Beden Eğrisini Okumak

İlk yazıda Pars, Konya 3 ile İstanbul 18’in beden eğrileriniBir mağazanın satışının bedenlere dağılımı; her bedenin satıştaki payı. Kolinin beden karışımı bu eğriye göre kurulur. ekrana getirirken “satışı rafta olduğu günlere bölüp öyle okuyorum” demişti. Bu yazıda o okumayı açıyoruz: satışın hangi kısmına bakılıyor, rafın boş kaldığı günler nasıl düzeltiliyor, az satışlı bir mağazanın eğrisi neye yaslanıyor ve hiç satışı olmayan yeni bir mağaza hangi eğriyi alıyor? Eğrinin kendisi bir karar değil; ama bir sonraki yazıda koliyi (asorti koli, İngilizcede prepack) ona göre kuracağız.

Aşağıdaki Python parçaları vakalar/beden-paket/ altındaki çalışan koddan alındı; belge metinleri kısaltıldı. Yazıdaki her sayı vakanın rapor çıktısından geliyor. Eğriyi kuran modül bir karar modülü: yalnız karar gününden önce yayımlanan satış ve stok tablolarını okuyor. İlk yazıda anlattığım cevap anahtarını, yani her mağazanın gizli beden kaymasını göremiyor. Onu yalnız sonradan ölçmek için kullanıyoruz ve modülün ona ulaşamadığını bir test denetliyor.

Hangi satış

Eğri karar gününden önceki son iki yılın satışından okunuyor, yalnız beş bedenli ürünlerden. Ama her ürünün bütün geçmişi aynı işe yaramıyor. Collection ürünü sezonluk ve koli en çok onun ilk haftalarına hizmet ediyor; bu yüzden bir Collection option’ının yalnız lansmanından sonraki ilk sekiz haftası okunuyor. Basic ve NOS sürekli ürün. Onların “ilk haftaları” yok; iki yılın tamamı okunuyor.

# beden_paket/egri.py (option_pencereleri)
bas0, bit0 = ozellikler.pencere(karar_gunu, sabitler.GECMIS_PENCERE_HAFTA)
u = kaynak.bes_bedenli(urunler)
u = u[u["line"].astype(str).isin(hatlar)]
o = (u.assign(option_id=u["option_id"].astype(str), line=u["line"].astype(str))
     .groupby("option_id", sort=True).agg(line=("line", "first"), lansman=("lansman_tarihi", "min"))
     .reset_index())
lh = _pazartesi(o["lansman"])
sezonluk = (o["line"] == SEZONLUK).to_numpy()
o["bas"] = lh.where(lh > bas0, bas0)
son = (lh + sabitler.EGRI_PENCERE_HAFTA * _HAFTA).where(sezonluk, bit0)
o["bit"] = son.where(son < bit0, bit0)
o = o[o["bas"] < o["bit"]]

Her option’a bir başlangıç ve bir bitiş haftası veriliyor. Collection’da bitiş lansmandan sekiz hafta sonra, Basic ve NOS’ta karar gününün haftası. Hiçbir pencere karar gününü geçmiyor.

Satış brüt adetle sayılıyor. Bedenler setteki sırasıyla anılıyor: kadın harf setinde dördüncü beden L, erkek numara setinde 36. Böylece altı beden setinin satışı aynı beş sütunda toplanıyor. Bir mağazanın her bedendeki satışını toplam satışına bölünce ham pay çıkıyor.

Ham payın gerçek talepten ne kadar uzak olduğunu ölçebiliyoruz, çünkü verinin kurgusunda her mağazanın gerçek beden talebini biliyoruz. Ölçü ilk yazıdaki L1 uzaklığı: beş bedende iki payın farkları, işaretine bakmadan, toplanıyor; 0 aynı dağılım, 2 hiç örtüşmeyen iki dağılım demek. Eğrisi okunabilen 68 mağazada ham pay gerçek talepten ortalama 0,0530 uzak.

