a cada ano, Varejistas de moda Em todo o mundo, investem mais de US $ 1 trilhão em seus programas de remarca na temporada e no final da temporada, tradicionalmente projetando e escalando esses programas com base na experiência, percepções individuais e análises simples. O problema dessa estratégia é que ela tenta resolver um problema matemático de alto risco sem usar muita matemática, resultando em níveis de marcação de tamanho único de eficácia mista. Por exemplo, um varejista pode oferecer uma remarcação simples e completa de 50% para limpar o inventário e talvez aumentar o nível de desconto nas semanas subsequentes. Essa abordagem é fácil de se comunicar e aumentará os volumes de vendas, mas carrega um custo oculto perigoso: declínios de margem acentuada que podem colocar a lucratividade em risco. A questão se torna como os varejistas podem determinar com segurança as marcas certas para atingir suas metas de negócios.
A resposta está em aproveitar análises avançadas - dados de big, algoritmos de precificação e aprendizado de máquina - para tomar decisões mais fortes sobre como oferecer remarcações que são atraentes para os consumidores e lucrativos para os varejistas. Dadas as apostas altas, as análises avançadas fornecem uma maneira superior de levar em consideração a dinâmica do setor de sazonalidade, mudando rapidamente os gostos e as restrições de inventário. Programas. O apoio de análises avançadas de alta potência, no entanto, os ganha dinheiro. Grande parte de sua mercadoria é sazonal, com quantidades fixas de inventário perecível e enfrentam um influxo constante de novos produtos que não possuem dados históricos para análise ou comparação. Sob essas condições, tem sido arriscado, mas ainda assim razoável, os varejistas confiam na experiência, regras práticas e análises difíceis para planejar suas vendas sazonais. O apoio de análises de alta potência os torna dinheiro.
Our experience with more than 20 projects in the past 18 months shows that this approach to defining discount levels, made possible by data science only recently available to retailers, can boost gross margins by 10% to 20% for in-season and end-of-season sales programs.
Of course, a keen sense of style makes fashion retailers attractive. The support of high-powered advanced analytics, however, makes them money.
The Fashion Retailer’s Playbook for Using Advanced Analytics
Fashion retailers operate in a challenging business environment. Much of their merchandise is seasonal, with fixed amounts of perishable inventory, and they face a constant influx of new products that have no historical data for analysis or comparison. Under these conditions, it has been risky but nonetheless reasonable for retailers to rely on experience, rules of thumb, and rough analyses to plan their seasonal sales.
A keen sense of style makes fashion retailers attractive. The support of high-powered analytics makes them money.
A Ciência de Dados de hoje oferece aos varejistas de moda uma maneira melhor. Um processo em duas fases altamente estruturado suporta a preparação e o gerenciamento de um programa de remarca. A primeira fase, compreendendo as três etapas descritas abaixo, permite ao varejista estimar o comportamento dos consumidores durante as vendas, preparar previsões e definir a melhor grade de desconto por produto. A segunda fase oferece aos varejistas a oportunidade de adaptar seus programas de remarca em tempo real. Começa com uma análise dos padrões de vendas pré-markdown no nível do SKU, além de uma análise dos dados de desempenho histórico para itens com um caminho comercial semelhante a esses SKUs. O objetivo é então identificar clusters de SKUs das temporadas anteriores com padrões de vendas pré-marcação semelhantes para que os produtos atuais possam ser correspondidos de acordo. A análise avançada torna esta etapa mais eficiente e robusta, mas seu impacto mais forte ocorre nos segundos e terceiros passos. Por meio desse modelo, as equipes também podem explicar fatores como sazonalidade, intensidade promocional, tráfego e saídas de estoque. Para SKUs ou seleções que são internas de preços, grandes marcas terão pouco impacto positivo nos volumes de vendas e um efeito negativo significativo nas margens. Mas, para esquis ou seleções elásticas, pequenas remarcações podem ter um grande impacto no volume com declínio mínimo de margem. O modelo de previsão da demanda analisará os dados do SKU das estações anteriores para quantificar a demanda para a próxima temporada, resultando em decisões de preços mais bem informadas. Esta etapa possibilita estimar o volume de vendas para cada SKU nas várias porcentagens de desconto por semana de vendas e usar esses resultados para criar um número considerável de cenários de remarca. A equipe pode então escolher cenários com base em suas metas de negócios. As duas metas mais comuns estão melhorando (ou maximizando) as margens e gerando capital de giro. Por exemplo, alguns varejistas desejam projetar um programa de marcação que priorize a maximização do lucro bruto no período de venda sem perda de volume. Outros desejarão priorizar o aumento da venda e redução das sobras sem render a margem. O primeiro objetivo faz sentido quando uma seleção é vendida bem ao seu preço regular e ações residuais para uma venda de final de temporada é limitada ou quando existe um caminho de liberação bem definido para ações residuais, como uma saída proprietária. No entanto, quando uma seleção não vendeu bem e os estoques residuais são altos, os programas devem ser projetados para limpar a mercadoria do inventário e impulsionar o volume o máximo possível, garantindo o menor sacrifício de lucro bruto. A saída final desta primeira fase é uma grade de desconto exata por item e loja.
