Apa itu Optimasi Assortment?

Pengoptimalan bermacam-macam adalah disiplin yang mengatasi kesenjangan ini. Ini menghubungkan keputusan kantor pusat dengan apa yang sebenarnya ditemukan pelanggan di rak - melalui data, pembelajaran berkelanjutan, dan-eksekusi di tingkat toko. Panduan ini mencakup apa yang dimaksud dengan pendekatan tersebut, mengapa sebagian besar pendekatan gagal, bagaimana menerapkannya, dan bagaimana mengukur hasil.

Assortment Optimization vs. Assortment Planning: Apa Bedanya?

Kedua istilah ini sering digunakan secara bergantian. Mereka menggambarkan proses yang berbeda secara mendasar.

Perencanaan menentukan seperti apa seharusnya pilihan Anda. Pengoptimalan memastikan kinerjanya benar-benar - dan terus meningkat seiring perubahan kondisi.

Tiga Lapisan Dimana Keputusan Assortment Dibuat dan Hilang

Kebanyakan pengecer berinvestasi besar-besaran pada lapisan pertama. Kesenjangan kinerja terbesar terdapat pada dua negara lainnya.

Lapisan Strategis: Apa yang Harus Dijual

Di sinilah pengambilan keputusan di tingkat kategori{0}}terjadi: produk mana yang mendapatkan tempat di rak, bagaimana label pribadi menyeimbangkan merek nasional, dan peran apa yang dimainkan setiap kategori dalam strategi toko secara keseluruhan. Keputusan di sini dibuat di kantor pusat, didorong oleh data pasar dan tolok ukur kompetitif, serta berubah dalam siklus yang panjang.

Risikonya: data agregat menutupi variasi lokal. Suatu produk dengan tingkat penjualan nasional yang dapat diterima mungkin memiliki kinerja yang buruk di 40% toko dan berkinerja lebih baik di 30% toko lainnya. Rata-rata menyembunyikan sinyal.

Lapisan Taktis: Dimana dan Bagaimana Menjualnya

Lapisan taktis menerjemahkan strategi ke dalam rencana{0}}yang spesifik lokasi: pengelompokan toko, desain planogram, dan aturan merchandising. Di sinilah ragam menjadi benar-benar lokal - toko perkotaan dengan kepadatan tinggi memiliki batasan ruang, pola lalu lintas pejalan kaki, dan misi pembelanja yang berbeda dibandingkan format pinggiran kota.

Risikonya: keputusan pada tingkat ini masih sangat bergantung pada asumsi dibandingkan sinyal tingkat penyimpanan{0}}yang sebenarnya. Berbagai macam mungkin terlihat-terlokalisasi di atas kertas namun pada praktiknya masih tidak selaras.

Lapisan Operasional: Apa yang Sebenarnya Mencapai Pelanggan

Di sinilah optimasi bermacam-macam berhasil atau gagal. Lapisan operasional mencerminkan realitas fisik yang ditemui pelanggan: produk apa yang ada di rak, apakah planogram dijalankan dengan benar, apakah promosi terlihat, dan apakah kehabisan stok dapat diatasi dan diselesaikan dengan cepat.

Tanpa visibilitas waktu{0}yang nyata terhadap eksekusi penyimpanan, setiap keputusan upstream sebagian hanya berupa dugaan. Teknologi sepertilabel rak elektronikdan sensor IoT semakin banyak digunakan untuk menutup kesenjangan visibilitas ini - menangkap status rak secara otomatis dibandingkan mengandalkan audit manual yang jarang terjadi sehingga tidak dapat ditindaklanjuti.

Mengapa Optimasi Assortment Tradisional Gagal

Sebagian besar strategi pemilihan-dirancang dengan baik di atas kertas. Di sinilah mereka gagal dalam praktiknya.

Mode Kegagalan 1: Data Historis Dioptimalkan untuk Masa Lalu

Riwayat penjualan memberi tahu Anda apa yang dibeli pelanggan dalam kondisi yang ada pada saat itu - dengan variasi yang tersedia, dengan harga yang ditetapkan. Itu tidak dapat memberi tahu Anda apa yang diinginkan pelanggan tetapi tidak dapat ditemukan. Dalam kategori yang-bergerak cepat, saat tren muncul dengan jelas di data historis, waktu untuk bertindak sering kali sudah terlewati.

