר שלו” (Leibenstein 1950). ב- Simonson and Tversky (1992) גם מצויין כי בחירה של הלקוח מושפע על ידי ההקשר, והאטרקטיביות של אפשרות קטנה אם זה מחיר הנמוך ביותר או הגבוה ביותר. אנחנו לא יודעים מחיר של מכשירי קשר אחרים המוצעים על ידי הקמעונאי אבל יכול להיות שזהו המחיר הנמוך, ובגלל זה האטרקטיביות לצרכנים הייתה נמוכה יותר. למוצרים A ו- B אנחנו מתאימים את עקום הביקוש (בתרשים 6 רואים את העקום של ביקוש למוצר B) ומוצאם מחירים אופטימליים, כפי שמוצג בתרשים 7. העלאת הרווח ב- 3% למוצר A היה נחשב כמשמעותי.

תרשים 5. מכירות יחידות סה”כ לשלושה מוצרים בניסוי בכל אחד מרמות המחירים.

תרשים 6. הערכת עקום ביקוש למוצר B.

 

4. אופטימיזציה של מלא

אופטימיזציה של מלאי הוא אחד הנושאים הנלמדים ביותר בחקר ביצועים, ויש ספרות נרחבת בנושא. ספרות זו באופן פוטנציאלי מיושמת לאופטימיזציה של המלאי הקמעונאי, אם כי בדרך כלל אנו מוצאים שהמודלים הקלאסיים שנחקרו בספרות אינם מתאימים בדיוק לניואנסים של בעיה אמיתית, כך שרוב המחקרים שלנו התמקדו בהתאמת המודלים הקלאסיים למורכבות הרבה יותר גבוהה של מצבים ריאליים.

תרשים 7. מציאת מחיר אופטימלי.

תרשים 8. נתונים ממקטלג אופנה – מכירות מוקדמות ניתנות לחיזוי.

תכונה אחת המאפיינת מודלים של אופטימיזציה של מלאי היא אופק התכנון המשוער אשר משתנה מכל כך קצר שמאפשר רק קניה אחת במודל של מוכר העיתונים, ועד לאינסוף ב- ” order-up-to ” מודל. כמובן, המציאות היא בדרך כלל איפשהו בין שני הקצוות.

אתאר מודל מלאי הדומה למודל “מוכר עיתונים”, אלא כי מותר שתי רכישות במקום אחת. הרכישה השנייה מתבצעת לאחר מעקב אחרי המכירות, אשר מאפשר לעדכן ולקבל תחזית מדויקת יותר. מודל זה פותח לראשונה ודווח בהקשר ההספקה ב- Fisher and Raman (1996), ולאחר מכן ייושם עם קמעונאי קטלוג כפי שדווח ב- Fisher and Raman (1999), וב- Fisher et al. (2001). התיאור כאן עוקב מקרוב לאחר Fisher and Raman (1999).

הדוגמה שאני אשתמש בה נוגעת למערך של הלבשת נשים נמכר על ידי מקטלג. האתגר הוא לקבוע כמויות האספקה עבור מוצרים אלה בתמיכה של קטלוג מסוים. בדרך כלל, צוות של סוחרים מומחים יחזה את מחזור החיים של המכירות של כל פריט לפני הצגתו ולפני כל ניסיון במכירות. הגרף מצד שמאל בתרשים 8 מראה את התחזיות. כל נקודה מתאימה לסגנון הלבשה מסוים וצבע, ומראה את התחזית שפותחה על ידי סוחר מומחה, ואת הביקוש בפועל של המוצר[5].

טעות התחזית הממוצעת עבור דוגמה זו היא 55%, אשר אופייני למוצרים אחרים עם מחזור חיים קצר. בדרך כלל, מצאתי כי לתחזיות המומחים כמו זו, שנעשו לפני שמקבלים מידע על המכירות, יש טעות ממוצעת שנעה בין 50% ל- 100%. הגרף מצד ימין מראה תחזית של מחזור חיים לאותם המוצרים, שפותחו בעזרת אקסטרפולציה פשוטה. רואים כי במשך שבועיים הראשונות לאחר שהקטלוג פורסם, מקבלים בדרך כלל 11% של הזמנות במשך כל מחזור החיים. לכן, אם מוכרים 11 יחידות של המוצר, אנחנו חוזים מכירות של 100 יחידות במשך כל מחזור החיים.

