Čo je to optimalizácia sortimentu?

Optimalizácia sortimentu je disciplína, ktorá rieši túto medzeru. Spája to, o čom ústredie rozhoduje, s tým, čo zákazníci skutočne nájdu na poličke - prostredníctvom údajov, neustáleho učenia sa a{2}}vykonania na úrovni obchodu. Táto príručka popisuje, čo to je, prečo väčšina prístupov zlyháva, ako to implementovať a ako merať výsledky.

Optimalizácia sortimentu vs. plánovanie sortimentu: Aký je rozdiel?

Tieto dva pojmy sa často používajú zameniteľne. Opisujú zásadne odlišné procesy.

Plánovanie definuje, ako by mal váš sortiment vyzerať. Optimalizácia zaisťuje, že skutočne funguje - a neustále sa zlepšuje, keď sa menia podmienky.

Tri vrstvy, kde sa rozhoduje o sortimente a kde sa stráca

Väčšina maloobchodníkov investuje veľa do prvej vrstvy. Najväčšie výkonnostné rozdiely sú v ostatných dvoch.

Strategická vrstva: Čo predávať

Tu dochádza k rozhodnutiam na{0}}úrovni kategórie: ktoré produkty zarábajú priestor na regáloch, ako sa privátna značka vyrovnáva s národnými značkami a akú úlohu zohráva každá kategória v celkovej stratégii obchodu. Rozhodnutia sa tu prijímajú v centrále na základe trhových údajov a konkurenčného porovnávania a zmien v dlhých cykloch.

Riziko: súhrnné údaje maskujú miestne odchýlky. Produkt s prijateľným vnútroštátnym predajom môže mať slabú výkonnosť v 40 % obchodov a nadmernú výkonnosť v ďalších 30 %. Priemery skryjú signál.

Taktická vrstva: Kde a ako ju predávať

Taktická vrstva premieňa stratégiu do plánov{0}}špecifických pre umiestnenie: zoskupovanie obchodov, návrh plánogramov a pravidlá predaja. Toto je miesto, kde sa sortiment stáva skutočne miestnym -. Mestská predajňa s vysokou-hustotou má iné priestorové obmedzenia, modely pešej dopravy a úlohy nakupujúcich ako predmestský formát.

Riziko: rozhodnutia na tejto úrovni sa stále vo veľkej miere spoliehajú skôr na predpoklady než na skutočné signály na{0}}úrovni obchodu. Sortiment môže vyzerať dobre-lokalizovaný na papieri, pričom v praxi môže byť značne nesúladný.

Operačná vrstva: Čo sa skutočne dostane k zákazníkovi

Tu sa optimalizácia sortimentu darí alebo potichu zlyhá. Prevádzková vrstva odzrkadľuje fyzickú realitu, s ktorou sa zákazníci stretávajú: ktoré produkty sú na regáloch, či sú planogramy spracované správne, či sú viditeľné propagačné akcie a či sú zásoby rýchlo zachytené a vyriešené.

Bez prehľadu o realizácii obchodu v-reálnom čase je každé predchádzajúce rozhodnutie čiastočne dohadom. Technológie akoelektronické regálové štítkya senzory internetu vecí sa čoraz častejšie používajú na preklenutie tejto medzery vo viditeľnosti -, pričom stavy políc zaznamenávajú automaticky, namiesto toho, aby sa spoliehali na manuálne audity, ktoré sa dejú príliš zriedkavo na to, aby boli použiteľné.

Prečo optimalizácia tradičného sortimentu zlyhá

Väčšina stratégií sortimentu je dobre{0}}navrhnutá na papieri. Tu je miesto, kde sa rozkladajú v praxi.

Režim zlyhania 1: Optimalizácia historických údajov pre minulosť

História predaja vám povie, čo zákazníci kúpili za podmienok, ktoré existovali v čase - so sortimentom, ktorý bol k dispozícii, za ceny, ktoré boli stanovené. Nemôže vám povedať, čo zákazníci chceli, ale nemohli nájsť. V rýchlo sa{3}}obrátkových kategóriách platí, že kým sa trend jasne objaví v historických údajoch, okno na konanie už často uplynulo.

