如何讓“智慧貨櫃”的補貨效益最大化？

有些人會覺得“智慧貨櫃補貨”沒什麼難度，算不得問題。但補貨不合理其實能帶來不小的低效益與損失。那麼為了避免此類消極影響，我們該採取什麼樣的補貨策略呢？本文將揭曉答案。

一、背景

筆者目前在一家新零售公司工作，主要負責智慧貨櫃運營相關的工作。

智慧貨櫃看起來是一門簡單的零售生意，但規模化運營之後怎麼最大效率的提升運營員的補貨效益，是一門比較大的學問需要去探討。

比方說熟練運營員每天最大的運力是一天補貨20臺，那麼我們探討的課題就是哪20臺機器最需要去補貨（這裡其實還有一個課題，怎麼提升運營員的單日補貨臺數，這個課題就放到下一個章節去闡述），怎麼透過系統的方式傻瓜式的告訴運營員明天該去哪裡補貨。

接下來我將會寫一個專題，探討如何提升提升智慧貨櫃的運營效益，主要包括故障處理、商品結構調整、貨損率的降低、補貨效率提升等環節。

二、運營員按照自己經驗去補貨帶來的問題

首先，我們來看在沒有系統自動補貨推薦策略的情況下，運營員是怎麼去選擇第二天需要的機器的：

比方說之前的要求是，每臺智慧貨櫃缺品≥2個的時候，就需要進行補貨，其中缺品的定義是某個商品售罄（庫存為0）即為缺品。

在沒有系統推薦的情況下，可能這個方案已經解決了一部分問題，但是深入分析就會發現，這種粗暴的補貨推薦策略會帶來如下問題，或者說沒辦法解決下面場景遇到的問題：

首先如果這2個售罄的商品是暢銷品，這時候已經缺貨造成了銷售損失（使用者來到機器前想買這個商品沒有貨了，因此放棄了購買），所以已經導致補貨不及時；

如果這個2個售罄的商品是非暢銷品，而暢銷品不缺貨，那麼本次的補貨效益是不高的；

如果某臺機器銷量很好，每天或者每2天需要補一次貨，但是可能在前一天晚上或者第二天早上去看缺品的時候可能沒有達到2個，如果這時候不去補貨，是會帶來較大的銷售損失的；

另外在人工經驗下面，比方說有一臺機器缺品4個，但是都是非暢銷品，另外一臺機器缺品2個，但是都是暢銷品，這時候運營員是應該先去補缺品4個機器還是缺品2個的機器呢，很明顯應該是想去補貨缺品2個的機器；

由此可見，這種簡單粗暴的邏輯在前期可能能解決一部分的問題，但是當每個運營員所負責的機器越來越多，以及整個公司的機器體量上去之後，必須需要透過精細化的運營策略去提升每次補貨的收益，降低因為缺貨帶來的損失，從而使公司運營效益越來越好。

三、智慧貨櫃補貨推薦策略

1。 競品的補貨推薦策略

目前，市面上其他一些自動售貨機運營商的策略也相對來說比較簡單，一般都涉及到2個指標——缺貨率和缺品率。

指標缺貨率=當前缺貨數量/售貨機理論庫存總量

指標缺品率=當前售罄的sku數/該機器售賣的sku總數

他們一般會定義2個指標，比方說缺貨率超過40%就推薦運營員去進行補貨，或者說缺品率超過20%即去補貨。

這裡面所面臨的問題其實和我們之前人工定義的一樣，就是缺貨的商品可能是非暢銷商品，補貨的效益不大；還有一個問題就是沒有考慮運力的因素，有可能會遠遠超過運力，即運營員補貨補不過來。

2。 如何讓運營員補貨效益最大化，明天我該去補哪些機器？

明天我該去補哪些機器？

在回答這個問題之前，首先我們引入了一個最關鍵的指標，銷售速度預估。

我們知道每臺機器因為點位、商品、人群等各種因素在銷量上會有很多的區別，比方說有些智慧貨櫃每天能賣1000元，而有些智慧貨櫃每天只能賣100元，這是其中一個維度。

還有一個維度就是有些機器上午銷量最多，有些機器是中午銷量最多，而可能有些機器是晚上銷量最多，也就是每臺機器都有自己的銷售波峰波谷，如果我們需要精細化的運營以及預測，就需要考慮這些因素。

為了預測每臺機器，每個商品第二天甚至第三天的銷量，我們花費了很大的力氣輸出了銷售速度預估演算法，我們可能去預測每個分公司、每條線路、甚至每臺機器每個商品的銷售速度，顆粒度越大預測的準確率越高，在補貨推薦策略裡面，我們主要有3個維度去預測：機器、商品、以及時間維度。