האקסטרפולציה הפשוטה של כמות קטנה של מכירות מוקדמות מספקת תחזית אשר יותר מדויקת באופן דרסטי מתחזית ראשונית, במקרה זה עם טעות תחזית ממוצעת 8%. זהו אחד הממצאים האמפיריים החזקים ביותר בעבודתנו על מוצרים עם מחזור חיים קצר.

זה מצביע על אסטרטגיה לניהול האספקה. אין דרך למנוע את הצורך למקם את האספקה הראשונית על בסיס תחזיות המומחים לא מדויקות. עם זאת, לאחר פרק זמן קצר (שבועיים) כדי לקרוא את השוק המבוסס על המכירות המוקדמות, אנו יכולים להזמין כמויות נוספות כפי שזה מוצדק על בסיס תחזיות הביקוש המוקדמות מאוד מדויקות. כמויות חידוש המלאי מגיעות לאחר זמן דרוש לאספקה. יותר קצר זמן אספקה, כך גדול יותר שיעור הביקוש שניתן לספק על בסיס התחזית המדויקת, וכך יותר טוב נוכל להתאים את ההיצע לביקוש במשך כל אורך חיים של המוצרים.

הזמנה ראשונית Q1 צריך להיות גדול מספיק כדי לכסות את הביקוש הראשוני הצפוי במשך התקופה של “קריאה” וזמן אספקה לחידוש המלאי, אבל היא לא כל כך גדולה שישאר לנו מלאי לאחר סוף החיים של הקטלוג. Q1 תלוי בשתי עלויות, Qu, עלות יחידה אם הביקוש עובר על ההיצע והמלאי נגמר, ו- Qo, עלות יחידה אם המלאי עובר על הביקוש ואנו נאלצים להיפטר ממלאי עודף בהפסד. כפי שמוצג בתרשים 9, הבעיה של הגדרת Q1 דומה לבעיה של “מוכר עיתונים”, , פרט לכך שאנו חשופים לחוסר זמן ועודף זמן בתקופות שונות. בדומה לפתרון הבעיה של “מוכר עיתונים”, נוכל לבחור Q1 כך שרווח נקי צפוי מהיחידה Q1 אנחנו קונים, שווה 0. רווח נקי צפוי שווה

Cup1 + Cop2 כאשר p1 הסתברות של ביקוש העובר Q1 במשך תקופת תגובה ראשונית של קריאה (השטח ימינה ל- Q1 מתחת לפונקציית צפיפות של ביקוש ראשוני) ו- p2 הסתברות שהביקוש לאורך מחזור חיים קטן מ- Q1 (השטח שמאלה ל- Q1 מתחת לפונקציית ציפות של הביקוש לאורך מחזור חיים). בשונה מהבעייה של “מוכר עיתונים”, בחירה זו של Q1 אינה בנקודת אופטימום גלובלי פרט למקרים ספציפיים כפי שזה מוסבר ב- Fisher et al. (2001), אבל זה היוריסטי סביר. גישה זו אינה מובילה לביטוי בצורה סגורה עבור Q1 אבל ערך נדרש של Q1 ניתן למצוא בעזרת אלגוריתם של חיפוש.

תרשים 9. רכישה ראשונית צריכה למזער עלות של מחסור ומבצעי מכירה.