Režim zlyhania 2: Centralizované rozhodnutia, lokálna realita

Keď sa rozhodnutia o sortimente robia výlučne v ústredí, nuansy na{0}}úrovni obchodu sa spriemerujú. Produkt s priemerným celoštátnym predajom, no silným výkonom v konkrétnych typoch obchodov môže byť odstránený. Štandardizovaný planogram sa rozmiestňuje v obchodoch s výrazne odlišnými rozmermi regálov a demografickými údajmi nakupujúcich.

Režim zlyhania 3: Dátové silá produkujú neúplné rozhodnutia

Maloobchodné organizácie generujú údaje vo viacerých systémoch -{1}}miest-predaja, inventára, vernosti, elektronického-obchodu a senzorov v-predajni. Správcovia kategórií pracujú s jedným súborom údajov. Dodávateľský reťazec funguje od iného. Ukladajte operácie z tretiny. Žiadny z týchto pohľadov nie je úplný a rozhodnutia urobené z akéhokoľvek jednotlivého sila spôsobia problémy viditeľné iba v inom.

Režim zlyhania 4: Súlad s plánogramom je nižší, ako si centrála myslí

Planogram prináša hodnotu iba vtedy, ak je vykonaný správne a konzistentne. Vo väčšine maloobchodných sietí sa miera dodržiavania zásad výrazne líši v jednotlivých obchodoch - a ústredie to zvyčajne nevie, kým sa nezmeria. Ak hodnotíte výkonnosť produktu v regáloch na základe údajov o predaji, ale tento produkt bol tri mesiace v nesprávnej pozícii v 20 % vašich obchodov, vaše údaje o výkonnosti sú nespoľahlivé. Porozumenieako často sa obnovujú údaje na poličkepriamo súvisí s presnosťou týchto meraní.

Režim zlyhania 5: Omnikanálové signály sa neprečítajú

Správanie zákazníkov online je bohatým zdrojom informácií o sortimente, ktorý väčšina fyzických predajcov ignoruje. Vyhľadávania s nulovými-výsledkami na vašej platforme elektronického-obchodu vám ukážu presne to, čo zákazníci hľadajú a vy nemáte. Vzory vysokého-prezerania a nízkeho{5}}nákupu odhaľujú dopyt, ktorý si môže pred konverziou vyžadovať-hodnotenie v obchode. Zákazník, ktorý hľadá produkt online, zistí, že je nedostupný a odíde, nevygeneruje žiadne údaje v-systéme obchodu -, ale samotná absencia údajov je signálom, ak vytvoríte proces na ich zachytenie. Východiskovým bodom je prepojenie vášho online vyhľadávania a prehliadania údajov s pracovným postupom plánovania kategórií, a to aj neformálne.

Ako AI zlepšuje rozhodnutia o sortimente

Manuálna správa sortimentu v stovkách obchodov a desiatkach tisíc kusov SKU dosiahla hranice toho, čo môžu podporovať tabuľky a pravidelné kontroly. Umelá inteligencia prispieva konkrétnymi, merateľnými spôsobmi.

Prognóza dopytu-na úrovni obchodu.Tradičné prognózovanie funguje na úrovni bannera alebo klastra. Modely strojového učenia môžu generovať prognózy na úrovni jednotlivých obchodov a SKU, pričom zohľadňujú miestne faktory - demografické údaje v okolí, blízka konkurencia, sezónne mikro-trendy -, ktoré sú priemerom širších modelov. Táto granularita je to, čo robí rozhodnutia o lokalizovanom sortimente skôr obhájiteľné ako predpokladané.

Racionalizácia SKU.Nie každý produkt si zaslúži svoj priestor. Modely umelej inteligencie dokážu identifikovať, ktoré jednotky SKU spotrebúvajú nehnuteľný majetok a inventárny kapitál bez primeraných výnosov -, ktoré zohľadňujú príspevok k marži, substitučné efekty a vplyv koša. Zásadný rozdiel je medzi pomalými-pohybmi, ktoré slúžia lojálnemu výklenku, a pomalými-pohybmi, ktoré jednoducho nemajú dostatočný výkon. AI dokáže rozlíšiť medzi nimi v rozsahu, ktorý manuálna analýza nedokáže.

Dynamické zosúladenie cien a propagácie.Rozhodnutia o sortimente neexistujú oddelene od cenotvorby. AI-riadenédynamické oceňovaniedokáže zosúladiť propagačnú aktivitu s výkonnosťou sortimentu v reálnom čase -, čím sa zníži nesúlad medzi plánovaným a tým, na čo zákazníci skutočne reagujú na úrovni regálu.