Matching Products. This first step is necessary in end-of-season sales to predict the performance of new collections—which have no sales history—based on the performance of past ones. It begins with an analysis of pre-markdown sales patterns at the SKU level, in addition to an analysis of the historical performance data for items with a commercial path resembling those SKUs. The objective is then to identify clusters of SKUs from previous seasons with similar pre-markdown sales patterns so that current products can be matched accordingly. Advanced analytics makes this step more efficient and robust, but its strongest impact comes in the second and third steps.
Quantifying Demand. A demand forecasting model can help teams understand how the sales volume of a product reacts to changes in price at any point in time. Through this model, teams can also account for such factors as seasonality, promotional intensity, traffic, and stock-outs. For SKUs or selections that are price-inelastic, large markdowns will have little positive impact on sales volumes and a significant negative effect on margins. But for elastic SKUs or selections, slight markdowns can have a large impact on volume with minimal margin declines. The demand forecasting model will look at previous seasons’ SKU data to quantify the demand for the coming season, resulting in better-informed pricing decisions.
Creating and Choosing Scenarios. The third and final step in this phase puts the demand forecasting model to use. This step makes it possible to estimate sales volume for each SKU at the various discount percentages per sales week, and to use those results to create a considerable number of markdown scenarios. The team can then choose scenarios on the basis of its business targets. The two most common targets are improving (or maximizing) margins and generating working capital.
Exhibit 1 gives an overview of possible strategies retailers can use to reach various objectives and the contexts in which it makes sense to pursue these objectives. For example, some retailers will want to design a markdown program that prioritizes maximizing gross profit in the sale period without volume loss. Others will want to prioritize increasing sell-through and reducing leftovers without surrendering margin. The first objective makes sense when a selection has sold well at its regular price and residual stock for an end-of-season sale is limited, or when a well-defined clearance path for residual stocks exists, such as a proprietary outlet. However, when a selection has not sold well and residual stocks are high, programs should instead be designed to clear the merchandise from inventory and drive volume as much as possible, while ensuring the smallest sacrifice of gross profit. The final output of this first phase is an exact discount grid by item and store.
One fashion retailer conducted this process by compiling and comparing two years of daily transaction data by store, SKU, and ticket, so that it could observe customer behavior in pre- and in-promotion periods. Beyond the price and volume data, the retailer also examined data on available stock, replenishments, and up to two dozen merchandise attributes (size, style, color, in-store placement, and so on) depending on the selection.
The team then defined the parameters for each scenario, including start and end dates, whether the program is in-season or end-of-season, the target to optimize (such as gross margin, sales volume, or working capital), and finally the business rules, such as the number of price changes and the form of discount (percentage, amount, or price point). In this instance, the retailer chose to make no more than two price changes during the sale period and decided to have a uniform approach to markdowns in a product category to simplify in-store communication and avoid customer confusion. These decisions ensured the retailer had clear markdown rules and a set of well-defined constraints to assess cost-benefit implications, as shown in Exhibit 2.
Real-Time Course Corrections
The start of the live campaign triggers the second phase of the markdown process. As sales data continues to flow in by store and SKU, machine learning improves the performance of the algorithms that read and react to markdown scenarios, providing increasingly sophisticated and accurate recommendations in real time. With this technology, the retailer is able to review and adjust the initial discount grid during the sale. Exhibit 3 shows how the discount program—in terms of average overall discount and change in desired target metric—can vary significantly by retailer.