כדי להגדיר פונקציות צפיפות של ביקוש ראשוני ולאורך מחזור חיים, השתמשנו בגישה של Fisher and Raman (1996). שאלנו ארבעה קונים מומחים  לקטגוריה של מוצרים זו כדי לחזות באופן עצמאי ביקוש למחזור חיים לכל מוצר. התרשים 10 מראה כי יש מתאם גבוה בין סטיית תקן של ארבעת התחזיות האלה, וטעות של תחזית השווה לממוצע של תחזיות ראשוניות. לכן השתמשנו עבור פונקציית צפיפות של ביקוש למחזור חיים בפונקצית גמה עם תוחלת השווה לממוצע של תחזיות של ארבעת הקונים, ועם סטיית תקן של ארבע התחזיות, מנורמלות כך שסטיית תקן ממוצעת שווה לממוצע של סטיות תקן של טעויות תחזית בעונות הקודמות. ב- Fisher et al. (2001) מתואר איך לקבל צפיפות ביקוש ראשוני מצפיפות ביקוש למחזור חיים.

תרשים 11 מראה כי לתהליך זה יש השפעה פיננסית משמעותית. בהשוואה לתהליך אותו עבר המקטלג הזה כדי להגדיר כמויות היצע, התהליך אותו תיארנו עכשיו, מוסיף את הכמות שווה ל- 3.5% של ההכנסה, לרווח גולמי כללי, וזה מספיק כדי להגדיל רווח בשורה התחתונה בלפחות 50%. העליה הזו נובעת מרווח גולמי נוסף שהתקבל הודות לעליה בהכנסות מצטברות שיוצרה על ידי ירידה במחסור בכמה פריטים וירידה בהפסד בגלל יתרות בפריטים אחרים. התרשים מראה גם את הערך של ירידה בזמן הובלה. פיתחנו גם גרף לאחר הרצת המודל שלנו על היסטוריה של ביקושים עבור הנחות שונות על זמן הובלה. מצאנו כי הניתוח הזה יעיל מאוד לחברות שאחרת הייתה להן בעיה לכמת ערך הירידה בזמן הובלה.

5. ביצוע בחנויות

אדווח על תוצאות מוקדמות של פרויקט המתנהל עם Serguei Netessine מ- Wharton School, Nicole DeHoratius מאוניברסיטת Chicago, ו- Jayanth Krishnan סטודנט לתואר שלישי מ- Wharton . אנו פועלים עם ארבעה קמעונאים מובילים כדי לקבוע את הקישורים בין ביצוע בחנויות, שביעות רצון הלקוחות ומכירות.

תרשים 10. לטעות תחזית יש מתאם גבוה עם סטית תקן של הקבוצה (של המומחים).

תרשים 11. השפעה.

פרויקט זה מונע בחלקו על ידי חוקרים רבים אשר דיווחו על בעיות ביצוע ודיוק נתונים המתעוררים בחנויות, כולל Corsten ו- Gruen  (2003),  DeHoratius ו- Raman(2003), Ton ו- Raman (2004), Raman et al. (2001a, b), ו- Salmon (1989). אני אסכם את התוצאות המוקדמות בפרויקט זה, בהתבסס על ניתוח של נתונים גדולים שנקבעו מקמעונאי אחד ומדווחים ב- Fisher et al. (2006).

קמעונאי זה תהה לאיזה אירועים רבים המתרחשים בתוך ארבעת הקירות של החנות יש השפעה הגדולה ביותר על מכירות ועל שביעות רצון הלקוחות. כדי לענות על שאלה זו, הרכבנו את הנתונים המפורטים בטבלה 10, הכוללת מכירות חודשיות ב -17 חודשים בכ -500 חנויות, וכן נתונים על גורמים שונים שעשויים להשפיע על המכירות. הנתונים על סיבות פוטנציאליות של מכירות כוללים משתנים תפעוליים ותוצאות של סקרי שביעות רצון הלקוחות המבקשים מהלקוחות לדרג היבטים שונים של ביקור בחנות. המשתנים התפעוליים כוללים ספר מלאי (אחוז ה – SKU בחנות בסוף חודש עם מלאי ספרים חיובי כפי שנרשם במחשב הקמעונאי,) שכר מתוכנן ובפועל עבור שותפים ומנהלים, מספר הפסקות (של עבודה, שיתוף פעולה) של שותפים ומנהלים, ואחוז מכירות הפריטים מקטגוריה של הוזלת גדולה הנקראת “ניקוי”. המשכורות עשויות להשתנות, בין היתר, בגלל השונות בשיעור השכר או במספר אנשים העובדים בחנות. השתנות הנתונים שלנו היה כמעט לחלוטין בשל הסעיף האחרון.