Monitorovanie vykonávania.Údaje počítačového videnia a senzorov dokážu identifikovať odchýlky planogramu bez toho, aby vyžadovali úplné manuálne audity. Zálohy vtechnológia regálových štítkovzvýšili dostupnosť automatického{0}}monitorovania stavu regálov pre stredne-veľkých maloobchodníkov, nielen pre veľké reťazce.

Rámec s piatimi{0}}krokmi na implementáciu

Väčšina predajcov vie, že na optimalizácii sortimentu záleží. Menej ich má jasný východiskový bod. Tento rámec je navrhnutý tak, aby bol použiteľný v akomkoľvek rozsahu.

Krok 1: Audit vášho súčasného sortimentu

Pred optimalizáciou čohokoľvek si stanovte poctivý základ. Aká je vaša aktuálna miera vypredania zásob podľa kategórie a podľa obchodu? Ktoré jednotky SKU generujú spodný decil predaja na štvorcový meter? Kde sú najväčšie medzery medzi plánovaným sortimentom a skutočnou dostupnosťou regálov? Ak na tieto otázky nemôžete odpovedať spoľahlivými údajmi, je to najdôležitejšie zistenie - a signál, aby ste pred investovaním do optimalizačných nástrojov investovali do viditeľnosti. Štruktúrovanýzákladný výpočet ROImôže pomôcť kvantifikovať, kde sú najväčšie{0}}medzery vplyvu, skôr než sa zaviažete k akémukoľvek prístupu.

Krok 2: Definujte svoje klastre obchodov

Nie všetky predajne by mali mať rovnaký sortiment, no úplne unikátny sortiment pre každú predajňu je prevádzkovo nezvládnuteľný. Klastrovanie obchodov premosťuje tieto extrémy zoskupovaním lokalít so zmysluplne podobnými profilmi dopytu. Efektívne zoskupovanie je založené na skutočnom nákupnom správaní - zložením košíka, rýchlosti kategórie, vzoroch misie nakupujúcich -, nie na predpokladaných demografických údajoch. Väčšina maloobchodníkov pracuje so štyrmi až ôsmimi klastrami v závislosti od veľkosti siete a rozmanitosti formátov. Správne číslo je číslo, pri ktorom sa každý klaster skutočne správa dostatočne odlišne na to, aby zaručoval odlišnú šablónu produktu.

Krok 3: Integrujte svoje zdroje údajov

Optimalizácia sortimentu je len taká dobrá, aké dobré sú dáta, ktoré ho kŕmia. Minimálne potrebujete údaje o predaji na úrovni SKU- podľa predajne s minimálne 12-mesačnou históriou, aktuálnymi úrovňami inventára a určitým meradlom dostupnosti regálov. Otázka, ako sa zaznamenávajú údaje na poličkách -, či už prostredníctvom manuálnych prehľadov, systémov ESL alebo senzorov internetu vecí - priamo ovplyvňuje aktuálnosť a spoľahlivosť údajov. Pochopeniemožnosti pripojenia na zachytávanie dát na policije praktické skoré rozhodnutie. Dokonalá integrácia údajov nie je nevyhnutným predpokladom na spustenie -, ale skôr, ako začnete dôverovať ich výstupu, musíte pochopiť medzery a latenciu údajov.

Krok 4: Nastavte pravidlá optimalizácie a zábradlia

Modely AI a optimalizačné algoritmy potrebujú obmedzenia. Nie každé rozhodnutie by malo byť automatizované. Jasne definujte, ktoré rozhodnutia sa môžu spúšťať automaticky -, ako sú spúšťače doplnenia pre vysoko{3}}rýchle jednotky SKU - a ktoré vyžadujú kontrolu človekom, ako je napríklad odstránenie produktu z klastra. Ochranné zábradlia tiež chránia pred chybami, ktoré robia automatizované systémy, keď sú údaje neúplné. Bežný príklad: Algoritmus odporúča odstrániť produkt, pretože jeho predaj je nízky, keď skutočnou príčinou sú pretrvávajúce zásoby, ktoré údaje o predaji nerozlišujú od nízkeho dopytu.Chyby zobrazenia ceny a dostupnostisú súvisiace prevádzkové poruchy, ktoré stojí za pochopenie pred zavedením automatizácie.

