Lielākā daļa skaistumkopšanas zīmolu dibinātāju savu ceļu sāk laboratorijā vai dizaina studijā, taču lielāko daļu laika tie pavada noliktavā. Esmu ticies ar simtiem dibinātāju, un stāsts vienmēr ir viens un tas pats: viņi ir aprakti zem „drošības krājumu” kalniem, kas patiesībā nemaz nav droši. Tas ir slogs. Palīdzot uzņēmumiem pāriet uz inteliģentu darbības modeli, esmu novērojis, ka nozīmīgākie AI ieviešanas panākumi mazajam biznesam nāk nevis no spožiem mārketinga botiem, bet gan no ne tik glamūrīgās krājumu matemātikas.
Apskatīsim vidēja mēroga ādas kopšanas zīmola gadījumu, ko sauksim par „Lumi”. Viņi darīja visu „pareizi” pēc tradicionālajiem standartiem. Viņi izmantoja izklājlapas, analizēja pagājušā gada svētku izpārdošanas un pievienoja 20% rezervi „katram gadījumam”. Tomēr viņi pastāvīgi saskārās ar divām vienlaicīgām, pretrunīgām problēmām: viņu vadošie (hero) serumi bija izpārdoti, savukārt noliktavā trīs gadus krājās putekļi uz lēni ejoša sejas tīrīšanas līdzekļa krājumiem.
Tas ir tas, ko es saucu par Mirušā kapitāla enkuru. Kad jūsu nauda atrodas uz paletes, tā nav vienkārši sastāvējusies; tā aktīvi velk jūsu biznesu uz leju, neļaujot investēt izaugsmē. Ieviešot prognozējošo AI slāni pieprasījuma noteikšanai, Lumi ne tikai „sakārtoja” savus krājumus — viņi atbrīvoja pietiekami daudz skaidras naudas, lai pilnībā finansētu savu nākamo produktu līniju, neņemot kredītu.
Problēma: Iekšējās sajūtas maldīgums
💡 Vai vēlaties, lai Penijs analizē jūsu biznesu? Viņa kartē, kuras lomas AI var aizstāt, un izveido pakāpenisku plānu. Sāciet savu bezmaksas izmēģinājuma versiju →
Skaistumkopšanas nozarē tendences mainās ātrāk nekā piegādes ķēdes. Viena TikTok tendence var likvidēt sešu mēnešu krājumus sešās dienās, savukārt Google algoritma izmaiņas var pārvērst pārdotāko produktu par „spoku”. Tradicionālā prognozēšana balstās uz lineāru domāšanu: „Mēs pagājušā gada jūnijā pārdevām 1000 vienības, tāpēc šī gada jūnijā pārdosim 1100.”
Šī lineārā pieeja ir pagātnes palieka. Tā nespēj ņemt vērā to, ko es saucu par Daudzdimensiju signālu. AI neanalizē tikai pagātnes pārdošanas datus. Tas sintezē laikapstākļu modeļus (kas ietekmē SPF produktu pārdošanu), sociālo mediju noskaņojumu, piegādes laikus un pat vietējos ekonomiskos rādītājus.
Kad Lumi vērsās pie manis, viņi maksāja to, ko es saucu par Aģentūras nodokli — nevis mārketinga firmai, bet gan savai neefektivitātei. Viņi pasūtīja pārāk daudz, lai kompensētu nenoteiktību. Šīs nenoteiktības izmaksas bija aptuveni £150,000 gadā izšķērdētā kapitālā, uzglabāšanas maksās un produktu bojāejā. Viņu izmēra zīmolam tā ir atšķirība starp gadu, kas noslēgts „pa nullēm”, un gadu ar augstu peļņu.
Risinājums: Plūstošā krājumu modeļa ieviešana
Mēs palīdzējām Lumi atteikties no „lielo partiju” domāšanas un pāriet uz to, ko esmu nosaucis par Plūstošo krājumu modeli. Tā vietā, lai veiktu milzīgus ceturkšņa pasūtījumus, balstoties uz cerībām, mēs ieviesām AI vadītu sistēmu, kas izmantoja mainīgu 30 dienu prognozēšanas logu.
1. solis: SKU silueta noteikšana
Katram uzņēmumam ir savs SKU siluets — izteikts modelis, kurā 20% produktu rada 80% no apjoma, bet atlikušie 80% produktu patērē 60% no pārvaldības laika. Mēs izmantojām AI klasterizāciju, lai noteiktu, kuri produkti ir „augsta signāla līmeņa” un kuri ir „troksnis”. Skatiet mūsu skaistumkopšanas un personīgās higiēnas ietaupījumu rokasgrāmatu, lai uzzinātu, kā mēs tos kategorizējam maksimālai peļņas maržai.
2. solis: Prognozēšanas dzinēja apmācība
Mēs integrējām Lumi Shopify datus ar prognozēšanas rīku (izmantojot Inventory Planner un pielāgotu ChatGPT bāzētu analīzes slāni). Mēs ne tikai sniedzām tam pārdošanas skaitļus; mēs ievadījām mārketinga izdevumus, influenceru kampaņu datumus un sezonālos vēsturiskos datus.