Rafın boş kaldığı günler

— Konya 3’te 36 numara sekiz haftanın 37 gününde yoktu, diyor Pelin. O günlerde satış sıfır. Ham pay bunu 36’nın az satıldığı diye okumaz mı?

— Okur, diyor Pars. Satış talebin kendisi değil; talep ile raftaki malın küçüğü. Bu yüzden her bedenin satışını kaç gün rafta durduğuna bölüyorum. Beş gün rafta durup beş tane satan beden, otuz gün durup otuz tane satanla aynı hızda satıyor.

Bu, sansürlü talebinRaf boşken gelen ve kayda geçmeyen talep. Satış verisi talebi değil, talep ile stoğun küçüğünü gösterir. düzeltmesi. Kod onu hücre hücre yapıyor; bir hücre bir mağaza, bir option ve bir beden:

# beden_paket/egri.py
def hucre_talebi(hucre: pd.DataFrame, zincir_egrisi) -> np.ndarray:
    z = np.asarray(zincir_egrisi, dtype="float64")
    s = hucre["s"].to_numpy(dtype="float64")
    f = hucre["f"].to_numpy(dtype="float64")
    L = hucre["L"].to_numpy(dtype="float64")
    gozlem = f > 0
    talep = np.where(f >= EN_AZ_STOKLU_GUN, np.divide(s * L, f, out=np.zeros_like(s), where=f > 0), s)
    talep = np.where(gozlem, talep, 0.0)
    zb = z[hucre["beden_sira"].to_numpy(dtype=int) - 1]
    grup = pd.MultiIndex.from_arrays([hucre["magaza_id"].to_numpy(), hucre["option_id"].to_numpy()])
    kod, _ = pd.factorize(grup)
    T = np.bincount(kod, weights=talep)
    Z = np.bincount(kod, weights=np.where(gozlem, zb, 0.0))
    var = Z[kod] > 0
    dolu = np.divide(T[kod] * zb, Z[kod], out=np.zeros_like(s), where=var)
    return np.where(~var, np.nan, np.where(gozlem, talep, dolu))

Her hücrede üç sayı var. s penceredeki satış, f bedenin rafta stoklu olduğu gün sayısı, L option’ın o mağazada gözlendiği gün sayısı. Bedenin en az üç stoklu günü varsa talebi s / f × L: rafta durduğu günlerdeki hızla bütün pencere. Bir ya da iki stoklu günü varsa satışı olduğu gibi alınıyor; bu kadar az günden hız kurmak gürültüyü büyütür. Hiç stoklu günü yoksa beden hiç gözlenmemiş demektir. O zaman talebi, aynı mağaza ve option’ın gözlenen bedenlerinden zincirin beden oranlarıyla dolduruluyor.

Stoklu gün sayısı haftalık stok fotoğrafındanBir ürünün bir mağazada ya da kanalda satışa açıldığı halde rafta hiç bulunmadığı gün. Satış kaybı bu günlerde oluşur. geliyor. Her fotoğraf, önceki yedi günün kaçında ürünün rafta olduğunu söylüyor. Satışı ve stoğu hücrelere toplayan fonksiyon bu yüzden stoğu bir hafta geriye kaydırıyor.

Düzeltilmiş pay gerçek talepten ortalama 0,0337 uzak. Ham payınki 0,0530’du; düzeltme uzaklığı 0,0193 azaltıyor.

Bu iyi bir sonuç, ama büyüklüğünü doğru okumak gerekiyor. Düzeltme bir bedenin payını ortalama yalnız 0,53 puan oynatıyor, en çok 2,01 puan. Ham eğri ile düzeltilmiş eğrinin birbirine uzaklığı ortalama 0,0265, en çok 0,0584. İkinci yazıda da söyledik: bu kadar küçük bir fark kolinin tasarımını değiştirmiyor. Ham eğriyle kurulan iki koli tipli tasarım, düzeltilmiş eğriyle kurulanın aynısı.

