השגיאה הקטנה בתחזית שהופכת אתכם ל-Fast Fashion

בעולם העסקי חייבים לעבוד עם תחזיות. אחרת, אין אפשרות להתכונן מראש, לתכנן או להשפיע. בעולם הקמעונאי בו הצריכה מיידית, המוצר חייב להיות על המדף הנכון ברגע שהלקוח מעוניין בו. בעולם שהולך ונהייה יותר ויותר מהיר, הדיוק הזה – המוצר הנכון, המדף הנכון, הרגע הנכון - נהיה יותר קריטי. לאור העובדה שיצור ושילוח אינם תהליכים מיידים, קמעונאים צריכים להתכונן מראש. כלומר, עבור מכירות קמעונאיות היכולת לחזות נכון את הביקוש העתידי משמעותית במיוחד.

על מנת לחזות את העתיד אנחנו משתמשים במודלים מתמטיים שונים, מודלים של חיזוי. מודל חיזוי משתמש בנתוני העבר על מנת לצפות, בדיוק כלשהו, שהינו בשאיפה גבוה מאוד, את העתיד.

היות ומודל החיזוי אמור לחזות עבורכם ביקושים עתידיים, יש להזין לתוכו כמידע את ביקושי העבר. אך שימו לב, הנתונים שיש לכם לגבי העבר אינם נתוני ביקוש, אלא נתוני מכירות. כלומר, אתם משתמשים במכירות בפועל על מנת לייצג את ביקוש העבר, מתוך הנחה שהמכירות מייצגות, בקירוב טוב, את הביקוש.

כאן בדיוק טמונה הבעיה. היות והמכירות בפועל לא מייצגות נכון את ביקושי העבר. למעשה, המכירות בפועל מייצגות רע מאוד את הביקושים מהסיבות הבאות:

1. המוצרים המבוקשים ביותר נמכרו ואזלו לפני מיצוי הביקוש שלהם ולכן המכירות בפועל נותנות להם ייצוג חסר בחיזוי.
2. למוצרים פחות מבוקשים נוצר ביקוש נוסף כאשר הנחות ומבצעים מושכים אנשים לקנות אותם, וכך הם מקבלים ייצוג יתר בחיזוי.
3. הנחות ומבצעים יוצרים ביקוש מלאכותי, כאשר לקוחות רוכשים מוצרים שלא היו רוכשים בכל מצב אחר אך ורק כדי לעמוד בתנאי מבצע. מוצרים אלו מקבלים ייצוג שגוי. כדוגמה - במבצע "קנה ב-1,000 ושלם 700" לקוח שהיה מוכן לשלם 900 על 2 פריטים מוסיף פריט נוסף, חסר ערך מבחינתו, מגיע לערך כולל של 1,100, משלם 800 וזורק את הפריט הנוסף.
4. מבצעים גורפים, המאפשרים ללקוחות לבחור מכל מצאי החנות על מנת לקבל הטבה, מאפשרים ללקוחות "למשוך" ערך מהמוכר ע"י רכישת מוצרים אטרקטיביים במחיר הנמוך מתחושת הערך האמיתית שלהם.  לאורך זמן תהליך זה שוחק את ערך המותג ומגדיל את הרגישות של הקונים למחיר ובכך פוגע עוד יותר ביכולת של הנתונים בפועל מעונה אחת לשקף את הצפוי בעונה הבאה.

הצלחה של מודל מתימטי תלויה בשני גורמים: איכות המודל ואיכות המידע המוזן לתוכו. כך למשל, במדעי המחשב המושג (GIGO (Garbage In, Garbage Out מבטא את הצורך בנתונים איכותיים. לכן, מבלי להתייחס כלל לאיכות מודל החיזוי, אם נשתמש במידע מוטה שאינו מהווה אפילו קירוב למידע הנדרש, דיוק החיזוי יהיה נמוך משמעותית מהצפוי. מעבר לכך, נתוני המכר בעונה מסויימת נוצרו כתוצאה מהחיזוי לאותה עונה. כך שהטעות של עונה אחת מתווספת, מתוך נתוני המכר, לתחזית של העונה הבאה. במילים אחרות, כל שגיאות העבר ממשיכות אתכם הלאה ומועצמות.

השימוש בנתוני המכר, למרות שאלו נתונים אמיתיים מהשטח, מייצר תהליך משוב שמגביר לאורך זמן את השגיאה בחיזוי, מקטין עוד ועוד את תחזית הביקוש למוצרים המצליחים ומגדיל את תחזית הביקוש למוצרים הפחות מצליחים.

אם כך, ראינו שההטיות המובנות של המכירות בפועל, מכירות שנובעות מהזמנת מלאי על בסיס תחזית מבוססת מכירות, גורמות לעליה מתמדת בכמות המוצרים המתומחרים מעל ביקוש השוק. ככל שיש יותר מוצרים מסוג זה במלאי קשה יותר למכור במחיר מלא. על מנת להבטיח עמידה ביעדי הפדיון הדרושים לתפקוד שוטף נוצר צורך הולך וגדל במבצעים והנחות. כאשר תהליך זה מתרחש במקביל לעליה ברמת התחרות ולתחכום צרכני, נוצרת תחושת מתאם שגויה בין פרופיל המכירות לאורך העונה ל-Fast Fashion.

המסקנה המתבקשת היא שיש לקמעונאים השפעה רבה על מצבם בשוק. אמנם לא ניתן לוותר על חיזוי, אך קיימות מספר אפשרויות להתמודדות עם המצב. ראשית, ניתן לפעול על מנת לסנן מנתוני המכר את הטיות הייצוג המובנות (הטיות 1-3) באמצעות התמרה לנתוני ביקוש מוערכים. שנית, על ידי קיצור זמני תגובה, ניתן לעבור לתפעול שאינו מבוסס על חיזוי, היות והחיזוי בא לפצות על זמני תגובה ארוכים.