Mode Kegagalan 2: Keputusan Terpusat, Realitas Lokal

Saat keputusan pemilihan dibuat sepenuhnya di kantor pusat,-nuansa tingkat toko akan dirata-ratakan. Produk dengan penjualan nasional biasa-biasa saja tetapi kinerja yang kuat di jenis toko tertentu dapat dihapus dari daftar. Planogram standar diterapkan di seluruh toko dengan dimensi rak dan demografi pembeli yang sangat berbeda.

Mode Kegagalan 3: Silo Data Menghasilkan Keputusan yang Tidak Lengkap

Organisasi ritel menghasilkan data di berbagai sistem - titik-penjualan, inventaris, loyalitas, e-niaga, dan sensor di-toko. Manajer kategori bekerja dari satu kumpulan data. Rantai pasokan bekerja dari yang lain. Simpan operasi dari sepertiga. Tidak ada satu pun dari pandangan-pandangan ini yang lengkap, dan keputusan yang diambil dari satu silo akan menciptakan masalah yang hanya terlihat di silo lain.

Mode Kegagalan 4: Kepatuhan Planogram Lebih Rendah Dari Perkiraan Kantor Pusat

Planogram hanya memberikan nilai jika dijalankan dengan benar dan konsisten. Di sebagian besar jaringan ritel, tingkat kepatuhan sangat bervariasi di seluruh toko - dan kantor pusat biasanya tidak mengetahuinya sampai tingkat kepatuhan tersebut diukur. Jika Anda mengevaluasi kinerja rak produk berdasarkan data penjualan, namun produk tersebut berada di posisi yang salah di 20% toko Anda selama tiga bulan, data kinerja Anda tidak dapat diandalkan. Memahamiseberapa sering data rak disegarkansecara langsung terkait dengan keakuratan pengukuran ini.

Mode Kegagalan 5: Sinyal Multisaluran Belum Dibaca

Perilaku pelanggan online adalah sumber informasi yang kaya akan berbagai macam informasi yang diabaikan oleh sebagian besar pengecer fisik. Penelusuran-tanpa hasil di platform e-niaga Anda menunjukkan dengan tepat apa yang dicari pelanggan namun tidak Anda beli. Pola-penjelajahan tinggi,-pembelian rendah menunjukkan permintaan yang mungkin memerlukan-evaluasi di toko sebelum konversi. Pelanggan yang menelusuri suatu produk secara online, ternyata produk tersebut tidak tersedia, dan keluar, tidak menghasilkan data apa pun di-sistem dalam toko - namun tidak adanya data itu sendiri merupakan sebuah sinyal, jika Anda membangun proses untuk menangkapnya. Titik awalnya adalah menghubungkan data pencarian dan penjelajahan online Anda ke alur kerja perencanaan kategori Anda, bahkan secara informal.

Bagaimana AI Meningkatkan Keputusan Assortment

Manajemen bermacam-macam secara manual di ratusan toko dan puluhan ribu SKU telah mencapai batas yang dapat didukung oleh spreadsheet dan tinjauan berkala. AI berkontribusi dengan cara yang spesifik dan terukur.

Perkiraan-permintaan di tingkat toko.Peramalan tradisional beroperasi pada tingkat banner atau cluster. Model pembelajaran mesin dapat menghasilkan perkiraan di tingkat masing-masing toko dan SKU, dengan mempertimbangkan faktor lokal - demografi lingkungan, persaingan di sekitar, tren mikro musiman - yang dirata-ratakan oleh model yang lebih luas. Perincian inilah yang membuat keputusan pemilihan yang terlokalisasi dapat dipertahankan dan bukannya diasumsikan.

Rasionalisasi SKU.Tidak semua produk mendapatkan tempatnya. Model AI dapat mengidentifikasi SKU mana yang mengonsumsi real estat rak dan modal inventaris tanpa pengembalian proporsional - dengan memperhitungkan kontribusi margin, efek substitusi, dan dampak keranjang. Perbedaan penting adalah antara perusahaan yang bergerak-lambat yang melayani pasar khusus dan perusahaan yang bergerak-lambat yang hanya berperforma buruk. AI dapat membedakan keduanya pada skala yang tidak dapat dilakukan oleh analisis manual.

Penyelarasan penetapan harga dan promosi yang dinamis.Keputusan pemilihan tidak terjadi secara terpisah dari penetapan harga. Didorong oleh AI-penetapan harga yang dinamisdapat menyelaraskan aktivitas promosi dengan kinerja bermacam-macam secara real-time - mengurangi ketidaksesuaian antara apa yang direncanakan dan apa yang sebenarnya ditanggapi pelanggan di tingkat rak.