Düzeltmenin bedelleri de var ve rapor onları sayıyor. Stok fotoğrafı rafı boş gösterdiği hâlde satışı olan 5 hücre var: ya kayıt kirli ya da mal iki fotoğraf arasında gelip gitmiş. Bu hücrelerin satışı düzeltilmiş talepten düşüyor ve yerine zincir doldurması geliyor; toplam 11.682.214 adetin yalnız 34’ü. 22 hücrenin yalnız bir ya da iki stoklu günü var. Bir de seyrek hücreler: uzun bir pencerede yalnız birkaç gün stoklu kalmış bir bedenin hızı bütün pencereye yayılınca, küçük bir satış büyük bir talebe dönüşüyor. Böyle 143 hücre var ve düzeltilmiş talebin %0,09’unu taşıyorlar. Üç günlük eşiği bu yüzden değiştirmedik; İlk Sevkiyat dizisindeki kuralla aynı kaldı.

Havuz mu, yalnız Collection mı

Eğriyi Collection ile Basic ve NOS’un satışını birlikte, tek bir havuzdan okuyoruz. Ama koli Collection’ın ilk dağıtımına gidecek. Eğriyi yalnız Collection’dan okumak daha doğru olmaz mı?

Rapor üç yolu da ölçüyor. İlk iki sütun gerçek talebe uzaklık, yani cevap anahtarıyla ölçülüyor. Üçüncü sütun anahtarsız: bir yıl önceki karar gününde, o güne kadarki veriyle kurulan düzeltilmiş eğrinin, o sezonun Collection ürünlerinde ilk sekiz haftada gerçekleşen paya uzaklığı. Gerçekleşen pay yayımlanan veriden geliyor; gerçek hayatta da elinizde olan bir ölçü.

İki ölçü ayrı yolları gösteriyor. Cevap anahtarına göre yalnız Collection’dan okunan eğri daha iyi: 0,0291. Anahtarsız ölçüte göre havuz daha iyi: 0,0279. Biz havuzu seçtik, çünkü bu tür seçimleri cevap anahtarına bakmadan yapmaya baştan karar vermiştik; Mağaza Kümeleme dizisinde de böyle yapmıştık. Bedeli şu: son eğrimiz gerçeğe olabileceğinden biraz uzak. Anahtar elimizde olmasaydı bunu bilemezdik; gerçek bir zincirde de bilemezsiniz.

Tablonun bir şey daha söylediği var. Sansür Collection’da çok daha büyük: bir bedenin payını ortalama 1,30 puan, en çok 4,89 puan oynatıyor. Rafın boş kaldığı günler Collection’ın ilk haftalarında eğriyi çok daha fazla kaydırıyor; Basic ve NOS’un iki yıllık penceresi bu etkiyi seyreltiyor. Düzeltmenin bu veride küçük çıkmasının bir kısmı havuzdan geliyor.

Az satışlı mağaza

— Konya 3’ün eğrisi 89.409 adetten okunuyor, diyor Pars. Bu kadar satışla bir bedenin payı pek oynamaz. Ama her mağaza bu kadar satmıyor; az satan mağazanın eğrisi gürültülüdür. Onu, kendisine benzeyen mağazaların ortalamasına doğru çekiyorum. Ne kadar az satmışsa o kadar çok.

Bu daraltma. Mağazanın kendi düzeltilmiş eğrisi ile profilinin eğrisi karıştırılıyor; profili birazdan anlatacağım. Ağırlık örneklemden geliyor:

# beden_paket/egri.py (daralt; denetim ve hazırlık satırları çıkarıldı)
bos = E.isna().any(axis=1).to_numpy() | (nn.to_numpy() <= 0)
payda = nn.to_numpy() + kappa
w = np.divide(nn.to_numpy(), payda, out=np.zeros(len(nn)), where=payda > 0)
w = np.where(bos, 0.0, w)[:, None]
X = w * np.nan_to_num(E.to_numpy()) + (1 - w) * O
X = X / X.sum(axis=1, keepdims=True)

Mağazanın ağırlığı w = n / (n + κ); n penceredeki satış adedi. κ’yı profil eğrisinin kaç adetlik satış yerine geçtiği diye okuyabilirsiniz: satışı κ kadar olan mağaza yarı yarıya kendi eğrisini, yarı yarıya profilinkini alır.

