AI는 신발 산업의 치솟는 반품률을 해결할 수 있습니다

크리스마스가 다가오고 있으며 공급망에 대한 팬데믹의 지속적인 영향으로 인해 소매업체는 이미 수요를 충족하기 위해 고군분투하고 있습니다. 연말이 다가오면서 연말연시 세일과 쇼핑이 최고를 차지할 때 기업은 재고를 극대화하는 사전 전략을 구현해야 합니다. 인공 지능이 솔루션을 제공할 수 있습니다.

소매의 신발 부문은 사이즈 변동성 및 반품 패턴 문제로 인해 재고 관리에 고유한 과제를 제시합니다. AI는 신발 회사가 재고 관리, 시장 수요 예측, 이윤 모니터링을 지원하여 이러한 문제를 해결하는 방법을 혁신할 수 있습니다.

예측이 퍼즐이라면 판매 예측이 가장자리 부분을 구성하고 수익 예측이 중심을 구성할 것입니다. 판매 및 반품 데이터가 없으면 소매 예측에 대한 포괄적인 그림을 가질 수 없습니다. 불행히도 대부분의 예측 시스템은 판매를 예상하고 반품을 무시합니다. 반품 분석이 훨씬 더 복잡하기 때문일 수 있습니다.

특히 신발 회사의 경우, 팬데믹 이전에 반품률이 40%까지 높았던 경우, 판매 예측만으로는 회사의 전체 활동에 대한 극히 제한된 그림을 보여줍니다. 2020년 폐쇄 이후 온라인 판매 및 반품만 증가했습니다.

일부 신발 회사는 소비자 행동의 특정 추세를 깨닫고 있습니다. 고객은 집에서 신어보고 맞지 않는 두 켤레는 반품할 수 있도록 크기가 다른 세 켤레의 신발을 구매하고 있습니다. 신발 소매업체는 온라인 구매에서 반품된 제품을 매장에서 구매하는 것만큼 쉽게 재판매할 수 없는 경우가 많습니다. 또한 반품은 색상이나 스타일의 차이로 인한 것일 수도 있습니다. 예를 들어 구매자가 직접 본 신발이 온라인에서와 동일하지 않다고 생각하는 경우입니다.

이러한 추세를 탐색하기 위해 상점에서는 "오픈 박스" 신발을 할인된 가격으로 재판매하기 시작했습니다. 이 전략은 막대한 이익을 유지하는 데 도움이 되었지만 반품 및 할인은 모두 매우 복잡한 수학 방정식에 포함되어야 하므로 더 큰 재고 상황을 이해하는 것이 거의 불가능합니다.

여기서 AI가 게임을 바꿀 수 있습니다. 모든 소매업체는 온라인, 매장 내 또는 혼합 구매 온라인 매장 픽업(BOPIS) 판매 등 각 소매 채널의 실적을 예측하고 계획하기 위해 사용 가능한 데이터를 기반으로 정확한 예측이 필요합니다. 이것은 관리해야 할 엄청난 양의 데이터이지만 AI는 매장, SKU, 크기, 색상 및 스타일까지 재고 통찰력을 제공하고 해석하여 프로세스를 단순화할 수 있습니다. 이 정도의 세부 정보가 있어야 신발 회사가 판매 및 반품에 대해 정확한 예측을 하고 그에 따라 재고를 계획할 수 있습니다.

AI로 크기 최적화 결정

크기 최적화는 신발 산업의 중요한 구성 요소이지만 많은 소매업체에는 정보에 입각한 결정을 내리는 데 필요한 도구가 없습니다. 단일 스타일의 신발은 최대 15가지 크기, 때로는 더 많은 크기로 제공될 수 있습니다. 고객이 궁극적으로 보유할 것보다 더 많은 크기를 구매하면 예측이 훨씬 더 복잡해집니다.