כאשר לקוח קונה משהו בחנות בקמעונאי זה, מספר 800 לחיוג חופשי מודפס בתחתית הקבלה, והוא מוזמן להתקשר למספר זה ולענות על מספר שאלות בנוגע לביקור שלו, באמצעות מערכת מענה קולי אוטומטית. אם הוא עושה זאת, הוא נכנס להגרלה עבור פרס. (יש בבירור הטיה בגלל בחירה עצמית, שבה הלקוחות בוחרים לקחת את הסקר הזה, שלא הייתה לנו שליטה בה ואולי זה השפיע על התוצאות). השאלות כוללות דירוג שביעות רצון כללית מהביקור בסולם של 10 נקודות, כמו גם מספר גורמים שעשויים להשפיע על שביעות רצונם.

חנות הוא שילוב מענין של מפעל ומשרד מכירות. פונקציות המפעל כוללות קבלת משלוחים לחדר האחורי, העברת המוצר למדפים, ולוודא שהמעברים נקיים, ואישוש הקופות. תפקידי משרד מכירות כוללים ברכת לקוחות, לשאול אותם אם הם זקוקים לעזרה, והספקת מידע לפי הצורך. הנתונים העומדים לרשותנו על האיכות שבה בוצעו משימות של המפעל ושל המכירות היו התשובות לשאלות המופיעות בעמודה של סקר נתוני הלקוח בלוח 10. השאלה “עובדים בעלי ידע?”

שואלת את המשיבים לדרג את הידע של שותף החנות אתו היית אינטראקציה, בסולם של 10 נקודות. כל שאר השאלות היו שאלות של כן או לא. המרנו את תגובות הסקר הרבות שהתקבלו במהלך חודש עבור החנות, למשתנים חודשיים בודדים על ידי לקיחת ממוצע של שאלות לפי דירוג 10 נקודות ואחוז של “כן” או “לא” שאלות.

טבלה 10. נתונים שהוסגו מקמעונאי אלפה.

כל הנתונים המפורטים בטבלה 10 יכולים להיות צפוים, באופן סביר, להשפיע על המכירות ועל שביעות הרצון של הלקוחות, אבל האתגר שלנו היה לזהות את אותם המשתנים המעטים שיש להם את ההשפעה הגדולה ביותר ועל זה קמעונאי זה יכול למקד את האנרגיות שלו. לשם כך השתמשנו ברגרסיה ליניארית. עם זאת, זה לא היה פשוט.

לדוגמה, ייתכן שתרצה לדעת אם הגדלת השכר מגדילה את המכירות. מתברר שקיים מתאם גבוה מאוד בין שכר למכירות, אך קיימים מנגנונים סיבתיים בין שכר למכירות העובדים בשני הכיוונים. מנגנון סיבתי אחד הוא כי הקמעונאי מנהל צוות ביחס לאומדן שלו של המכירות בעתיד. אם הם היו יכולים לחזות בצורה מושלמת את המכירות והם תמיד היו שמים שכר ל -10% של המכירות החזויות, יהיה מתאם 100% בין שכר ומכירות, אבל זה לא יגיד לך כלום על ההשפעה של העלאת השכר על המכירות. במצב זה, אפשר להתפתות להעלות שכר ב- 20% ב -10% מהחנויות עבור כמה חודשים, ולהוריד אותו ב -20% ב -10% מחנויות אחרות, ולראות מה קורה למכירות. מתברר כי הניסוי הזה נעשה באופן טבעי על ידי הקמעונאי כי הוא אף פעם לא תואם לחלוטין את המשכורות בפועל עם מה שהם מתכננים. חוסר זמינות עבודים יכול לגרום שכר בפועל להיות מתחת לתכנית. כאשר זה קורה, החנות יכולה לשלוח את השעות לחודשים הבאים, אשר גורם שהמשכורת בפועל יהיו מעל התוכנית בחודשים אלה. זו חריגה אקראית, בין שכר בפועל לבין המתוכנן, יוצר ניסוי טבעי אותו אנו מנצלים ומשתמשים בשאריות בין משכורת בפועל למשכורות המתוכננות כמשתנה עצמאי של השכר.

