Bagaimana AI Dapat Mengurangi Tingkat Pengembalian Sepatu dan Meningkatkan Keuntungan Eceran

Natal akan tiba, dan eceran sudah kesulitan memenuhi permintaan karena dampak berkelanjutan pandemi pada rantai pasok. Seiring mendekati akhir tahun, saat penjualan dan belanja liburan mendominasi, perusahaan perlu menerapkan strategi proaktif yang memaksimalkan inventori, atau menghadapi tantangan pasokan yang menghancurkan margin. Kecerdasan buatan mungkin menawarkan solusi.

Segmen sepatu dalam retail menawarkan tantangan unik untuk manajemen inventori, karena masalah variasi ukuran dan pola pengembalian. AI dapat mengubah cara perusahaan sepatu menyelesaikan tantangan ini dengan membantu mereka mengelola inventori, meramalkan permintaan pasar, dan memantau margin keuntungan.

Jika peramalan adalah teka-teki, peramalan penjualan akan membentuk tepi dan peramalan pengembalian akan membentuk pusat. Anda tidak dapat memiliki gambar komprehensif tentang peramalan retail tanpa data penjualan dan pengembalian. Sayangnya, sebagian besar sistem peramalan mengantisipasi penjualan dan mengabaikan pengembalian, kemungkinan karena analisis pengembalian jauh lebih kompleks.

Bagi perusahaan sepatu terutama, di mana tingkat pengembalian mencapai 40% sebelum pandemi, peramalan penjualan saja menyajikan gambar yang sangat terbatas tentang aktivitas keseluruhan perusahaan. Sejak lockdown 2020, penjualan dan pengembalian online hanya meningkat.

Beberapa perusahaan sepatu menyadari tren spesifik dalam perilaku konsumen: Pelanggan membeli tiga pasang sepatu dalam ukuran berbeda sehingga mereka dapat mencoba di rumah dan mengembalikan dua yang tidak pas. Ini adalah pembunuh keuntungan besar, karena eceran sepatu sering tidak dapat menjual kembali apa yang dikembalikan dari pembelian online dengan mudah seperti pembelian di toko, di mana fitting sepatu terjadi dalam lingkungan yang lebih terkontrol. Pengembalian juga mungkin disebabkan oleh perbedaan warna atau gaya jika, misalnya, pembeli tidak pikir sepatu terlihat sama secara langsung seperti online.

Untuk menavigasi tren ini, toko telah mulai menjual sepatu "open-box" dengan harga diskon. Sementara strategi ini telah membantu mencegah keuntungan yang terus membabi buta, pengembalian dan diskon semuanya harus dipertimbangkan dalam persamaan matematika yang sangat kompleks, membuat hampir mustahil untuk memahami gambar inventori yang lebih besar.

Ini di mana AI dapat mengubah permainan. Semua eceran membutuhkan peramalan yang akurat berdasarkan data yang tersedia untuk memprediksi dan merencanakan kinerja setiap saluran retail, baik itu online, di toko, atau penjualan gabungan beli online, ambil di toko (BOPIS). Ini adalah kekayaan data yang luar biasa untuk dikelola, tetapi AI dapat menyederhanakan proses dengan menyediakan dan menafsirkan wawasan inventori hingga ke toko, SKU, ukuran, warna, dan gaya. Hanya dengan tingkat informasi rinci ini perusahaan sepatu akan dapat membuat prediksi yang akurat tentang penjualan dan pengembalian, dan merencanakan inventori sesuai dengan itu.

Menentukan Optimasi Ukuran dengan AI

Optimasi ukuran adalah komponen kritis industri sepatu, tetapi banyak eceran tidak memiliki alat yang diperlukan untuk membuat keputusan yang tepat. Satu gaya sepatu dapat hadir hingga 15 ukuran, terkadang lebih. Dan ketika pelanggan membeli lebih banyak ukuran daripada yang akan mereka simpan pada akhirnya, prediksi menjadi semakin rumit.