AI는 과거 판매뿐만 아니라 여러 소스에서 중요한 데이터를 가져와 소매업체가 어느 크기를 더 많이 또는 덜 비축할지 결정할 수 있도록 도와줍니다. AI 생성 예측은 새로운 데이터와 업데이트된 정보 덕분에 시간이 지남에 따라 더 똑똑해지는 기계 학습으로 더욱 개선됩니다. 최고의 AI 예측 시스템은 더 정확한 예측을 제공합니다. 각 예측의 결과에서 지속적으로 학습하고 그에 따라 조정하여 정확도를 더 높기 때문입니다. 이상적으로는 소매업체의 경우 자동화된 "무접촉" 수요 예측을 통해 인적 계획가가 예외에 집중할 수 있는 시간을 더 많이 확보할 수 있습니다.

공급망 지연으로 인해 보충 계획이 엉망이 되었습니다. 대부분의 머천다이저는 시즌 초반에 어떤 제품을 얼마나 많이 판매할지 예측하고 이 예측을 기반으로 장기 계획을 세웁니다. 특히 공급망 변동성에 직면하여 상세한 실시간 예측이 없으면 이러한 초기 예측은 기껏해야 추측 게임이 될 수 있습니다.

AI는 판매에 대한 자세한 통찰력을 제공하고 소매업체가 시즌 전 할당 전략을 최적화하는 데 도움이 될 수 있습니다. 그런 다음 기업은 구매 추세와 패턴을 결정하고 재고를 분석하고 실제 판매 및 반품을 통합하여 보다 정확한 시즌 예측을 할 수 있습니다.

AI를 통해 소매업체는 이러한 정보를 실시간으로 얻을 수 있으므로 기다리거나 오래된 정보를 기반으로 조치를 취하는 대신 즉시 조치를 취할 수 있습니다. 주간 판매에 대한 통찰력을 통해 소매업체는 보충에 보다 능동적인 접근 방식을 취할 수 있습니다. 그들은 재입고할 품목, 품절될 수 있는 품목 및 해당 제품의 반품률을 결정할 수 있습니다. 이러한 방식으로 소매 보충이 변환되고 더 나은 수익을 위해 마진이 확장됩니다.

매장별 접근 방식

팬데믹 이후 쇼핑 환경에서 번창하고 성장하기 위해 신발 소매업체는 예측, 할당 및 보충 전략을 결정할 때 매장별 접근 방식을 취해야 합니다. 소매업체는 작년 데이터, 지역 데이터 또는 포괄적인 예측에만 의존할 수 없습니다. 데이터 기반의 유용한 권장 사항을 생성하는 세분화된 수준의 통찰력을 통합해야 합니다. 인구 통계의 약간의 차이는 특정 시간에 특정 지역의 다른 크기와 스타일보다 더 인기 있는 크기와 스타일에 상당한 영향을 미칠 수 있습니다.

이는 국가 또는 전 세계에 여러 매장을 보유한 신발 소매업체에게 벅차게 들릴 수 있지만 AI는 데이터 수집 및 모델링을 자동화하여 프로세스를 달성할 수 있도록 합니다. 소매업체는 정보에 입각한 추측으로 예측하는 대신 정확한 예측을 하고 신뢰할 수 있는 데이터를 기반으로 조치를 취하는 데 더 많은 시간을 할애할 수 있습니다.

소매에서 패션, 식품에 이르기까지 많은 산업에서 재고 소매 전략에 대해 너무 오랫동안 사후 대응적 접근 방식을 취했습니다. 우리는 극심한 시장 변동성의 시기에 정확한 예측을 하고 이익을 극대화할 수 있는 기술과 도구를 보유하고 있습니다. 이제 소매업체는 예측, 할당 및 보충을 보다 정확하고 효과적으로 만드는 과학적 방법론과 AI 기반의 옴니채널 중심 전략에 투자해야 합니다. AI는 이를 가능하게 하며 매일 더 똑똑해지고 있습니다.

Yogesh Kulkarni는 의 공동 최고 경영자입니다. antuit.ai , 의 일부 Zebra 기술 .