ניסינו גם להסיר כל מקור של קורלציה בין הנתונים שנבעו ממנגנונים שלא היינו מעוניינים בהם, כגון עונתיות. כדי לעשות את זה, אנחנו קודם הסירו עונתיות מהנתונים בכל משתנה בעזרת חישוב גורמי עונתיות חודשיים השווים לערך ממוצע של גורם זה עבור השרשרת בחודש זה, חלקי ערך ממוצע בשרשרת לשנה. לאחר מכן חילקנו כל משתנה השייך לחנות בחודש מסויים בגורם עונתיות של החודש הזה והמשתנה. זה נתן לנו סדרות עתיות ל-17 חודשים לכל חנות ומשתנה. לכל נתון החסרנו ממוצע של סדרה עתית וחילקנו בסטיית תקן שלו. זה נירמל את הנתונים לגבי גודל החנות ואפשר ולאחד את הנתונים. נציין כי לחסרת עונתיות ממכירות החנויות יש אותו תפקיד כמו למשורות מתוכננות במתן אמת מידה לעומתו מדידת מכירות בפועל כדי להעריך אם המכירות בחודש החנות גבוהות או נמוכות מכפי שהיינו מצפים, והשימוש בשארית מתואמות של מכירות בפועל לעומת מכירות ממוצעות לאחר הסרת עונתיות, כמשתנה התלוי שלנו, וזה דומה לשימוש בשארית בין משכורות בפועל לבין משכורות מתוכננות כמשתנה בלתי תלוי.

הטבלה 11 מראה תוצאות של רגרסיה OLS דו-שלבית מיושמת לנתונים אלה לאמוד משוואות בשביל לקוחות שמצאו הכל, סיפק של לקוחות, ומכירות. בגלל נירמול הנתונים, ניתן להשוות ישירות את המקדמים ברגרסיה ולהשתמש בהם כמדדים של חשיבות המשתנים. ברגרסיה הלקוחות שמצאו הכל הכנסה משתני אינטראקציה בין Assoc Payroll (משכורות שותפים/עמיתים) ל- Book in stock(ספר מלאי), ובין Assoc Payroll ל- Employees Knowledgeable (עובדים בעלי ידע), מכיוון שנוכחות של מלאי לבד יכול לא להביא לזמינות טובה יותר של המוצר, אם אין שותפים/עמיתים שיכולים לעזור ללקוחות למצוא את המוצר, והשותפים/עמיתים האלה בעלי ידע. המקדמים למשתני אינטראקציה אלה  מוצגים בשתי השורות האחרונות בטבלה 11.

טבלה 11. תוצאות רגרסיה.

אני הדגשתי את המקדמים המובהקים במידה רבה וגדולים מ- 0.1. תרשים 12 מתאר את היחסים בין המשתנים החשובים ביותר. הגורמים עליהם הקמעונאי יכול לשלוט ויש להם ההשפעה הגדולה ביותר על המכירות ועל שביעות רצון של הלקוחות, הם שכר שותפים/עמיתים, ידע העובדים, והספר במלאי.

תרשים 12. ניתוח מסלול של מכירות.