κ cevap anahtarına bakmadan seçiliyor. Bir yıl önceki karar gününe dönülüp yöntemin tamamı o güne kadarki veriyle yeniden kuruluyor; her κ için eğrilerin, o sezonun ilk sekiz haftasında gerçekleşen paya ortalama uzaklığı ölçülüyor:

# beden_paket/egri.py (kappa_sec; denetim ve hazırlık satırları çıkarıldı)
kapsam_kal = kaynak.kapsam(tablolar, kal)
hedef = gerceklesen_pay(tablolar, kal, karar_gunu, kapsam_kal).dropna()
kur = _kur(tablolar, kapsam_kal, kal, hatlar, k, tohum, en_az_adet, yedek=False)
ids = [m for m in kur.okunur if m in hedef.index]
H = hedef.loc[ids].to_numpy()
satir = []
for kp in izgara:
    E = daralt(kur.duz.loc[ids], kur.n, kur.oncul.loc[ids], kappa=kp)
    satir.append({"kappa": kp, "l1": float(np.abs(E.to_numpy() - H).sum(axis=1).mean()), "magaza": len(ids)})
tablo = pd.DataFrame(satir)
en = tablo["l1"].round(12).min()
secilen = tablo.loc[tablo["l1"].round(12) == en, "kappa"].min()

Izgara 0 ve 25’ten başlıyor, sonra her adımda ikiye katlanarak 12.800’e çıkıyor. Sonuçların bir kısmı:

Burada iki şeyi açıkça söylemem gerekiyor. Birincisi, en iyi κ ızgaranın ucunda çıktı: 12.800. Uzaklık κ büyüdükçe hep azalıyor; ızgara daha geniş olsaydı daha büyük bir κ seçilebilirdi. Izgarayı sonucu gördükten sonra genişletmedik, çünkü o zaman ızgarayı sonuca göre seçmiş olurduk. İkincisi, tablo neredeyse düz. En iyi ile en kötü κ arasındaki fark 0,000253; κ’nın ne seçildiği bu veride pek önemli değil.

κ 12.800 olunca mağazaların ağırlığı yine de yüksek kalıyor, çünkü örneklem büyük. Eğrisi okunabilen mağazalarda satış medyanı 126.481 adet, en azı 34.898. Ağırlığın medyanı 0,908, en azı 0,732. Konya 3’ün ağırlığı 0,875.

Daraltmanın cevap anahtarına göre etkisi de bu yüzden küçük: düzeltilmiş eğrinin uzaklığı 0,0337, daraltılmış son eğrininki 0,0333. Bu veride daraltma bir şey kazandırmıyor. Yöntemde yine de kalıyor; az satışlı mağazası, yeni kategorisi olan bir zincirde işe yarayacak adım bu.

Bir ayrıntı daha var. Mağazanın kendi eğrisi yerine doğrudan profilinin eğrisini kullansaydık uzaklık 0,0329 olurdu; son eğriden bile biraz yakın. Görünen o ki Lumoda’da aynı profildeki mağazaların gerçek beden talebi neredeyse aynı ve bir mağazanın eğrisini profilinden ayıran şeyin çoğu gürültü. Bu, verinin kurgusunun basitliğinden geliyor. Gerçek bir zincirde bunu varsaymak için bir sebep yok.

