AI如何降低鞋类退货率提升零售盈利能力
圣诞将至，零售商因疫情供应链持续冲击已难满足需求。临近年底假日销售旺季，企业需实施主动策略最大化库存，否则面临利润率被压垮的供应挑战。人工智能或提供解法。
鞋类零售因尺码变异性和退货模式给库存管理带来独特挑战。AI可通过帮助管理库存、预测市场需求、监控利润率，变革鞋企应对挑战方式。
若预测是拼图，销售预测是边框，退货预测是核心。缺销售与退货数据无完整零售预测图景。不幸的是多数预测系统预测销售忽视退货，因退货分析复杂得多。鞋企尤甚：疫情前退货率高达40%，2020封锁后线上销售和退货双增。
部分鞋企发现特定消费行为趋势：顾客买三双不同尺码鞋回家试穿退回两双不合脚者。这是巨大利润杀手，因鞋类零售商难像实体店试穿受控环境那样轻松转卖网购退货。退货也可能因颜色款式差异：买家觉得实物不如网图好看。
门店开始以折扣价转卖“开箱鞋”堵漏利润流失。但退货折扣皆需纳入高度复杂数学方程，几乎无法看清全貌库存图景。AI可改变游戏规则。所有零售商需基于可用数据的准确预测，预测规划各零售渠道（线上、线下、混合BOPIS）表现。海量数据管理，AI通过提供解读至门店、SKU、尺码、颜色、款式的库存洞察简化流程。仅有此颗粒度详细信息，鞋企才能准确预测销售退货、相应规划库存。
AI决定尺码优化
尺码优化是鞋业关键组件，但许多零售商缺工具做明智决策。单一鞋款多达15个尺码甚至更多。顾客购买尺码超最终保留数量，预测更复杂。AI从多源汲取关键数据（不限历史销售），助零售商决定多备少备哪些尺码。AI生成预测经机器学习进一步改进，随新数据更新信息越来越聪明。最佳AI预测系统给出更准预测，因持续从每次预测结果学习、相应调整以求更高准确度。理想状态为零售商实现自动化“无触点”需求预测，给人工规划师更多时间聚焦例外。
供应链延误扰乱补货规划。多数商品企划早季预测销什么卖多少，基于此做长期计划。面对供应链波动，无详细实时预测，早期预测充其量是猜谜。AI提供详细销售洞察，助零售商优化季前分配策略。企业可确定购买趋势模式、分析库存、结合实际销售退货做更准季中预测。AI让零售商实时获取信息从而及时行动，而非等待或基于过时信息决策。周度销售洞察下，零售商可更主动补货：决定补什么、什么可能卖断、给定产品退货率。零售补货由此转型，利润率扩大、利润更好。
逐店策略
后疫情购物环境下生存增长，鞋类零售商制定预测、分配、补货策略需逐店法。不能只靠去年数据、区域数据或宏观预测；需纳入生成数据驱动可用建议的颗粒度洞察。细微人口统计差异可显著影响特定地区特定时间哪些尺码款式更受欢迎。对全国乃至全球多门店鞋企听似艰巨，但AI通过自动化数据收集建模使过程可行。零售商可花更多时间基于可靠数据做准确预测采取步骤，而非基于有根据的猜测预测。从零售到时尚到食品，许多行业对库存零售策略反应式应对太久。我们拥有技术工具在极端市场波动中做准确预测最大化利润。是时候零售商投资科学方法论和AI驱动的全渠道聚焦策略，让预测、分配、补货更准更有效。AI让这成为可能，且每天变得更聪明。
Yogesh Kulkarni是antuit.ai联合CEO，隶属Zebra Technologies。
工业技术