Assortiment rationaliseren: zo maak je betere keuzes met data

Wat is assortiment rationaliseren?

Assortiment rationaliseren is het proces waarbij je het productaanbod binnen een categorie kritisch doorlicht. Welke SKU's dragen bij aan omzet en marge? Welke producten nemen schapruimte in beslag zonder voldoende rendement? Welke varianten overlappen elkaar zo sterk dat ze vooral intern concurreren in plaats van nieuwe kopers aan te trekken?

Het doel is een leaner, sterker assortiment. Minder ruis, meer focus op producten die echt bewegen.

Voor de retailer betekent dit betere productiviteit en minder derving. Voor de trade marketeer aan de leverancierszijde betekent het een categorieplan dat standhoudt aan tafel, omdat het onderbouwd is met data die klopt.

‍

Waarom assortiment rationaliseren zonder data vaak mislukt

De meeste trade marketeers weten intuïtief welke producten het goed doen. Maar intuïtie is onvoldoende als je een retailer moet overtuigen om een SKU uit het schap te halen, ook al is het een SKU van een concurrent.

Rationaliseren vereist data uit meerdere bronnen. Verkoopdata uit SIS of 7EVEN, marktdata uit Nielsen of Circana, interne verkoopdata en promotie historie. Al die bronnen moeten aan elkaar worden gekoppeld voordat je een eerlijk beeld krijgt.

En daar begint het probleem. Elke bron gebruikt zijn eigen categorisering, zijn eigen EAN-structuur en zijn eigen manier van rapporteren. Uit onze ervaring met meer dan 15 category teams kost het harmoniseren van die bronnen teams gemiddeld 60% van hun beschikbare tijd. Tijd die niet naar analyse gaat, niet naar het bouwen van het categorieplan en niet naar de voorbereiding van het retailer gesprek.

Het gevolg is dat assortimentsbeslissingen te vaak worden genomen op basis van incomplete informatie, verouderde rapporten of een Excel prepped visual die drie weken geleden nog klopte maar sindsdien niet meer is bijgewerkt.

‍

Assortiment rationaliseren: 3 vragen voor betere SKU keuzes

Een goede assortiment rationalisatie begint bij drie vragen die je op SKU niveau moet kunnen beantwoorden.

1. Wat is de werkelijke bijdrage aan de categorie?

Niet alleen omzet, maar ook distributie breedte, schap productiviteit en het effect op de totale categorie groei. Een product met hoge omzet maar lage velociteit in de winkels waar het ligt, ziet er op papier goed uit maar presteert in de praktijk matig.

2. Is er overlap met andere SKU's?

Twee varianten die dezelfde shoppers behoefte invullen, kannibaliseren elkaar. Ze verdubbelen de complexiteit in de keten zonder extra volume toe te voegen. Syndicated data van Nielsen of Circana helpt hier, maar heeft een nadeel: leveranciers kunnen via syndicated data ook geen data van andere retailers zien. Daarvoor heb je POS data nodig uit platforms zoals SIS of 7EVEN. Meer over de combinatie van beide bronnen lees je in ons artikel over EAN wissels.

3. Wat is het effect van een wijziging op de categorie als geheel?

Dit is de vraag die trade marketeers onderscheidt van leveranciers die alleen hun eigen range verdedigen. Een goede rationalisatie kijkt verder dan de eigen producten. Als een SKU van een concurrent wordt geschrapt, wie pakt dat volume op? En hoe verhoudt zich dat tot de categorie strategie van de retailer?

‍

Van data crunching naar onderbouwd advies

Het verschil tussen een trade marketeer die reageert en een die proactief adviseert, zit in de kwaliteit en snelheid van de data.

Wanneer bronnen automatisch worden gekoppeld en geharmoniseerd, verandert het proces fundamenteel. In plaats van dagen besteden aan het mappen van EAN codes en het samenvoegen van exports, begin je direct bij de analyse. Trendlijnen blijven intact bij EAN wissels. Restatements van retailers worden automatisch verwerkt. En de categorieplannen die je bouwt, zijn gebaseerd op een master dataset die altijd actueel is.

Dat geeft je de capaciteit om drie lagen tegelijk te adresseren bij assortiment rationaliseren. Ten eerste tijdsbesparing, omdat het handmatige werk verdwijnt. Ten tweede omzet en marge optimalisatie, omdat je prijselasticiteit per SKU kunt berekenen en promotie effectiviteit kunt onderbouwen. Ten derde minder derving en waste, omdat je onderpresterende producten eerder signaleert en proactief kunt bijsturen voordat ze schade aanrichten aan de categorie.

Dit is de beweging van reactief rapporteren naar fact based beslissen. Van onderbuikgevoel naar een onderbouwd advies dat de retailer serieus neemt.

Bij Elho zag het team precies dit verschil. Het team besteedde 60% van zijn tijd aan het harmoniseren van data uit 33 verschillende retailkanalen. Na automatisering groeide het aantal onderbouwde categorieplannen van 10 naar 25+, en positioneerde het team zich als strategisch partner in elk retailer gesprek. 

Lees de volledige case.

‍

De rol van trade marketing in assortiment rationaliseren

Een trade marketeer die assortiment rationaliseren goed aanpakt, kijkt de categorie zo objectief mogelijk in vanuit het perspectief van de retailer. Dat betekent dat je ook bereid moet zijn om te adviseren dat een eigen SKU minder ruimte verdient, als de data dat aangeeft.

Dat objectieve perspectief is precies wat een retailer verwacht van een strategisch partner. Niet een leverancier die zijn eigen range verdedigt, maar iemand die de categorie laat groeien. Meer omzet voor de retailer en minder derving betekent ook meer volume en betere afspraken voor de leverancier.

Data harmonisatie is daarvoor de basis. Zonder consistente, geharmoniseerde data kun je geen eerlijk oordeel geven over welke SKU's bijdragen en welke niet.

Er blijft behoefte aan menselijke controle, een human in the loop. Data kwaliteit blijft het allerbelangrijkst. Het data fundament moet goed zijn, want een fout in de basis trekt door alle analyses en categorieplannen heen.

‍

Hoe data leidt tot betere assortiment beslissingen

Wil je weten hoe Captain jouw team helpt om betere beslissingen te nemen in categorie management? Vraag een strategisch gesprek aan waarin we meteen praktische tips kunnen geven.

‍

‍