AI dapat menarik data kritis dari banyak sumber, bukan hanya penjualan historis, untuk membantu eceran menentukan ukuran apa yang akan dipersediakan lebih banyak atau lebih sedikit. Peramalan yang dihasilkan AI kemudian ditingkatkan lebih lanjut dengan pembelajaran mesin, yang menjadi lebih cerdas seiring waktu berkat data baru dan informasi yang diperbarui. Sistem peramalan AI terbaik memberikan prediksi yang lebih akurat karena mereka terus belajar dari hasil setiap peramalan dan menyesuaikan sesuai itu untuk akurasi yang lebih lanjut. Idealnya, bagi eceran ini akan menghasilkan peramalan permintaan "no touch" otomatis, yang memberi perencana manusia lebih waktu untuk fokus pada pengecualian.

Keterlambatan rantai pasok telah menghambat perencanaan pengisian ulang. Sebagian besar merchandiser memprediksi jenis dan berapa banyak produk yang akan mereka jual awal musim, dan membuat rencana jangka panjang berdasarkan peramalan ini. Tanpa peramalan waktu nyata yang rinci, terutama menghadapi volatilitas rantai pasok, prediksi awal ini dapat menjadi tebakan paling baik.

AI memberikan wawasan rinci tentang penjualan, dan dapat membantu eceran mengoptimalkan strategi alokasi pramusim. Perusahaan kemudian dapat menentukan tren dan pola pembelian, menganalisis inventori, dan menggabungkan penjualan serta pengembalian aktual untuk membuat prediksi dalam musim yang lebih akurat.

Dengan AI, eceran dapat mendapatkan informasi ini secara waktu nyata sehingga mereka dapat bertindak dengan cepat, alih-alih menunggu atau membuat langkah berdasarkan informasi yang ketinggalan zaman. Dengan wawasan penjualan mingguan, eceran dapat mengambil pendekatan yang lebih proaktif terhadap pengisian ulang. Mereka akan dapat menentukan apa yang akan direstock, apa yang mungkin terjual, dan tingkat pengembalian pada produk tertentu. Dengan cara ini, pengisian ulang retail bertransformasi, dan margin meluaskan untuk keuntungan yang lebih baik.

Pendekatan per Toko

Untuk berkembang dan tumbuh dalam lingkungan belanja pasca pandemi ini, eceran sepatu perlu mengambil pendekatan per toko saat menentukan strategi peramalan, alokasi, dan pengisian ulang. Eceran tidak dapat sekadar mengandalkan data tahun lalu, data regional, atau prediksi umum; mereka perlu menggabungkan tingkat wawasan yang terperinci yang menghasilkan rekomendasi yang didorong data dan dapat digunakan. Perbedaan kecil dalam demografi dapat secara signifikan mempengaruhi ukuran dan gaya apa yang akan lebih populer daripada yang lain di suatu wilayah pada suatu waktu.

Ini mungkin terdengar menakutkan bagi eceran sepatu dengan banyak toko di seluruh negeri atau dunia, tetapi AI membuat prosesnya dapat dicapai dengan mengotomatisasi pengumpulan dan pemodelan data. Eceran dapat menghabiskan lebih banyak waktu untuk membuat peramalan yang akurat dan mengambil langkah berdasarkan data yang andal, alih-alih membuat prediksi dari tebakan yang didasarkan pada pendidikan.

Banyak industri, dari retail hingga fashion hingga makanan, telah mengambil pendekatan reaktif terhadap strategi inventori retail selama terlalu lama. Kami memiliki teknologi dan alat untuk membuat peramalan yang akurat dan memaksimalkan keuntungan dalam waktu volatilitas pasar yang ekstrem. Saatnya bagi eceran untuk berinvestasi dalam metodologi ilmiah dan strategi omnichannel yang didukung AI yang membuat peramalan, alokasi, dan pengisian ulang lebih akurat dan lebih efektif. AI membuat ini mungkin, dan ia menjadi lebih cerdas setiap hari.

Yogesh Kulkarni adalah co-chief executive officer di antuit.ai, bagian dari Zebra Technologies.