בואו נסתכל מקרוב על שכר שותפים/עמיתים. המקדם של 0.483 משכר שותפים/עמיתים למכירות פירושו שאם אנו מגדילים את המשכורות בחנות בסטיית תקן אחת של השתנות שלה בחנות זו, המכירות גדלות ב -0.483 של סטיית התקן של המכירות בחנות זו. לפיכך, גידול כספי במכירות כתוצאה מעלייה ב- 1 $ בשכר שווה ל -0.483 כפול היחס בין סטיית תקן המכירות לסטיית תקן השכר. בגלל שסטיות תקן אלה הם ספציפיות לחנות, עלייה במכירות מגידול ב- $ 1 במשכורות תהיה שונה לחנויות שונות.

איור 13 הוא היסטוגרמה המציגה את תדירות ההתרחשות של מכירה בגודל שונה, ומראה כי הערכים האלה משתנים במידה ניכרת בין חנויות, החל 4 $ ל- 28 $. כדי להבין את הסיבה של השתנות זו, בחנו את הצורה של המכירות לעומת פונקציית השכר. תרשים 14 מראה את הפונקציה הזו לחנות מסויימת. פונקציה זו קעורה ועולה, היא אינטואיטיבית במובן כי אחד מצפה להחזר פוחת כאשר מוסיפים עובדים בחנות. העליה במכירות אותה אנו מחשבים בשביל שכר עולה בחנות היא למעשה שיפוע של עקומה זו השווה לרמת השכר הנוכחית של החנות. ברור כי ערכים אלה של העלאת המכירות משתנות בהתאם היכן על העקום של ההכנסה לעומת שכר ממוקמת החנות. בחנות עם רמה נמוכה יחסית של כוח אדם תהיה ההעלאה גבוה יותר מאשר בחנות עם יותר כוח אדם. תרשים 15 מציג שכר חודשי ממוצע ומכירות לכל החנויות. בחנויות בצד ימין של עקומה זו העלאת המכירות קטנה יותר לדולר של משכורת, ולהיפך.

תרשים 13. העלאת מכירות חודשיות לעליה בדולר אחד במשכורות עמיתים/שותפים.

תרשים 14. מכירות לעומת משכורות לחנות אחת מראה תוצאה יורדת.

תרשים 15. מכירות לעומת משכורות לכל החנויות מעודדת עליה בהפרש בין מכירות למשכורות.

נתונים אלה מאפשרים לנו לגלות התערבויות לשיפור המכירות והרווחים. למשל, ב- 236 חנויות עם ההעלאה הנמוכה ביותר הייתה משכורת סה”כ $5,375,052 לעומת כמעט אותו ערך של $5,384,640 ל-201 חנויות אחרות עם ההעלאה הגבוהה ביותר. הגדלת השכר החודשי ב -25% (סכום שמצאנו כי הוא בטווח של קטע קרוב לליניארי על העקום הקעור של מכירות לעומת שכר) עבור 201 חנויות עם העלאה הגבוהה ביותר, והקטנת השכר ב-25% לחנויות אחרות יביאו לשכר בשרשרת כולה ללא שינוי, ועל בסיס ההערכה שלנו של ההגדלה בהכנסות כאשר הוצאות שכר עולות, מעלה מכירות ב-2.6% , כמות משמעותית יחסית לעליות רגילות במכירות מדווחות על ידי קמעונאים בחנויות הקיימות. הקמעונאי הזה הרוויח 40% של רווחיות גולמית, כך שהעליה ב- 2.6% במכירות ללא הוצאות נוספות תביא לעליה ברווח נקי השווה ליותר מ-1% של ההכנסות, העליה המשמעותית מאוד.

6. מסקנות

קמעונאות היא תעשייה בשלב מעבר מקבלת החלטות כמעט רק על אומנות, לשילוב מאוזן היטב בין אמנות ומדע. מעבר זה מזכיר את התנועה של מדע הטילים שהתחילה בוול סטריט בשנות 1970, וכפי שמדע כספים אקדמי היה התורם העיקרי למדע הטילים בוול סטריט, לתחום שלנו הייתה הזדמנות ענקית לשחק תפקיד מרכזי לא פחות בתנועת מדע הטילים בקמעונאות. אני מקווה שכמה הדוגמאות שהופיעו כאן ייתפסו כהתחלה מועילה בכיוון זה ויעזרו לאחרים להמשיך בהזדמנות נפלאה זו בתחום שלנו.