Pemantauan eksekusi.Visi komputer dan data sensor dapat mengidentifikasi penyimpangan planogram tanpa memerlukan audit manual penuh. Kemajuan dalamteknologi label raktelah membuat pemantauan-keadaan rak otomatis semakin mudah diakses oleh-pengecer skala menengah, bukan hanya jaringan besar.

Kerangka Kerja Lima-Langkah untuk Implementasi

Sebagian besar pengecer mengetahui pentingnya pengoptimalan bermacam-macam. Hanya sedikit orang yang memiliki titik awal yang jelas. Kerangka kerja ini dirancang agar dapat digunakan pada skala apa pun.

Langkah 1: Audit Koleksi Anda Saat Ini

Sebelum mengoptimalkan apa pun, tetapkan dasar yang jujur. Berapa tingkat kehabisan stok Anda saat ini berdasarkan kategori dan toko? SKU mana yang menghasilkan desil penjualan terbawah per kaki persegi? Di manakah kesenjangan terbesar antara pilihan yang direncanakan dan ketersediaan rak sebenarnya? Jika Anda tidak dapat menjawab pertanyaan-pertanyaan ini dengan data yang andal, itu merupakan temuan paling penting - dan sinyal untuk berinvestasi pada visibilitas sebelum berinvestasi pada alat pengoptimalan. Terstrukturperhitungan ROI dasardapat membantu mengukur di mana-kesenjangan dampak tertinggi sebelum melakukan pendekatan apa pun.

Langkah 2: Tentukan Cluster Toko Anda

Tidak semua toko harus menjual produk yang sama, namun produk yang benar-benar unik untuk setiap toko tidak dapat dikelola secara operasional. Pengelompokan toko menjembatani kondisi ekstrem ini dengan mengelompokkan lokasi dengan profil permintaan yang sangat mirip. Pengelompokan yang efektif dibangun berdasarkan perilaku pembelian aktual - komposisi keranjang, kecepatan kategori, pola misi pembelanja - bukan berdasarkan asumsi demografi. Sebagian besar pengecer beroperasi dengan empat hingga delapan klaster, bergantung pada ukuran jaringan dan keragaman format. Angka yang tepat adalah angka yang menunjukkan bahwa masing-masing klaster berperilaku cukup berbeda sehingga memerlukan templat produk yang berbeda.

Langkah 3: Integrasikan Sumber Data Anda

Pengoptimalan bermacam-macam hanya akan sebaik data yang memasukkannya. Minimal, Anda memerlukan data penjualan tingkat SKU-menurut toko yang memiliki riwayat setidaknya 12 bulan, tingkat inventaris saat ini, dan beberapa ukuran ketersediaan rak. Pertanyaan tentang bagaimana data rak diambil - baik melalui laporan manual, sistem ESL, atau sensor IoT - secara langsung memengaruhi kesegaran dan keandalan data. Memahamiopsi konektivitas untuk pengambilan data rakadalah keputusan awal yang praktis. Integrasi data yang sempurna bukanlah prasyarat untuk memulai - namun Anda perlu memahami kesenjangan dan latensi data Anda sebelum memercayai keluarannya.

Langkah 4: Tetapkan Aturan Pengoptimalan dan Pagar Pembatas

Model AI dan algoritme pengoptimalan memerlukan batasan. Tidak setiap keputusan harus diotomatisasi. Tentukan dengan jelas keputusan mana yang dapat dijalankan secara otomatis - seperti pemicu pengisian ulang untuk-SKU berkecepatan tinggi - dan mana yang memerlukan peninjauan manusia, seperti menghapus produk dari cluster. Pagar pembatas juga melindungi terhadap kesalahan yang dilakukan sistem otomatis ketika data tidak lengkap. Contoh umum: algoritme merekomendasikan penghapusan produk karena penjualannya rendah, padahal penyebab sebenarnya adalah kehabisan stok yang terus-menerus sehingga data penjualan tidak membedakannya dengan permintaan rendah.Kesalahan tampilan harga dan ketersediaanadalah mode kegagalan operasional terkait yang perlu dipahami sebelum otomatisasi diperkenalkan.