Üç profil

Profil, beden eğrisi birbirine benzeyen mağazaların grubu. Eğrisi okunabilen mağazaların eğrileri k-means ile kümeleniyor:

# beden_paket/egri.py
def profiller(egri: pd.DataFrame, k: int = 3, tohum: int = sabitler.TOHUM) -> pd.Series:
    E = egri[SUTUNLAR].astype("float64")
    e = ogren.kume(E, "kmeans", k, tohum=tohum)
    ort = ortalama_beden(E.groupby(e.to_numpy()).mean())
    sira = list(ort.sort_values(kind="stable").index)
    adlar = profil_adlari(k)
    harita = {g: adlar[i] for i, g in enumerate(sira)}
    return pd.Series([harita[g] for g in e.to_numpy()], index=pd.Index(E.index.astype(str), name="magaza_id"),
                     name="profil")

Kümeleyici Mağaza Kümeleme dizisinde kurduğumuz kume fonksiyonu. Bu kez standartlama yok: beş sütunun hepsi bir pay, hepsi aynı ölçekte ve standartlama bedenler arasındaki farkı bozardı. Kümeler ortalama beden sırasına göre sıralanıp adlandırılıyor: küçük, orta, büyük. Bir profilin eğrisi, üye mağazaların düzeltilmiş eğrilerinin ortalaması.

Bunlar eğrisi okunabilen 68 mağaza. İlk yazıda büyük gruba konan yeni mağaza bu tabloda yok; onu aşağıda anlatıyorum. Koli tasarımında büyük profil onunla birlikte 28 mağaza.

Profil sayısını bir kuralla seçmedik. Keşif sırasında mağazaların ortalama beden sırasının üç tepe yaptığını gördük ve üç dedik. Siluet gibi anahtarsız bir ölçütle de seçebilirdik; seçmedik. Bunu söylüyorum, çünkü verinin kurgusunu bilen biri olarak üç sayısının nereden geldiğini de biliyorum.

Cevap anahtarıyla uyumu Mağaza Kümeleme dizisindeki ölçüyle ölçüyoruz: ARI, 1 anahtarla birebir aynı bölme, 0 rastgele bir bölme demek. Üç profilin gizli kaymayla ARI’si 1,000.

İlk yazıda bu örtüşmenin ne kadarının yöntemden, ne kadarının verinin basitliğinden geldiğini konuşacağımızı söylemiştim. Dürüst cevap: çoğu veriden. Verinin kurgusunda kayma mağaza düzeyinde, üç değerli ve kategoriden bağımsız; her mağazanın eğrisi de on binlerce adetten okunuyor. Üç grubu ayırmak için bu kadar açık bir yapıda çok iyi bir yönteme gerek yok. Yöntemin payı, yapıyı bozmamak: satışı talep sanmamak, sevkiyatı eğriye katmamak, cevap anahtarını hiçbir seçime sokmamak.

Kurgunun bir tuhaflığını da burada söyleyeyim. Veriyi üreten kod kaymayı dört değerden çekiyor: küçüğe bir adım, ortada, büyüğe bir ya da iki adım. Ama talep kaymayı bir adımda kırpıyor; iki adım çekilen 13 mağazanın talebi, bir adım çekilenlerinkiyle aynı. Cevap anahtarı olarak talebi gerçekten süren, kırpılmış değeri kullanıyoruz. Kırpılmamış değerle ölçseydik bu 13 mağaza ayrı bir grup gibi görünür, profiller anahtardan kâğıt üstünde ayrılırdı; ama ayrıldıkları şey mağazanın talebi olmazdı.

Yeni mağaza

Eğri her mağazada okunamıyor. Kural sonucu görmeden konmuş bir eşik: penceredeki beş bedenli satış en az 500 adetse eğri okunabilir.

