Come funzionano allocazione e riassortimento con l'IA tra negozi e canali?

Allocazione e riassortimento con l'IA funzionano prevedendo la domanda di ciascuna variante di prodotto in ciascun punto vendita e calcolando poi quanto stock inviare per massimizzare le vendite attese nei limiti dell'inventario disponibile e dei vincoli logistici. L'allocazione gestisce la prima distribuzione di una consegna; il riassortimento ripete il calcolo man mano che arrivano le vendite, spostando lo stock verso dove sta vendendo.

Qual è la differenza tra allocazione e riassortimento?

Le due decisioni utilizzano modelli simili ma si basano su informazioni diverse. L'allocazione iniziale avviene prima del lancio o al momento del lancio, quando lo storico delle vendite del prodotto è scarso o assente, per cui il modello si basa su profili dei negozi, prodotti simili del passato e domanda pianificata. Il riassortimento avviene in stagione e può utilizzare le vendite effettive, il che rende le previsioni più accurate ma lascia meno stock a disposizione.

Come decide le quantità un modello di allocazione basato sull'IA?

L'allocazione basata su regole utilizza di solito classi di negozio (negozi A, B, C) e rapporti fissi. L'allocazione basata sull'IA sostituisce i rapporti fissi con una previsione per ciascun negozio, prodotto e taglia, e risolve poi un problema di ottimizzazione. Una sequenza tipica:

1. Stimare la domanda di ciascuna variante in ciascun punto vendita per il periodo successivo, con un intervallo di incertezza.
2. Definire il minimo di esposizione: lo stock di cui un negozio ha bisogno per presentare un prodotto in modo credibile, spesso una serie completa di taglie.
3. Confrontare le vendite marginali attese di un'unità in più in ciascun punto vendita e assegnare le unità dove apportano di più.
4. Rispettare i vincoli: stock disponibile, dimensioni degli imballi, capacità dei negozi e giorni di consegna.
5. Trattenere una riserva in magazzino quando l'incertezza è elevata, affinché lo stock possa seguire le prime vendite.

L'esempio pubblico meglio documentato è Zara. I ricercatori che hanno collaborato con l'azienda hanno costruito un modello per determinare ogni spedizione dai magazzini centrali ai negozi, modellizzando esplicitamente il legame tra livelli di stock e domanda. Secondo l'articolo pubblicato su Interfaces (2010), il processo ha aumentato le vendite del 3-4 per cento, con ricavi aggiuntivi stimati in circa 233 milioni di dollari USA nel 2007 e 353 milioni nel 2008. La lezione è che la quantità esposta in un negozio influenza quanto vi si vende, e il modello deve tenerne conto.

Leggi anche

Come funzionano la previsione dei re-order con l'IA e il riassortimento automatico per i retailer?

Perché i dati a livello di variante sono importanti?

Le decisioni di allocazione si prendono per taglia e colore, non per modello. GS1, l'organismo che definisce gli standard dei codici a barre, stabilisce che ogni variante di prodotto (ogni taglia, ogni colore e ogni combinazione) necessita di un proprio GTIN. Ciò rende tecnicamente possibile l'allocazione a livello di variante ovunque venga scansionato un codice a barre. La lacuna pratica è che molte aziende pianificano ancora a livello di modello, oppure non ricevono vendite e stock a livello di variante dai negozi partner e dai marketplace.

Le rotture di stock distorcono ulteriormente i dati. Una ricerca di Akchen e Caro su un retailer di calzature ha rilevato che quasi il 25 per cento della domanda rimasta insoddisfatta a causa delle rotture di stock si è spostata sulle taglie adiacenti. Le vendite grezze sovrastimano quindi la domanda per le taglie vicine e la sottostimano per quelle esaurite. I modelli di riassortimento devono segnalare i periodi di stock nullo o basso, per non interpretare una taglia esaurita come una taglia poco richiesta.

Come gestisce l'IA lo stock omnicanale?

Quando negozi, e-commerce e wholesale attingono a uno stock condiviso, l'allocazione diventa la questione di quale canale riceve la prossima unità. La domanda online ha di solito volumi più elevati ed è più facile da prevedere, mentre la domanda nei negozi è distribuita su molti punti vendita. Alcuni retailer evadono gli ordini online dallo stock dei negozi, il che aggiunge un'ulteriore opzione. Un modello di IA può confrontare il margine atteso di ciascun utilizzo, ma solo se tutti i canali comunicano vendite e stock quasi in tempo reale.

I segnali quasi in tempo reale sono l'ambito del demand sensing. DHL descrive il demand sensing come una previsione di breve periodo che utilizza dati in tempo reale come l'attività alle casse, le spedizioni, le promozioni, il meteo e le tendenze social, aggiornata ogni giorno o persino ogni ora. Per il riassortimento, segnali più rapidi aiutano soprattutto a riallocare lo stock tra i punti vendita durante la stagione.

Di che cosa ha bisogno un'azienda per implementarla?

• Stock accurato per punto vendita e variante, idealmente con inventari regolari o tracciamento a livello di singolo articolo.
• Storico delle vendite per punto vendita e variante, compreso il web e, ove possibile, il sell-out dei partner.
• Attributi dei negozi: dimensioni, clima, profilo della clientela, spazio e capacità degli arredi espositivi.
• Regole logistiche: giorni di consegna, dimensioni degli imballi, lead time e costi di trasferimento.
• Governance: regole chiare su quando gli allocatori possono modificare le indicazioni del modello e su come vengono riviste le modifiche.

I grandi retailer stanno integrando l'allocazione in programmi di pianificazione più ampi. Marks & Spencer, ad esempio, ha annunciato nel gennaio 2024 una piattaforma di pianificazione end-to-end per abbigliamento e casa il cui perimetro comprende previsione, allocazione e riassortimento accanto alla pianificazione finanziaria e delle collezioni.

Leggi anche

Previsione della domanda con l'IA nella moda: come funziona e dove fallisce

Quali sono i limiti?

L'allocazione con l'IA dà il meglio di sé con prodotti a domanda stabile e molti punti vendita. Incontra difficoltà con volumi molto bassi per negozio, dove una singola vendita cambia il quadro, e con eventi straordinari che il modello non ha mai visto. I trasferimenti tra negozi costano denaro e tempo del personale, per cui i modelli che raccomandano spostamenti continui possono sembrare validi sulla carta e fallire nell'operatività. Il parametro di riferimento non è un'allocazione perfetta, ma meno rotture di stock delle taglie principali e meno squilibri di fine stagione tra punti vendita, misurati rispetto a una baseline chiara.

Un rollout ragionevole inizia dal riassortimento delle linee continuative in un sottoinsieme di negozi, dove lo storico è più ricco e i risultati possono essere confrontati con un gruppo di controllo nell'arco di poche settimane. L'allocazione iniziale dei nuovi prodotti, che dipende da articoli analoghi e profili dei negozi, è di solito il secondo passo, una volta dimostrata la solidità delle fondamenta di dati.