Как да използвате RFID данни за прогнозиране на търсенето

Повечето компании не срещат трудности при прогнозирането на търсенето, защото им липсват формули. Проблемът обикновено е, че данните, с които тези формули се захранват, са непълни, закъснели или откъснати от реалното случващо се на терен. Именно тук RFID данните могат да променят разговора. Когато се използва правилно, RFID не служи само за видимост на инвентара или проследяване на активи. Технологията дава на екипите по планиране много по-близък поглед върху движението, времето, поведението на наличностите, моделите на попълване и продуктовия поток. Тези сигнали могат да направят прогнозирането на търсенето по-малко зависимо от предположения и по-здраво стъпило върху реалното оперативно поведение.

Превърнете RFID събитията в полезни сигнали за търсене

Въпреки това използването на RFID данни за прогнозиране на търсенето не означава просто да включите разчитанията на таговете в прогнозен модел и да очаквате системата автоматично да стане по-интелигентна. Суровите разчитания от RFID тагове са шумни. Те показват, че нещо е било засечено в определено време и място, но не обясняват автоматично защо това е важно. Прогнозирането се нуждае от бизнес смисъл, а не само от радиочестотна активност. Затова истинската стойност идва, когато RFID събитията се превърнат в използваеми сигнали за търсене. Тогава планиращите екипи започват да виждат не само какво е продадено миналия месец, а и как продуктите са се движили преди продажбата, къде са се натрупвали наличности, колко бързо реално е протичало попълването, кои локации са изтегляли стоката по-бързо от очакваното и къде търсенето е било скрито заради слаба наличност.

Много грешки в прогнозите произлизат от един основен проблем. Историческите данни за продажбите показват само какво е било продадено, но не и какво е можело да бъде продадено. Ако даден продукт е бил изчерпан, поставен на неподходящо място, заседнал в складово помещение, разпределен към грешен регион или забавен при попълване, отчетените продажби могат да подценят реалното търсене. RFID помага тази разлика да бъде разкрита. Технологията може да покаже дали артикулите физически са били на търговската площ, колко дълго са останали там, колко често са били попълвани и дали предполагаемо бавно продаваните продукти всъщност просто не са били налични в ключови моменти. Тази промяна е важна. Прогноза, изградена само върху история на продажбите, често бърка проблеми с доставката със слабо търсене.

Специализиран търговец на облекло видя това при линия леки якета по време на сезонен преход. Седмичните продажби подсказваха, че интересът към продукта спада по-рано от очакваното, затова екипът по планиране обмисляше да намали следващата поръчка. Проследяването на ниво единичен артикул чрез RFID обаче показа различна картина. Магазините разпродаваха изложените количества бързо, докато резервните бройки оставаха в задните складови помещения по-дълго от очакваното, защото персоналът не попълваше достатъчно бързо по време на вечерните пикове. Само данните за продажбите правеха продукта да изглежда по-слаб, отколкото беше. RFID данните показаха неудовлетворено търсене, причинено от лоша наличност на рафта. След като планиращите включиха тези сигнали за наличност, прогнозата се промени и следващата покупка беше коригирана нагоре, а не надолу.

Подобрете реалната точност на наличностите преди прогнозата

Един от най-добрите начини за използване на RFID данни при прогнозиране на търсенето е подобряването на качеството на реалната картина за наличностите. Прогнозите се разпадат, когато планиращите не вярват на точността на инвентара. Ако системата показва 140 броя в дадена локация, но само 92 реално са налични за продажба, прогнозната логика, изградена върху тази позиция, ще взема слаби решения за попълване. RFID може да направи цикличните преброявания по-точни, да намали фантомните наличности и да подобри точността на инвентара в магазини, складове и предни складови точки. По-добрата точност на наличностите не прави само операциите по-чисти. Тя дава на прогнозните системи по-честна картина за това какво реално е било налично през периода на търсене.

По-чистите складови записи правят прогнозите по-малко объркани

Дистрибутор на потребителска електроника се сблъска с това при бързооборотни аксесоари. Прогнозните модели постоянно показваха странни пикове и спадове, които планиращите не можеха да обяснят. Първоначално те обвиняваха времето на промоциите и онлайн трафика, но по-големият проблем беше, че складовите записи по филиали бяха достатъчно неточни, за да изкривят историята на попълването. След като RFID базираното циклично преброяване подобри точността по филиали, екипът по планиране разбра, че няколко привидни колебания в търсенето всъщност са били проблеми в складовите записи. С по-чисти данни за наличностите прогнозата стана по-стабилна, а моделът на попълване започна да има повече смисъл. Урокът не беше, че RFID магически предсказва бъдещето. Урокът беше, че по-добрата оперативна истина прави прогнозата по-малко объркана.