Krok 5: Merajte, učte sa a opakujte

Optimalizácia sortimentu je nepretržitý proces, nie jednorazový{0}}projekt. Stanovte si pravidelný rytmus kontroly - minimálne štvrťročne pre strategické rozhodnutia, mesačne pre taktické úpravy. Vytvárajte štruktúrované slučky spätnej väzby medzi tímami centrálnej kategórie a ukladajte-údaje o výkonnosti na úrovni. Berte každý plánovací cyklus ako experiment: vytvorte hypotézu, implementujte zmenu, zmerajte výsledok, použite toto učenie v ďalšom cykle. Organizácie, ktoré z tohto procesu získavajú najväčšiu hodnotu, nie sú tie, ktoré majú najsofistikovanejšie nástroje. Sú to tí, ktorí si vybudovali zvyk dôsledne sa učiť z údajov.

Šesť KPI pre meranie optimalizácie sortimentu

Sledujte všetkých šesť metrík na úrovni obchodu, nielen súhrnne. Priemery na{1}}úrovni siete často skrývajú obchody, kde sú problémy najakútnejšie - a kde existujú najväčšie možnosti optimalizácie.

Optimalizácia sortimentu naprieč online a fyzickými kanálmi

Pre maloobchodníkov pôsobiacich naprieč fyzickými a digitálnymi kanálmi nemožno rozhodovanie o sortimente riadiť izolovane.Maloobchodné prostrediesa zmenilo: zákazníci sa plynule pohybujú medzi kanálmi a údaje z každého kanála môžu slúžiť ako podklad pre rozhodnutia v druhom kanáli.

Online ako sortimentový signál.Vyhľadávania s nulovými{0}}výsledkami na vašej platforme elektronického{1}obchodu sú priamym indikátorom medzier v sortimente - zákazníkov, ktorí vám presne povedia, čo chcú, čo nemáte. Vzory vysokého-prezerania a nízkeho{5}}nákupu môžu naznačovať produkty, ktoré chcú zákazníci pred nákupom osobne ohodnotiť, čo má vplyv na-sortiment v obchode. PodľaMcKinseyho výskum, viac ako 70 % spotrebiteľov teraz očakáva prispôsobené zážitky -, čo sa týka dostupnosti produktov aj komunikácie.

Jednotný vs. diferencovaný sortiment.To, či by sa váš sortiment online a{0} v obchode mal zhodovať, závisí od formátu vášho obchodu a správania zákazníkov. Jednotný sortiment zjednodušuje operácie a vytvára čistejšie údaje o dopyte, no núti fyzické obchody, aby niesli zložitosť online katalógu, ktorú väčšina formátov nedokáže pokryť. Diferencovaný prístup -, v ktorom fyzické obchody disponujú upraveným, vysoko{4}}rýchlostným jadrom, zatiaľ čo online kanál zvláda long tail -, funguje dobre, keď tieto dva kanály slúžia skutočne odlišným nákupným misiám. Rámec rozhodovania je jednoduchý: ak zákazníci pravidelne vyhľadávajú online a konvertujú v-obchode, na zosúladení záleží. Ak sú nakupujúci online a v{9}}predajni do značnej miery odlišné publiká, rozlišovanie môže byť efektívnejšie.

Kde začať.Najpraktickejším vstupným bodom je prepojenie údajov vyhľadávania e-nulových{1}}výsledkov elektronického obchodu s kontrolou plánovania vašej kategórie. Nevyžaduje sa žiadna nová technológia - mesačný export neúspešných vyhľadávacích dopytov kontrolovaných manažérmi kategórií môže odhaliť medzery v sortimente, ktoré-údaje o predaji v obchode nikdy neodhalia. Párovanie svylepšené zaznamenávanie údajov-na úrovni poličkyvo fyzických obchodoch vytvára uzavretú slučku medzi online signálmi a{0}}realizáciou v predajni.

Ako to vyzerá v praxi

Nasledujúce scenáre ilustrujú, ako sa princípy optimalizácie sortimentu uplatňujú v rámci maloobchodných formátov. Ide o názorné príklady, nie konkrétne prípadové štúdie spoločnosti.