3. solis: Dinamisku atkārtotu pasūtījumu punktu iestatīšana
Vecajā pasaulē atkārtota pasūtījuma punkts ir statisks skaitlis (piemēram, „Pasūtīt vairāk, kad sasniegts 500 vienību atlikums”). AI orientētā biznesā šis punkts ir dinamisks. Ja AI konstatē sociālo minējumu pieaugumu konkrētai sastāvdaļai, tas paaugstina atkārtota pasūtījuma punktu pirms pārdošanas apjoma lēciena. Ja impulss palēninās, tas pazemina punktu, lai novērstu pārpalikumu veidošanos. Tas ir galvenais komponents skaistumkopšanas piegādes ķēdes optimizēšanā.
Rezultāti: Vairāk nekā tikai 25% samazinājums
Sešu mēnešu laikā skaitļi bija pārsteidzoši. Lumi piedzīvoja krājumu kopējo izdevumu samazinājumu par 25%. Taču sekundārie efekti bija vēl spēcīgāki:
- Nulle deficīta gadījumu vadošajiem produktiem: Pārdalot naudu, kas ietaupīta no lēni ejošiem produktiem, viņi varēja atļauties uzturēt lielāku rezervi saviem augstas maržas „hero” produktiem. Viņi nezaudēja nevienu pārdošanas darījumu pīķa periodos.
- Noliktavas efektivitāte: Tā kā noliktavā bija par 25% mazāk fizisku „atkritumu”, viņu 3PL (trešās puses loģistikas) izmaksas samazinājās par 12%. Viņiem vairs nebija jāmaksā par tādu produktu uzglabāšanu, kas netiktu pārdoti nākamos 18 mēnešus.
- Agilitātes dividende: Tā kā viņi nebija iztērējuši visu naudu milzīgos iepriekšējos pasūtījumos, viņiem bija pieejami brīvie līdzekļi manevriem. Kad parādījās jauna sastāvdaļu tendence, viņiem bija likviditāte, lai izstrādātu un palaistu nelielu partiju dažu nedēļu, nevis mēnešu laikā.
Kāpēc lielākā daļa mazo uzņēmumu apstājas (Automatizācijas trauksmes paradokss)
Jūs varētu jautāt: ja ieguvumi ir tik skaidri, kāpēc visi tā nedara? Tas ir Automatizācijas trauksmes paradokss. Uzņēmumi, kuriem no AI būtu vislielākais ieguvums — tie, kuriem ir visvairāk manuālu, saspringtu procesu — bieži vien visvairāk vilcinās to ieviest. Viņiem šķiet, ka viņi ir „pārāk aizņemti”, cīnoties ar krājumu „ugunsgrēkiem”, lai uzstādītu sprinkleru sistēmu.
Lumi dibinātājs baidījās, ka AI „kļūdīsies”. Mana atbilde bija vienkārša: „Jūsu pašreizējā sistēma jau kļūdās par £150,000 gadā. AI nav jābūt ideālam; tam vienkārši jābūt labākam par izklājlapu un minējumu.”
Kā atrast savus AI ieviešanas panākumus mazajam biznesam
Ja esat uzņēmuma īpašnieks, kurš skatās uz noliktavu, kas pilna ar kastēm, un bankas kontu, kas šķiet pārāk tukšs, jums nav nepieciešama miljonu mārciņu vērta uzņēmuma resursu plānošanas (ERP) sistēma. Jums jāsāk ar 90/10 likumu.
90% no jūsu krājumu problēmām izraisa 10% no jūsu darbības „aklajām zonām”. Vispirms identificējiet šos 10%. Vai tā ir sezonālā prognozēšana? Vai tā ir piegādes laika novērtēšana? Vai tā ir redzamības trūkums par to, kuri SKU patiesībā ir pelnoši pēc uzglabāšanas izmaksām?
Penny rīcības plāns prognozējamai iepirkšanai:
- Auditējiet savus „spoku krājumus”: Apskatiet visu, kas nav kustējies 90 dienas. Tas nav „krājums”; tas ir rēķins, ko jūs maksājat katru mēnesi.
- Sāciet ar pilota SKU: Nepārejiet uz AI prognozēšanu visam katalogam uzreiz. Paņemiet savu nepastāvīgāko produktu un ļaujiet AI rīkam trīs mēnešus sniegt atkārtota pasūtījuma ieteikumus. Salīdziniet tos ar saviem manuālajiem minējumiem.
- Pārejiet no ceturkšņa uz nepārtrauktu plūsmu: Ja jūsu piegādātāji to atļauj, izmantojiet AI, lai pārietu uz mazākiem, biežākiem „plūsmas” pasūtījumiem. Uzglabāšanas izmaksu ietaupījums parasti atsvērs nelielo piegādes maksu pieaugumu.
Kopsavilkums
AI 2026. gadā nav par robotiem, kas staigā pa noliktavām; tas ir par neredzamo intelektu, kas neļauj noliktavai kļūt pārpildītai. Lumi gadījumā ietaupītie 25% nebija tikai skaitlis izklājlapā — tā bija sēklas nauda viņu starptautiskajai paplašināšanai.
Kad jūs pārstājat pārmērīgi finansēt savu pagātni (krājumus), jums beidzot rodas resursi, lai finansētu savu nākotni. Tas ir patiesais AI ieviešanas spēks. Tas nav tikai par efektivitāti; tas ir par atbrīvošanos.
Kur šobrīd ir iesaldēts jūsu kapitāls? Ja nevarat uz to atbildēt ar datiem, ir pienācis laiks ļaut mašīnām to izpētīt.