Използвайте RFID данни, за да разберете времето на търсенето

RFID данните помагат и когато компаниите трябва да разберат не само обема, но и времевия ритъм на търсенето. Традиционното прогнозиране често работи с дневни, седмични или месечни групи продажби. RFID добавя слой от времева информация за движението, който показва колко бързо продуктите напускат приемането, влизат в пикинг, достигат до рафта или преминават през зоните за изпълнение на поръчки. Това е важно, защото търсенето често е по-чувствително към времето, отколкото изглежда. Продукт, който се движи бързо в рамките на часове след пристигане, разказва различна история от продукт, който се продава бавно в продължение на две седмици. Когато планиращите виждат тези разлики в темпото, те могат да вземат по-добри решения за безопасен запас, честота на попълване и регионално разпределение.

Времето на движение може да разкрие различни криви на търсене

Верига за стоки за дома откри това, когато маркира с тагове промоционални кухненски артикули по време на празнична кампания. Общите продажби изглеждаха добри в цялата мрежа, но RFID данните показаха, че някои магазини изчерпват промоционалната наличност почти веднага след поставянето ѝ на търговската площ, докато други се нуждаят от много повече време, за да наберат скорост. Екипът по планиране първоначално беше третирал цялата промоция като една национална крива на търсене. Данните за движение от RFID разкриха ясни времеви разлики по клъстери магазини, особено между градски локации с пътуващи клиенти и крайградски магазини със силен уикенд трафик. Това доведе до по-добро разделяне на прогнозата за следващата промоция и до по-интелигентен план за разпределение преди старта.

Открийте скрито търсене, причинено от слаба наличност

Друго полезно приложение при прогнозиране е откриването на скрито търсене, причинено от неправилно поставени или забавени наличности. В много операции продуктите не се провалят, защото клиентите не ги искат. Те се провалят, защото стоката е на грешното място в грешния момент. RFID може да покаже дали наличността е престояла твърде дълго в приемане, задържала се е в зона за подготовка или е останала блокирана в задно складово помещение, докато продажбите на търговската площ са отслабвали. Когато планиращите могат да отделят слабото търсене от слабото изпълнение, те спират да правят грешни корекции на прогнозата. Това е особено важно в търговията на дребно, медицинските доставки, резервните части за теренно обслужване и дистрибуционните модели, където наличността може рязко да се различава по локации.

Слабото изпълнение може да изглежда като слабо търсене

Регионален бизнес за снабдяване на аптеки видя това при комплекти за общо здраве без рецепта по време на пиковия грипен сезон. Продажбите по филиали подсказваха, че търсенето е неравномерно и трудно предвидимо. RFID данните обаче показаха, че много комплекти пристигат навреме във филиалите, но след това остават в складови помещения, вместо бързо да бъдат преместени на рафтове, достъпни за клиентите. Филиалите с най-добра дисциплина при прехвърляне към рафта продаваха много по-бързо, докато други изглеждаха слаби само защото продуктът не беше видим. Екипът по прогнозиране използва това прозрение, за да коригира предположенията за търсенето и да работи по-тясно с екипите по изпълнение в магазините. Така те избегнаха недокупуване на следващата вълна комплекти само защото първата вълна беше оперативно управлявана лошо в част от локациите.

Комбинирайте RFID данни за движение с прогнозни модели

RFID данните стават още по-ценни, когато се комбинират с модели за прогнозиране на търсенето, които вече използват POS данни, история на поръчките, сезонност, промоции или външни променливи. Самостоятелно RFID не заменя тези входни данни. То ги обогатява. Помага да се обясни защо продажбите са се случили по определен начин. Може да добави сигнали като време на достъпност на наличността, забавяне при попълване, престой на ниво локация, интензивност на пикинг, поток на обратна логистика и постоянство на наличността на рафта. Тези сигнали са особено полезни, когато стандартните прогнозни модели многократно пропускат едни и същи типове изключения.

Търговец на едро на спортни стоки изгради такъв по-богат модел за група тренировъчни аксесоари, продавани както през търговски обекти, така и онлайн. Старият им прогнозен модел разчиташе силно на историята на експедициите и POS тенденциите, но продължаваше да пропуска скокове на ниво локация. След добавяне на сигнали за движение от RFID четци в дистрибуционния център и при избрани търговски партньори, компанията можеше да види кои продукти се попълват необичайно често, кои артикули прекарват по-малко време в резервно съхранение и кои асортименти се изтеглят по-рано преди местни събития. Тези допълнителни сигнали не замениха основния прогнозен модел, но помогнаха на екипа да улавя промени по-рано от преди.