Potraviny: maskovanie miestneho dopytu v súhrnných údajoch.Regionálny reťazec potravín plánuje sortiment pomocou súhrnných údajov o kategóriách. Kategórie etnických potravín - so silným výkonom v konkrétnych štvrtiach - sú trvalo nedostatočne zastúpené, pretože ich predaj sa po zhrnutí na úroveň bannera zníži. Klastrový{4}}prístup založený na skutočnom zložení košíka odhaľuje, že to, čo vyzeralo ako dopyt nízkej kategórie v určitých skupinách obchodov, bol namiesto toho problém so štrukturálnym agregovaním údajov. Úpravou šablón týchto obchodov tak, aby odrážali miestne nákupné správanie, sa medzera zaceľuje. Aktivačným faktorom nie je nová technológia -, ale skôr rozdeľuje údaje o dopyte podľa obchodu než podľa bannera. Lepšia viditeľnosť pomocou nástrojov akoelektronické regálové štítky v obchodoch s potravinamipodporuje priebežné meranie toho, či sa tieto upravené sortimenty skutočne realizujú.

Móda: správa SKU-s dlhým chvostom.Špecializovaný maloobchodný predajca odevov má niekoľko tisíc aktívnych SKU za sezónu. Preskúmanie produktivity odhaľuje, že značná časť sortimentu generuje neúmerne malý podiel na príjmoch pri spotrebe zdrojov plánovania, zásob a doplňovania. Analýza oddeľuje dve skupiny s nedostatočnou výkonnosťou: SKU bez identifikovateľnej lojálnej zákazníckej základne a negatívnym priestorom-k-príspevkom na maržu a SKU s nízkym celkovým objemom, ale vysokou mierou opakovaných nákupov v rámci konkrétneho segmentu kupujúcich. Prvá skupina je postupne vyradená. Druhý je zachovaný s upraveným rozdelením priestoru. Výsledkom je užší rozsah, ktorý sa ľahšie realizuje a je menej pravdepodobné, že spôsobí únavu z rozhodovania na úrovni regálu.

Pohodlný maloobchod: rýchlosť realizácie ako rozlišujúci prvok.Malý-reťazec bežného používania funguje na miestach, kde sa hrá o každý štvorcový meter-a náklady na vypredanie zásob zvyšujú nízke zásoby. Limitujúcim faktorom nie je plán sortimentu -, je to čas medzi vypredaním zásob a reakciou spolupracovníka predajne. Zníženie tejto medzery prostredníctvom automatizovaného monitorovania regálov namiesto spoliehania sa na plánované manuálne kontroly má priamy a merateľný vplyv na-dostupnosť v obchode pre kategórie s vysokým-maržovým impulzom.

Často kladené otázky

Čo je to optimalizácia sortimentu v maloobchode?

Optimalizácia sortimentu je proces neustáleho výberu a zdokonaľovania produktového mixu ponúkaného v každej predajni s cieľom maximalizovať predaj, maržu a spokojnosť zákazníkov. Na rozdiel od-jednorazového plánovania sortimentu integruje-údaje v reálnom čase a priebežné kontroly výkonnosti, aby bol výber produktov v súlade so skutočným dopytom.

Aký je rozdiel medzi plánovaním sortimentu a optimalizáciou sortimentu?

Plánovanie sortimentu je pravidelný, centralizovaný proces - zvyčajne sezónny alebo ročný -, ktorý na základe historických údajov definuje, ktoré produkty sa majú prepravovať. Optimalizácia sortimentu je kontinuálna. Zahŕňa signály v-reálnom čase a uchováva-údaje o výkonnosti na úrovni, aby sa sortiment prispôsobil zmenám podmienok. Plánovanie určuje počiatočný smer; optimalizácia ho udržiava nakalibrovaný.

Ako AI zlepšuje optimalizáciu sortimentu?

Umelá inteligencia umožňuje predpovedanie dopytu na-úrovni obchodu, ktoré presahuje priemery klastrov, identifikuje nedostatočne výkonné jednotky SKU pri zohľadnení substitučných efektov, generuje odporúčania planogramov na základe aktuálnej rýchlosti predaja a spracováva -signály v reálnom čase - počasie, miestne udalosti, aktivitu konkurenta -, ktoré cykly manuálneho plánovania nedokážu včas začleniť, aby sa podľa nich dalo reagovať.

Aké sú najčastejšie dôvody zlyhania optimalizácie sortimentu?