הודעת תודה.

אני אסיר תודה ל- Newt Garber, Gary Lilien, John Little, ו- Randy Robinson מ- Morse Lectureship Selection Committee על ההזדמנות להרצות הרצאות Morse ולפרסם את המאמר, ול- Michael Trick, עורך התחום במאמר זה, ושלושה נותני חוות שעת אנונימיים אשר נתנו הרבה הערות שעזרו לשפר את המאמר. אני מעריך במיוחד את ההזדמנות לעבוד עם השותפים שלי במחקר זה: Ananth Raman (אשר היה שותף מוערך מאוד במחקר זה במשך שנים רבות),

Nicole DeHoratius, Vishal Gaur, Jayanth Krishnan, Anna McClelland,

Serguei Netessine, Kumar Rajaram, and Ramnanth

Vaidyanathan.

הייתי שמח לעבוד עם כולם. Vishal Gaur סיפק את הנתונים בטבלה 1. Kevin Freeland סיפק ייעוץ מקיף על תכנון מגוון וביצוע חנויות, Abba Kreiger – על מרכיב האמידה של מחקר זה של תכנון מגוון,  ו- David Bell – על שאלות שיווק בתכנון מגוון. המחקר על ביצוע החנות נתמך חלקית על ידי מענק נדיב מ- Procter & Gamble ומ- the International Commerce Institute ל-

Fishman-Davidson Center for Service and Operations Management of The Wharton School

[1] הקמעונאי לוקח שני סוגים של המחות – קידום מכירות שנועדו ליצור התרגשות בחנות ואז לעודד מכירות של מוצרים אשר, אולי, כבר נמכרים היטב, והנחות מאולצות כדי לנקות מלאי שנותר בסוף העונה. תרשים 1 מראה שני סוגי ההנחות, אבל כמובן רק הנחות מאולצות מסמנים מלאי שנשאר. עם זאת, אין כל עדות לכך שהפרופורציות היחסיות של שני הסוגים הללו משתנות, כך שהנתונים מצביעים על עלייה משמעותית בהנחות מאולצות. כמובן, זה יכול להיות בגלל גורמים רבים, לא האחרון מהם הוא עלייה בהספקה מאסיה, עם זמן הובלה ארוך יותר. עם זאת, העובדה היא כי הפער בין היצע לביקוש גדל עם השנים.

[2] תיאור זה מבוסס על דיונים בשנים 1999-2000 עם אריגו ברני, אז סגן נשיא ב- Global Supply Chain, Bulgari Group..

[3] זה מתאים לממצאים של Corsten and Gruen (2003) על כך שב- 40%  מחסור מביא להפסד המכירה לקמעונאי.

[4] קורה מקפיד עלול להעיר כי אם מחסור היה מרוכז פריטים עם קצב מכירות איטי יותר, אז העלייה ב- 5% בשיעור המלאי לא הייתה מביאה לעליה ב- 5% במספר לקוחות המוצאים את הפריט שהם חיפשו במלאי. אבל הניסיון שלי אומר על כך שלרוב קמעונאים היה שיעור מלאי הגבוה ביותר בפריטים עם קצב מכירות איטי. חוץ ממזון, לרוב פריטים במכירות קמעונאיות יש קצב מכירות איטי; קצב מכירות ממוצע ברמה של אחד SKU חודש לחנות הוא רגיל. לכן מלאי מינימלי בחנות מתאים לכמות גדולה מאוד של מלאי, המספיק לפריטים עם קצב מכירות נמוך, וזה מביא לשיעור מלאי גבוה.

[5] הביקוש בפועל היה מוכר למקטלג הזה אפילו אם המוצר היה במחסור, כי הלקוחות בדרך כלל חזרו להזמין מוצר שהיה במחסור.