Langkah 5: Ukur, Pelajari, dan Ulangi

Pengoptimalan bermacam-macam adalah proses yang berkesinambungan, bukan proyek yang{0}}sekali saja. Tetapkan ritme peninjauan rutin minimal setiap triwulan - untuk keputusan strategis, dan setiap bulan untuk penyesuaian taktis. Bangun umpan balik terstruktur antara tim kategori pusat dan data kinerja tingkat penyimpanan. Perlakukan setiap siklus perencanaan sebagai sebuah eksperimen: buatlah hipotesis, terapkan perubahan, ukur hasilnya, gunakan pembelajaran tersebut pada siklus berikutnya. Organisasi yang memperoleh manfaat terbesar dari proses ini bukanlah organisasi yang memiliki alat paling canggih. Merekalah yang telah membangun kebiasaan belajar dari data secara konsisten.

Enam KPI untuk Mengukur Optimasi Assortment

Lacak keenam metrik di tingkat toko, bukan hanya secara agregat. Rata-rata-tingkat jaringan sering kali menyembunyikan penyimpanan tempat permasalahan paling akut - dan tempat terdapat peluang pengoptimalan terbesar.

Pengoptimalan Beraneka Ragam di Saluran Online dan Fisik

Bagi pengecer yang beroperasi melalui saluran fisik dan digital, keputusan pemilihan produk tidak dapat dikelola secara terpisah.Lingkungan riteltelah berubah: pelanggan berpindah antar saluran dengan lancar, dan data dari setiap saluran dapat menginformasikan keputusan di saluran lainnya.

Online sebagai sinyal bermacam-macam.Penelusuran-tanpa hasil di platform e-niaga Anda adalah indikator langsung kesenjangan pilihan - pelanggan memberi tahu Anda dengan tepat apa yang mereka inginkan namun tidak Anda bawa. Pola pembelian-tinggi,-pembelian rendah mungkin menunjukkan produk yang ingin dievaluasi langsung oleh pelanggan sebelum membeli, yang berdampak pada-jangkauan di toko. Menurutpenelitian McKinsey, lebih dari 70% konsumen kini mengharapkan pengalaman yang dipersonalisasi - ekspektasi yang berlaku pada ketersediaan produk dan juga komunikasi.

Beraneka ragam terpadu vs. terdiferensiasi.Keselarasan pilihan produk online dan di dalam-toko Anda bergantung pada format toko dan perilaku pelanggan Anda. Beraneka ragam terpadu menyederhanakan operasi dan menghasilkan data permintaan yang lebih bersih, namun memaksa toko fisik untuk membawa kompleksitas katalog online yang tidak dapat diakomodasi oleh sebagian besar format. Pendekatan yang berbeda - di mana toko fisik menyediakan pusat-berkecepatan tinggi yang dikurasi, sementara saluran daring menangani saluran jangka panjang - berfungsi dengan baik ketika kedua saluran melayani misi belanja yang benar-benar berbeda. Kerangka pengambilan keputusannya sederhana: jika pelanggan melakukan penelusuran online secara rutin dan melakukan konversi di-toko, penyelarasan menjadi penting. Jika pembeli daring dan-di toko sebagian besar merupakan audiens yang berbeda, diferensiasi mungkin akan lebih efisien.

Di mana untuk memulai.Titik masuk yang paling praktis adalah menghubungkan data penelusuran e-e-commerce tanpa hasil-ke tinjauan perencanaan kategori Anda. Tidak diperlukan teknologi baru - ekspor bulanan kueri penelusuran yang gagal yang ditinjau oleh pengelola kategori dapat memunculkan kesenjangan pilihan yang tidak akan pernah diungkapkan oleh-data penjualan toko. Memasangkan ini denganpengambilan data tingkat-rak yang lebih baikdi penyimpanan fisik menciptakan loop tertutup antara sinyal online dan eksekusi di-toko.

Seperti Apa Prakteknya

Skenario berikut menggambarkan bagaimana prinsip optimasi bermacam-macam berlaku di seluruh format ritel. Ini hanyalah contoh ilustratif, bukan studi kasus spesifik perusahaan.