我們首先會預測機器第二天（上下午）的銷量，機器內每個商品第二天（上下午）的銷量，機器維度相比於商品維度顆粒度更大，因此預測的會更準確，我們在知道每臺機器第二天的銷售速度之後，那麼就有了銷售損失的概念了。

什麼是銷售損失呢？

簡單來說，比方說機器A裡面的可口可樂，在0點的時候可口可樂還有庫存1個，透過我們的銷售速度預估演算法，可以預測出可口可樂第二天的銷量比方說是5個，當前的庫存是1個，那麼缺貨就是4個（這裡不考慮替代品的因素，就是可口可樂售罄的情況下使用者去買雪碧），缺貨損失就等於缺貨個數×該商品的售價，則可口可樂的缺貨損失就是4*3=12元。那麼一臺機器第二天的缺貨損失就等於該機器所有商品的缺貨損失之和。

這裡面為了更精細，我們還分佈會預測上午（13點之前）和下午（13點之後）分別的缺貨損失，以便在補貨推薦決定那臺機器先去補的問題，實現更精細化的補貨推薦。

在有了缺貨損失的情況下，每臺機器都會有一個缺貨損失的金額，那麼我們應該怎麼去確定缺貨損失金額達到多少的時候就需要去補貨呢？

這裡面的決策邏輯主要有2個，一個就是上文說到的運力，也即一個運營員一天只能補20臺，那麼我們每天給運營員推薦的機器就應該不超過20臺。但是這種方案會帶來一個問題，就是按照排序的邏輯有些機器缺貨損失為0的情況下有可能也被推薦補貨，所以這種方案被我們放棄了。

另外一個決策邏輯就是使單次補貨的收益最大化，也即每次補貨的商品價值最大，同時需要最大限度的降低缺貨損失金額。

最終，我們透過大量銷售資料、補貨資料，定義瞭如下補貨推薦的關鍵指標：

預計明日缺貨率，也即（當前缺貨量+明日預估銷量）/機器理論滿庫存，我們透過資料觀測發現，當機器缺貨率達到一定比例時，會影響機器的銷量；

預計明日缺貨損失銷量（銷售金額），如果是飲料機因為飲料的銷售金額差距不大，可以直接用缺貨損失銷量，如果是零食飲料混合機器，因為零食和飲料的銷售金額差距比較大，所以可能需要用缺貨損失金額。

預計明日缺品率，也即預計明日售罄的商品數/總售賣商品數

預計明日缺貨損失佔比，也即預計明日缺貨損失銷量/預計明日總銷量

距離上次補貨天數（太長時間不去補貨，會導致商品過期造成食品安全問題）

這裡面可能還有存在一個機器故障需要去處理的，這裡就不單獨說明了，會在之後的章節專門說明機器故障的閉環處理。

透過定義補貨推薦的關鍵指標，結合我們的銷售資料以及最大限度的提升補貨效益，最終我們的補貨推薦策略如下：

預計明日缺貨率≥x且預計明日缺貨損失≥y

預計明日缺貨率≥z且預計明日缺貨損失

預計明日缺貨率

預計明日缺貨率≥x且預計明日缺貨損失佔比≥n

距離上次補貨天數≥T

其中應該是上午去補貨還是下午去補貨，主要看預估上午還是下午的值達到閾值條件，另外針對一天需要多次補貨的機器，需要單獨的演算法去預估機器當天需要補貨幾次。

四、總結

透過引入銷售速度預估演算法、銷售損失、預估明日的缺貨量、預估明日缺貨率，缺貨損失佔比等指標，直接由系統傻瓜式透過補貨推薦決策的策略告知運營員需要補貨的機器，那麼我們怎麼去觀測這個策略是不是比運營員根據經驗進行補貨的效果更好呢？

主要透過以下方面去評估和觀測該策略的效果：

透過對比方法，直接對比某臺線路透過系統補貨推薦的補貨量和銷量情況，與運營員自己根據經驗補貨的補貨量與銷量；

透過大盤資料，直接觀測全國的機器如果使用系統推薦的單機補貨量，以及觀測第二天的銷量情況，同時對比運營員自己補貨的資料；

最終我們補貨推薦策略所達到的效果如何了，從原來單機單次平均補貨量40個提升到單機單次平均補貨量60個，提升了50%的補貨量，同時每天的補貨臺數降低了30%，節省了30%的運力成本，同時因為補了那些需要補貨的機器，降低了因為沒有補貨帶來的銷售損失。

本文由 @harryli 原創釋出於人人都是產品經理。未經許可，禁止轉載。

題圖來自Unsplash，基於CC0協議。