Засичайте забавяния и скокове в търсенето по-рано

Друго практично приложение на RFID при прогнозиране е откриването на забавяне, преди то напълно да се появи в продажбите. Ако маркираните продукти започнат да престояват по-дълго в определени зони, ако честотата на попълване намалее или ако темповете на пикинг се променят в конкретни категории, планиращите могат да засекат спад на търсенето по-рано, отколкото чрез отчетените продажби. Същата логика работи и в обратната посока. Когато времето на престой се съкращава, активността по попълване се ускорява и прехвърлянията от задното складово помещение към рафта се увеличават, това може да бъде ранен знак, че търсенето се засилва по-бързо, отколкото показва историческият модел. Екипите по прогнозиране винаги търсят ранни индикатори. RFID може да стане един от тях, когато данните се тълкуват правилно.

Ранните оперативни сигнали могат да защитят наличността

Дистрибутор на индустриални средства за безопасност намери това за полезно при светлоотразителни жилетки и ръкавици, продавани към канали за строителни доставки. Поръчките все още не бяха нараснали драматично, но RFID данните от неговата операция по изпълнение показаха забележимо увеличение на честотата на пикинг и по-кратки времена на престой за конкретни размери и цветове, свързани с пролетни проектни стартирания. Екипът по планиране прие това като ранен сигнал за търсене, прегледа регионалните поръчкови потоци и повиши краткосрочната прогноза, преди стандартният модел на продажбите да го направи. Това им помогна да избегнат натиск върху наличностите няколко седмици по-късно.

Подобрете регионалното разпределение с RFID данни за потока

Прогнозирането на търсенето също печели от RFID, когато компаниите искат да подобрят регионалното разпределение. Записите за продажби показват къде са продадени продуктите, но RFID помага да се обясни как продуктите са преминали през мрежата преди и по време на периода на продажба. Технологията може да покаже поведение при трансфери, ритъм на попълване на ниво филиал и дали стоките са били насочвани към една зона, а всъщност са се потребявали по-бързо другаде. Това е полезно за бизнеси с мрежи от множество складове или магазини, където грешното разпределение често създава илюзия за странни модели на търсене.

Решенията за разпределение изискват повече от общи продажби

Марка за обувки видя точно това при една от линиите си ежедневни обувки без връзки. Седмичните отчети за продажби правеха Западното крайбрежие да изглежда стабилно по-силно от Юга, затова екипът продължаваше да насочва повече наличност на запад. RFID базираните данни за движение в магазините и дистрибуционните центрове обаче разкриха, че някои южни магазини бързо изчерпват най-търсените размери и след това „замлъкват“, защото попълването изостава. Междувременно няколко западни магазина държаха инвентар по-дълго, отколкото подсказваха общите продажбени числа, защото бяха започнали с много по-дълбока наличност. Прогнозата за търсенето се промени, когато планиращите спряха да четат продажбите изолирано и започнаха да ги анализират заедно с RFID базираното движение на наличностите. Разпределението стана по-балансирано, а нивата на обслужване се подобриха.

Използвайте RFID сигнали при прогнозиране на нови продукти

Има и силен аргумент за използване на RFID данни при прогнозиране на нови продукти, особено когато историческите продажби са ограничени. Прогнозите за нови артикули обикновено са крехки, защото планиращите не разполагат с много пряка история. В тези случаи RFID може да даде ранни поведенчески сигнали по време на лансиране. Колко бързо бройките напускат приемането след пристигане. Колко често се попълват през първата седмица. Колко широко се движат между зоните. Колко често единиците се вземат, преместват или връщат в наличност. Тези сигнали могат да помогнат на планиращите да преценят дали ранните продажби са подкрепени от реален интерес и реална наличност, или са изкривени от проблеми с позиционирането и изпълнението на лансирането.

Данните от лансиране могат да предотвратят прекалено консервативни прогнози

Компания за аксесоари за красота тества това с нова линия органайзери за пътуване в избрани магазини. Само продажбите изглеждаха средни през първите десет дни и първата реакция беше лансирането да се приеме като умерено. RFID данните обаче показаха, че купувачите взаимодействат активно с продукта и че екипите в магазините го попълват често след пикове в уикенд трафика. Проблемът не беше липса на интерес. Проблемът беше, че първоначалните изложени количества бяха твърде малки, а попълванията бяха непостоянни в натоварените дни. Това доведе до преработена прогноза и по-агресивна втора доставка към локациите с най-силен оперативен интерес. Без прозренията от RFID движението лансирането можеше да бъде оценено прекалено консервативно.