Bahan pangan: permintaan lokal menutupi data agregat.Jaringan toko kelontong regional merencanakan bermacam-macam produk menggunakan data kategori agregat. Kategori makanan etnik - yang memiliki kinerja kuat di lingkungan tertentu - selalu kurang terwakili karena penjualan mereka menurun ketika digulirkan ke tingkat spanduk. Pendekatan berbasis cluster-yang dibangun berdasarkan komposisi keranjang sebenarnya mengungkapkan bahwa apa yang tampak seperti permintaan kategori rendah di grup toko tertentu sebenarnya adalah masalah agregasi data struktural. Menyesuaikan templat toko-toko tersebut untuk mencerminkan perilaku pembelian lokal dapat menutup kesenjangan tersebut. Faktor pendukungnya bukanlah teknologi baru - melainkan memilah data permintaan berdasarkan toko, bukan berdasarkan spanduk. Visibilitas yang lebih baik melalui alat sepertilabel rak elektronik di toko kelontongmendukung pengukuran berkelanjutan mengenai apakah pilihan yang disesuaikan tersebut benar-benar dilaksanakan.

Mode:-manajemen SKU ekor panjang.Pengecer pakaian khusus menjual beberapa ribu SKU aktif per musim. Tinjauan produktivitas mengungkapkan bahwa sebagian besar dari rentang tersebut menghasilkan bagian pendapatan yang sangat kecil dan menghabiskan sumber daya perencanaan, inventaris, dan pengisian ulang. Analisis ini memisahkan dua kelompok yang berkinerja buruk: SKU yang tidak memiliki basis pelanggan setia yang dapat diidentifikasi dan kontribusi ruang-terhadap-margin negatif, dan SKU dengan volume keseluruhan yang rendah namun tingkat pembelian berulang yang tinggi di antara segmen pembeli tertentu. Kelompok pertama dihapuskan. Yang kedua dipertahankan dengan alokasi ruang yang disesuaikan. Hasilnya adalah rentang yang lebih ketat yang lebih mudah untuk dieksekusi dan kecil kemungkinannya menimbulkan kelelahan pengambilan keputusan di tingkat rak.

Retail kenyamanan: kecepatan eksekusi sebagai pembeda.Rantai kenyamanan-format kecil beroperasi di lokasi di mana setiap kaki persegi memiliki risiko-tinggi dan biaya kehabisan stok diperbesar dengan rendahnya cadangan inventaris. Faktor pembatasnya bukanlah rencana pemilihan - melainkan waktu antara terjadinya kehabisan stok dan karyawan toko meresponsnya. Mengurangi kesenjangan tersebut melalui pemantauan rak otomatis, dibandingkan mengandalkan pemeriksaan manual terjadwal, memiliki dampak langsung dan terukur terhadap ketersediaan di-toko untuk kategori impuls-margin tinggi.

Pertanyaan yang Sering Diajukan

Apa itu optimasi bermacam-macam di ritel?

Optimalisasi bermacam-macam adalah proses pemilihan dan penyempurnaan bauran produk yang ditawarkan di setiap toko secara terus-menerus untuk memaksimalkan penjualan, margin, dan kepuasan pelanggan. Tidak seperti-perencanaan pilihan satu kali, perencanaan ini mengintegrasikan-data waktu nyata dan tinjauan kinerja berkelanjutan untuk menjaga pilihan produk tetap selaras dengan permintaan sebenarnya.

Apa perbedaan antara perencanaan pemilihan dan optimasi pemilihan?

Perencanaan pemilihan produk adalah proses terpusat dan berkala - biasanya musiman atau tahunan - yang menentukan produk mana yang akan dibawa berdasarkan data historis. Pengoptimalan bermacam-macam bersifat berkelanjutan. Ini menggabungkan sinyal-waktu nyata dan-data kinerja tingkat penyimpanan untuk mengadaptasi bermacam-macam seiring perubahan kondisi. Perencanaan menetapkan arah awal; optimasi membuatnya tetap terkalibrasi.

Bagaimana AI meningkatkan optimasi bermacam-macam?

AI memungkinkan-perkiraan permintaan di tingkat toko yang melampaui rata-rata cluster, mengidentifikasi SKU yang berkinerja buruk sambil memperhitungkan efek substitusi, menghasilkan rekomendasi planogram berdasarkan kecepatan penjualan saat ini, dan memproses sinyal-waktu nyata - cuaca, acara lokal, aktivitas pesaing - yang tidak dapat digabungkan dengan siklus perencanaan manual pada waktunya untuk ditindaklanjuti.

Apa alasan paling umum mengapa optimasi bermacam-macam gagal?

