Big Data in FSM: een drietrapsraket naar optimalisatie
Consumenten kopen tegenwoordig steeds vaker bloemen en planten in de supermarkt. Een uitgelezen kans voor Full Service Merchandise handelsbedrijven, maar die kans brengt ook uitdagingen met zich mee. Een paar winkels zijn nog te overzien, maar hoe behoud je als FSM-bedrijf het overzicht als je aan tientallen of zelfs honderden winkels levert? Big Data kan dan uitkomst bieden.
Inzicht – planning – optimalisatie
De voordelen van Big Data voor FSM-handelsbedrijven kan je vergelijken met een drietrapsraket. In drie stappen til je je handel naar een hoger niveau:
- Inzicht
- Planning
- Optimalisatie
We zullen nu één voor één inzoomen op die stappen in de Big Data-aanpak.
Inzicht in je winkels
Zoals gezegd: met een handvol winkels kan je zelf nog wel het overzicht bewaren, maar wanneer je als FSM-handelsbedrijf steeds meer locaties bedient, kan je daarbij wel wat hulp gebruiken. Door gebruik te maken van de mogelijkheden die data-analyse biedt, heb je dat overzicht, ongeacht het aantal winkels. Zo heb je voortdurend inzicht in de omzet en winst per winkel of keten, groei per klant en product, productvolumes en derving. En dat kan je dan weer helpen bij de volgende stap.
Planning: optimale levering, minimale derving
Met het inzicht dat je hebt verkregen ga je aan de slag. Want dat inzicht is alleen waardevol als je er ook actie op onderneemt. Doordat je per winkel of keten, maar ook per product, ziet wat er goed loopt en waar juist meer derving is, kan je een optimale productmix samenstellen.
Algoritmes berekenen wat op de leverdagen per winkel geleverd moet worden om de omzet te maximaliseren en derving te minimaliseren. De algoritmes houden hierbij rekening met bekende factoren zoals het seizoen of feestdagen, maar wat te denken van veranderlijke factoren, zoals het weer, of promo’s van een supermarkt? Een zelflerend dataplatform neemt al deze factoren mee, zodat je een optimale leverplanning kan maken. Voor al je winkels, met een minimale inspanning, dus lekker efficiënt!
Nog een belangrijke factor waarop je als FSM-handelsbedrijf graag wilt kunnen sturen, is derving.
Op de winkelvloer is voldoende assortiment nodig om klanten voldoende keus te geven en te verleiden om te kopen. De andere kant van de medaille is dat je de derving zo laag mogelijk wilt houden. Zelflerende algoritmes houden hier rekening mee, de derving wordt continu in de gaten gehouden en automatisch verwerkt in de leveringsschema’s.
Als inkoper is het een lastige taak om voor alle winkels en alle producten het overzicht te behouden en te weten wat wanneer gekocht moet worden. Door de output van het leverschema terug te voeden in het ERP-systeem heeft de inkoper overzicht van welke producten voor de komende dagen ingekocht moeten worden. Wel zo makkelijk!
Optimalisatie van de productmix
Het sluitstuk van onze drietrapsraket is de optimalisatie van de productmix. Algoritmes berekenen wat per winkel de optimale mix is van producten om het rendement per winkel te verhogen. Locatie van de winkel en referentiewinkels zijn belangrijk om te bepalen welke productmix optimaal is.
Met behulp van Big Data wordt bijvoorbeeld op regioniveau of per winkelketen een uitgekiende productmix samengesteld. Dit kan volledig geautomatiseerd bepaald worden, zodat jij achterover kunt leunen terwijl je rendement omhoog gaat.
Maximaliseer je winst
Zo zie je dat je met zelflerende algoritmes in een paar eenvoudige stappen je FSM-handelsbedrijf kan optimaliseren om zo een maximaal rendement te behalen. WDD kan je helpen om die stappen één voor één te zetten.