Почистете и структурирайте RFID данните преди прогнозиране

За да използват RFID данни добре при прогнозиране на търсенето, екипите трябва също да ги почистят и структурират правилно. Суровите разчитания не бива да се подават директно в прогнозен модел. Те трябва да бъдат филтрирани, дедупликирани, свързани с бизнес локации, стандартизирани по време и преведени в събития, релевантни за търсенето. Примери могат да бъдат: артикул е влязъл на търговската площ, палет е преместен към зона за пикинг, попълването е завършено, наличност е останала в резерв над зададен праг или артикул е преминал през изходяща линия. Целта е да се създадат сигнали, които означават нещо за планиращите. Прогнозните модели не печелят от радиочестотен шум. Те печелят от надеждни оперативни събития.

Суровите разчитания се нуждаят от бизнес смисъл

Доставчик на опаковки за хранителни услуги научи това при опит да използва RFID за планиране на търсенето на ниво филиал. Първият набор от данни беше технически огромен, но практически разхвърлян. Съдържаше твърде много повтарящи се разчитания и твърде малко бизнес интерпретация. След като екипът по данни преобразува потока от RFID етикети в по-ясни сигнали като честота на попълване по филиали, забавяне от доставка до рафт и време на престой в задно складово помещение, групата по планиране най-накрая получи входни данни, които можеше да използва. Точността на прогнозата не се подобри, защото компанията събра повече данни. Тя се подобри, защото компанията превърна суровите RFID събития в информация, удобна за прогнозиране.

Знайте какво RFID може и какво не може да направи

Също толкова важно е да не се преувеличава какво може RFID. RFID данните са полезни, но не са пряк път, който заменя дисциплината в прогнозирането. Те няма автоматично да обяснят макроикономически промени, променящи се клиентски предпочитания, климатични шокове, конкурентно ценообразуване или канибализация между промоции. Най-добре е RFID да се използва като оперативна леща, която подобрява видимостта върху продуктовия поток и наличността. Когато компаниите очакват технологията да реши всичко, обикновено остават разочаровани. Когато я използват, за да изострят истината за наличностите, времевите прозрения, поведението по локации и откриването на скрито търсене, възвръщаемостта е много по-реалистична.

RFID работи най-добре като част от по-широка прогнозна система

Производител на многократни медицински текстили имаше добър пример за такъв балансиран подход. Компанията първоначално се надяваше, че само RFID данните за движение ще помогнат да се прогнозират колебанията в болничното търсене. Това се оказа твърде оптимистично, защото покупателните цикли се влияеха и от болнични бюджети, промени в политики и договорни срокове. Но когато екипът комбинира RFID видимостта върху циркулацията на бельото, скоростта на обработка и престоя по локации с историята на поръчките и сезонните модели на употреба, прогнозата стана забележимо по-стабилна. RFID не беше целият отговор. То беше много полезна част от отговора.

Оценете дали RFID пасва на конкретния прогнозен проблем

За купувачите, които оценяват проекти за прогнозиране на търсенето с RFID, истинският въпрос не е дали RFID данните могат да захранват прогноза. Могат. По-добрият въпрос е кои проблеми с търсенето RFID може да реши по-добре от данните, с които вече разполагате. Ако текущата ви прогноза страда, защото точността на инвентара е слаба, наличността на рафта е неясна, трансферното поведение по филиали е лошо разбрано или забавянето при попълване продължава да скрива истинското търсене, RFID може да бъде силно допълнение. Ако основният ви проблем е макро несигурност на търсенето или непредвидими външни шокове, RFID ще помогне по-малко пряко. Най-силният бизнес аргумент обикновено се появява, когато грешките в прогнозите са свързани с физическата видимост и движение на продуктите.

Заключение

В крайна сметка използването на RFID данни за прогнозиране на търсенето означава да се затвори разликата между това, което бизнесът смята, че се е случило, и това, което физически се е случило. Данните за продажби показват резултатите. RFID може да покаже пътя, който е довел до тези резултати. Технологията може да разкрие дали продуктите наистина са били налични, дали са се движили с очакваната скорост, дали са достигнали правилните локации и дали бавните продажби са били наистина слабо търсене или просто слабо изпълнение. Когато планиращите разполагат с този допълнителен слой истина, прогнозите стават по-заземени и по-малко реактивни. Те спират да наказват добри продукти заради лоша наличност. Спират да възнаграждават изкривени продажбени модели, причинени от лоши складови записи. И започват да вземат решения с по-добра видимост върху реалното търсене, а не само върху отчетените транзакции.

Това е истинското предимство. RFID не превръща прогнозирането в магия. То го превръща в по-информирана оперативна дисциплина. За компании, които вече разбират своите продукти, канали и клиенти, тази допълнителна дисциплина може да има много практична стойност.