Lima mode kegagalan yang paling umum:{0}}ketergantungan berlebihan pada data historis yang tidak dapat memenuhi permintaan saat ini; pengambilan keputusan-terpusat yang tidak melibatkan variasi lokal; sistem data tertutup yang menghasilkan gambaran tidak lengkap; kepatuhan planogram lebih rendah dari asumsi kantor pusat; dan kegagalan untuk memasukkan sinyal permintaan online yang mengungkapkan kesenjangan yang tidak terlihat di-data penjualan toko saja.

KPI apa yang harus saya lacak untuk pengoptimalan pilihan?

Metrik yang paling berguna adalah tingkat kehabisan stok, tingkat penjualan{0}}tayang, produktivitas SKU (pendapatan atau margin per unit ruang penyimpanan), tingkat kepatuhan planogram, kontribusi margin kategori, dan penyelarasan permintaan kluster (perbedaan antara pilihan yang direncanakan dan penjualan aktual-di tingkat kluster). Lacak semua ini di tingkat toko, bukan hanya secara keseluruhan.

Berapa lama waktu implementasinya?

Kerangka kerja pengoptimalan berbasis audit dasar dan{0}}kluster biasanya dapat dikembangkan dalam beberapa bulan menggunakan data yang ada. Pengoptimalan berkelanjutan yang didorong oleh AI-yang lebih canggih memerlukan landasan data yang lebih kuat dan mungkin memerlukan waktu 12 hingga 18 bulan untuk dapat beroperasi sepenuhnya. Memulai dengan audit hampir selalu mengungkapkan kemenangan cepat yang tersedia sebelum teknologi baru diperlukan.

Apakah pengecer kecil dapat memperoleh manfaat dari optimalisasi pilihan?

Ya. Prinsip-prinsip ini berlaku terlepas dari skalanya. - Memahami produk mana yang mendapat tempat, melacak frekuensi kehabisan stok, dan membangun umpan balik antara data penjualan dan keputusan produk sangat berarti untuk operasi ukuran apa pun. Pengecer kecil mungkin tidak memerlukan platform AI perusahaan; alat analisis gratis atau berbiaya rendah-dapat mendukung pengoptimalan yang berguna berdasarkan data yang sudah mereka miliki. Memilihsolusi label rak kananadalah salah satu titik awal praktis untuk meningkatkan pengambilan data tanpa investasi infrastruktur yang signifikan.

Data apa yang saya perlukan untuk memulai?

Minimal:-data penjualan tingkat SKU menurut toko dengan riwayat setidaknya 12 bulan, tingkat inventaris saat ini, dan beberapa ukuran ketersediaan rak - bahkan laporan kehabisan stok manual. Dari landasan ini, Anda dapat menjalankan audit yang bermakna, mengidentifikasi-peluang dengan dampak tertinggi, dan membuat peta jalan peningkatan data. Data yang sempurna bukanlah prasyarat. Pengoptimalan yang berguna dapat dilakukan dengan data yang tidak sempurna, selama Anda memahami dan memperhitungkan kesenjangannya.

Mulai dari Mana

Pengoptimalan bermacam-macam memberikan nilai paling besar ketika beroperasi sebagai loop berkelanjutan - menganalisis kinerja, menyesuaikan bauran produk, mengeksekusi di-penyimpanan, mengukur hasil, dan mengulangi. Pengecer yang membangun kemampuan ini dengan paling efektif belum tentu mereka yang berinvestasi terlebih dahulu pada alat yang paling canggih. Mereka adalah orang-orang yang memulai dengan data jujur ​​mengenai kegagalan dalam pengumpulan data mereka saat ini, dan membangun kebiasaan organisasi untuk bertindak berdasarkan data tersebut secara konsisten.

Jika Anda memulai dari awal, ada empat tindakan yang dapat segera dilakukan: menjalankan audit kehabisan stok dan produktivitas SKU menggunakan data yang sudah Anda miliki; meninjau definisi cluster toko Anda berdasarkan perilaku pembelian sebenarnya, bukan berdasarkan asumsi demografi; menghubungkan data penelusuran e-zero-hasil nol ke alur kerja perencanaan kategori Anda; dan menentukan keputusan pemilihan mana yang harus diotomatisasi versus ditinjau oleh manusia sebelum dieksekusi.

Masing-masing hal ini dapat dilakukan sebelum pengadaan teknologi baru apa pun - dan masing-masing hal ini akan menghasilkan visibilitas yang lebih jelas mengenai arah investasi teknologi yang akan berdampak.