# beden_paket/egri.py
def okunabilir(duz: pd.DataFrame, n: pd.Series, en_az_adet: float = sabitler.EGRI_EN_AZ_ADET) -> pd.Series:
    nn = n.reindex(duz.index).fillna(0.0)
    return ((nn >= en_az_adet) & ~duz.isna().any(axis=1)).rename("okunabilir")

Eşik hafta değil, adet. Mağaza Kümeleme dizisinde Kocaeli 1 yeni sayılmıştı, çünkü 19 haftalık satışı yarım yılı doldurmuyordu. O eşik satış karışımı içindi; bir beden payının ne kadar kesin olduğu ise kaç adetten okunduğuna bağlı. Kocaeli 1’in 19 haftada 46.580 adet satışı var. Eğrisi okunuyor, ağırlığı 0,784 ve son eğrisi gerçek talepten 0,0334 uzak; 68 mağazanın ortalaması kadar.

Kalan tek mağaza İzmir 2. Sezonun ilk gününde açılıyor, hiç satışı yok. Onun eğrisi için iki aday var: zincir eğrisi ya da İzmir 2’ye statik özellikleriyle en çok benzeyen beş mağazanın profili. Statik özellik, mağaza açılmadan bilinen şey: bölge, iklim, mağaza tipi, metrekare gibi. Bu atamayı Mağaza Kümeleme dizisinde kurmuştuk. Hangisinin seçileceğini yine anahtarsız bir kural söylüyor:

# beden_paket/egri.py (yeni_secim)
for m in okunur:
    diger = [i for i in okunur if i != m]
    p = profiller(duz.loc[diger], k, tohum)
    P = profil_egrileri(duz.loc[diger], p)
    a = yeni_magaza.ata(st.loc[[m]], st.loc[diger], p, komsu=KOMSU).iloc[0]
    kendi = duz.loc[m, SUTUNLAR].to_numpy(dtype="float64")
    l1_p.append(np.abs(P.loc[a].to_numpy() - kendi).sum())
    l1_z.append(np.abs(z - kendi).sum())
    isabet.append(a == tam[m])
lp, lz = float(np.mean(l1_p)), float(np.mean(l1_z))
return {"secim": "profil" if lp < lz else "zincir", "l1_profil": lp, "l1_zincir": lz,
        "isabet": float(np.mean(isabet)), "magaza": len(okunur)}

Eğrisi okunabilen her mağaza sırayla “yeniymiş gibi” ele alınıyor. Profiller onsuz yeniden kuruluyor, mağaza yalnız statik özellikleriyle bir profile atanıyor ve iki adayın mağazanın kendi eğrisine uzaklığı ölçülüyor. Hangisinin ortalaması küçükse yeni mağaza onu alıyor.

Sonuç kıl payı. Profilin ortalama uzaklığı 0,17421, zincirinki 0,17511. Kural profili seçti. Statik özelliklerle yapılan atama, mağazanın asıl profilini %51,5 oranında tutturuyor; üç profil arasında yarıdan biraz fazla.

— İzmir 2’yi büyük bedene kayık mağazalara benzetmişsin, diyor Pelin.

— Benzediği mağazalar öyle, diyor Pars. Satışını görmeden bilemem. Kural profili seçti, ama zincirle arasında neredeyse fark yok. İlk satışlar gelince ilk bakacağım mağaza bu.

Gerçekte İzmir 2’nin müşterisi küçük bedenlere kayık. Atandığı profil büyük, eğrisi gerçek talebinden 0,4344 uzak. Kural zinciri seçseydi 0,2451 olacaktı. Cevap anahtarına göre kötü bir seçim. Kuralı bu sonuçtan sonra değiştirmedik: değiştirseydik bir kuralı tek mağazanın sonucuna göre seçmiş olurduk. Ama dersi açık: kıl payı bir farkla seçilen yedek, tek bir mağazada pahalıya patlayabiliyor.

Replenishment’ın oranları

— Bir yol daha var, diyor Pelin. Depodan mağazalara giden mala bakalım. Replenishment her mağazaya hangi bedenden ne kadar gönderiyor, belli.

— Belli, diyor Pars. Ama o oranlar talebi değil, kolinin eksik bıraktığını gösteriyor.