The fact that the results seem to defy generalization underscores the crucial advantage of conducting advanced analyses and the need for doing so. Rather than applying conventional wisdom or rules of thumb, a retailer can design a unique, optimal markdown program for its circumstances immediately, based on a set of factors whose values might look very different in the next sales period.
When it comes to real-time program adjustments, online businesses have the advantage over brick-and-mortar stores, which are constrained by operational needs. Online retailers can automatically improve their strategy with continuous price changes dictated by rotations at the SKU level, and in more sophisticated cases, personalize markdowns at the customer level.
Finally, the fashion retailers who have successfully launched advanced markdown programs realize that the largest implementation hurdles are personal, not technical or analytical. Change management has served as the linchpin across the many projects we have worked on. Translating these programs into live action in stores involves dedicated leadership, additional training and cascading of best practices, as well as new decision-making processes.
Rather than applying rules of thumb, a retailer can design a unique, optimal markdown program for its circumstances immediately.
Os benefícios macro da análise avançada
análises avançadas são frequentemente elogiadas pelo que podem ajudar a alcançar no nível micro. Por exemplo, é empoderador para um varejista conhecer com confiança que o melhor desconto inicial em uma marca de jeans (MSRP de US $ 24,95 com 3.245 peças ainda em estoque) é de 40% quando a venda da primavera começa. Mas o uso de análises avançadas também oferece ao varejista os seguintes benefícios no nível macro:
- otimizando metas para um ciclo de vida completo do produto. Isso significa que o uso deles permite que um varejista de moda otimize um produto ou seleção ao longo de seu ciclo de vida, não apenas para uma promoção isolada. As informações das análises fornecem contribuições para o planejamento estratégico, bem como decisões de compras e merchandising além do período promocional em questão. As equipes internas ainda precisam definir regras precisas para orientar algoritmos e códigos, e a implementação de recomendações na vida real no nível da loja pode funcionar apenas em parceria com a equipe no ponto de venda. A venda também requer comunicações e exibições consistentes, contribuições que as máquinas inteligentes não podem fazer. Finalmente, a venda requer supervisão e intervenção críticas para garantir que ela permaneça fiel às suas metas. Advanced analytics, by nature, improve through continued application. This means that their use allows a fashion retailer to optimize a product or selection across its life cycle, not just for an isolated promotion. Insights from analyses provide input into strategic planning, as well as procurement and merchandising decisions beyond the promotional period at hand.
- Leaving the Right Work to Humans. The technology is important, but the human factor remains critical when using advanced analytics, which complement existing expertise and experience by supporting the retail team’s art with science. Internal teams still need to define precise rules to guide algorithms and codes, and implementing recommendations in real life at the store level can work only in partnership with staff at the point of sale. The sale also requires consistent communications and displays, contributions that intelligent machines cannot make. Finally, the sale requires critical supervision and intervention to ensure that it remains true to its targets.
- Desenvolvendo novas habilidades. Para os varejistas que embarcam em uma transformação digital-ou já no meio de um-aplicar análises avançadas para remarca ajuda a explorar e entender melhor o potencial das ferramentas de análise. Historicamente, os comerciantes sabem o que vende, mas agora, graças às idéias trazidas pela análise avançada, podem prever com segurança quanto venderá, quando venderá e quanto será vendido, garantindo um ritual financeiramente atraente para todas as partes envolvidas. Javier Seara A markdown optimization program will help a fashion retailer develop digital skills and apply advanced analytics to many other areas, such as overall pricing management, allocation and replenishment, and customization. For retailers embarking on a digital transformation—or already in the midst of one—applying advanced analytics to markdowns helps them explore and better understand the potential of analysis tools.
“The Sale” is a time-honored ritual for retailers and consumers alike, signaled by long lines and heavy foot traffic, regardless of weather or the time of day. Historically, merchandisers have known what sells, but now, thanks to the insights brought by advanced analytics, they can reliably predict how much will sell, when it will sell, and how much it will sell for, ensuring a financially appealing ritual for all parties involved.