Päť najbežnejších spôsobov zlyhania: nadmerné{0}}spoliehanie sa na historické údaje, ktoré nedokážu zachytiť aktuálny dopyt; centralizované rozhodovanie,-ktoré chýba miestnym variáciám; utajované dátové systémy, ktoré vytvárajú neúplný obraz; zhoda s planogramom nižšia, ako centrála predpokladá; a neschopnosť začleniť signály dopytu online, ktoré odhaľujú medzery neviditeľné v-samotných údajoch o predaji v obchode.

Aké KPI by som mal sledovať pre optimalizáciu sortimentu?

Najužitočnejšie metriky sú miera vypredania zásob, miera{0}}predaja, produktivita SKU (výnosy alebo marža na jednotku priestoru na poličke), miera dodržiavania plánogramov, príspevok k marži kategórie a zosúladenie dopytu klastra (rozdiel medzi plánovaným sortimentom a skutočným predajom-na úrovni klastra). Sledujte všetky tieto položky na úrovni obchodu, nielen súhrnne.

Ako dlho trvá implementácia?

Základný audit a rámec optimalizácie{0}}založený na klastroch možno zvyčajne vytvoriť v priebehu niekoľkých mesiacov pomocou existujúcich údajov. Sofistikovanejšia nepretržitá optimalizácia-riadená umelou inteligenciou si vyžaduje pevnejší dátový základ a môže trvať 12 až 18 mesiacov, kým sa plne sfunkční. Počnúc auditom takmer vždy odhalí rýchle výhry, ktoré sú k dispozícii skôr, ako je potrebná nová technológia.

Môžu menší predajcovia profitovať z optimalizácie sortimentu?

áno. Princípy platia bez ohľadu na rozsah. - Pochopenie toho, ktoré produkty si zarábajú svoj priestor, sledovanie frekvencie skladovania a vytváranie spätnej väzby medzi údajmi o predaji a rozhodnutiami o produktoch sú zmysluplné pre prevádzku akejkoľvek veľkosti. Menší maloobchodníci nemusia potrebovať podnikové platformy AI; bezplatné alebo lacné-nástroje na analýzu môžu podporovať užitočnú optimalizáciu na základe údajov, ktoré už majú. Výberriešenie štítkov na pravej poličkeje jedným z praktických východiskových bodov na zlepšenie zachytávania údajov bez významných investícií do infraštruktúry.

Aké údaje potrebujem na spustenie?

Minimálne: údaje o predaji na úrovni SKU-podľa obchodu s najmenej 12-mesačnou históriou, aktuálnymi úrovňami inventára a určitým meradlom dostupnosti na poličkách - aj s manuálnymi prehľadmi zásob. Na tomto základe môžete spustiť zmysluplný audit, identifikovať príležitosti s najväčším{4}}vplyvom a zostaviť plán zlepšenia údajov. Perfektné údaje nie sú podmienkou. Užitočná optimalizácia je možná s nedokonalými údajmi, pokiaľ rozumiete a zohľadňujete ich medzery.

Kde začať

Optimalizácia sortimentu prináša najväčšiu hodnotu, keď funguje ako nepretržitá slučka - analyzuje výkonnosť, upravuje mix produktov, spúšťa v-predajni, meria výsledky a opakuje. Maloobchodníci, ktorí vytvárajú túto schopnosť najefektívnejšie, nemusia byť nevyhnutne tí, ktorí investujú ako prví do najpokročilejších nástrojov. Sú to tí, ktorí začínajú poctivými údajmi o tom, kde ich súčasný sortiment zlyháva, a vybudujú si organizačné návyky, aby na základe týchto údajov dôsledne konali.

Ak začínate od nuly, môžete okamžite vykonať štyri akcie: spustite zásobu a audit produktivity SKU pomocou údajov, ktoré už máte; skontrolujte svoje definície zoskupení predajní oproti skutočnému nákupnému správaniu a nie predpokladaným demografickým údajom; prepojte údaje vyhľadávania s nulovými{0}}výsledkami elektronického obchodu{1}} s pracovným postupom plánovania kategórií; a definovať, ktoré rozhodnutia o sortimente by sa mali pred vykonaním automatizovať a ktoré by ich mal kontrolovať človek.

Každý z nich je možné vykonať pred obstaraním akejkoľvek novej technológie - a každý z nich poskytne jasnejšiu predstavu o tom, kam by investície do technológie skutočne posunuli smer.