Bu hatayı ikinci yazıda sektörün hataları arasında saymıştık: replenishment’ın %41,6’sı dördüncü beden, zincirin satışında ise %24,5. Verinin kurgusunda bir sebep daha var ve daha ağır. Lumoda’nın replenishment planı mağazanın gizli beden kaymasını biliyor. Sevkiyatın beden karışımını okuyan bir eğri, cevap anahtarını arka kapıdan okumuş olurdu; ölçtüğümüz isabet yöntemin değil, sızıntının isabeti olurdu. Bu yüzden eğri modülü sevkiyat tablosunu hiç okumuyor ve bunu bir test denetliyor: modülün kodunda sevkiyat tablosunu isteyen tek bir satır bile olamaz.

Gerçek bir zincirde replenishment planı böyle bir anahtar bilmez. Ama sizin planınızı bilir. Kendi replenishment’ınızın oranları sizin planınızın aynasıdır, talebin değil.

Hakemli ve hakemsiz

Bütün adımların cevap anahtarına göre sonucu tek tabloda:

Kazancın neredeyse tamamı iki adımdan geliyor: zincir yerine mağazanın kendi satışına bakmak ve rafın boş kaldığı günleri düzeltmek. Daraltma bu veride etkisiz.

Seçimlerin hiçbiri cevap anahtarıyla yapılmadı. Pencereler, 500 adetlik eşik ve üç günlük eşik sonucu görmeden konmuş sabitler. κ, havuz ve yeni mağazanın yedek eğrisi anahtarsız ölçütlerle seçildi. Rapor iki yerde anahtarın başka bir şey seçeceğini gösteriyor: havuz yerine yalnız Collection’ı, İzmir 2 için profil yerine zinciri. İkisini de yukarıda yazdım. κ’yı anahtarla seçseydik ne çıkacağını ölçmedik.

Anahtarsız bir ölçü daha var: eğri ne kadar dayanıyor? Bir yıl arayla kurulan iki düzeltilmiş eğri, ikisinde de okunabilen 66 mağazada birbirine ortalama 0,0061 uzak. İkinci yazıda dediğim gibi, iki eğri geçmişin bir yılını paylaştığı için bu sayı biraz iyimser.

Sizin verinizde zor olan

Birincisi stoksuz günün kaydı. Bu yazıdaki her şey, her mağaza, her ürün ve her beden için rafın kaç gün dolu olduğunu bilmeye dayanıyor. Lumoda’nın haftalık stok fotoğrafı bunu söylüyor. Birçok sistem ise yalnız hafta sonundaki stok adedini tutar; sıfır görünen bir bedenin pazartesi mi, cumartesi mi bittiğini söylemez. Düzeltmenin ilk işi bu kaydı kurmak.

İkincisi beden setleri. Lumoda’da bir mağazanın kayması bütün kategorilerde aynı, bu yüzden altı beden setini tek eğride topladık. Gerçek bir mağazanın müşterisi kot pantolonda büyük, tişörtte küçük bedene kayık olabilir. O zaman set başına, belki kategori başına eğri gerekir. Her eğrinin örneği küçülür; bu veride hiçbir şey kazandırmayan daraltma işte orada işe yarar.

Üçüncüsü yeni mağaza. Statik özellikler beden profilini yarıdan biraz fazla tutturuyor. Yeni mağaza ilk sevkiyatını, eğrisi en az bilinen hâliyle alır.

Dördüncüsü ölçecek hakemin olmaması. Bu yazıda her adımı bir cevap anahtarıyla ölçebildik. Sizin elinizde bir sonraki sezonun gerçekleşen payı olacak; o da raf boş kaldıkça sansürlü. Hangi satışın okunacağı sorusunda da gördük: anahtarlı ve anahtarsız ölçü her zaman aynı şeyi seçmiyor. Hangisine bakacağınızı sonuçtan önce yazın.

Sonraki yazıda bu eğrilerle koliyi tasarlıyoruz: kaç koli tipi, hangi içerik, hangi mağazaya hangisi ve depoda o bedenden yeterince mal var mı?