Come Marks & Spencer usa l'IA per ottimizzare la pianificazione delle gamme Alimentari e di Abbigliamento

Marks & Spencer ha integrato l'intelligenza artificiale nelle sue operazioni di merchandising per affinare la previsione della domanda, ottimizzare la pianificazione delle gamme e ridurre gli sprechi sia nella divisione alimentare che in quella di abbigliamento. Il retailer britannico sta utilizzando il machine learning per prevedere le preferenze dei clienti, allocare le scorte con maggiore precisione e supportare gli obiettivi di sostenibilità riducendo la sovrapproduzione e i ribassi.

Quali strumenti di IA utilizza M&S per il merchandising?

Marks & Spencer ha implementato IA e machine learning in tutta la sua supply chain e nelle funzioni di merchandising, concentrandosi sulla previsione della domanda e sulla gestione dell'inventario. L'azienda ha collaborato con partner tecnologici per incorporare l'analisi predittiva nei suoi processi di pianificazione, consentendo ai merchandiser di anticipare la domanda dei clienti con maggiore accuratezza e adeguare di conseguenza gli assortimenti di prodotti.

Il retailer ha investito in capacità di data science per supportare il suo programma di trasformazione Reshape for Growth, che mira a modernizzare la rete di negozi, le piattaforme digitali e l'efficienza operativa. Gli strumenti basati su IA analizzano dati storici di vendita, modelli meteorologici, tendenze stagionali e comportamenti emergenti dei clienti per informare le decisioni di acquisto e l'allocazione delle scorte a livello di negozio e regionale.

Come migliora l'IA la pianificazione della gamma alimentare di M&S?

Nella sua attività alimentare, M&S utilizza il machine learning per prevedere la domanda di prodotti freschi e a lunga conservazione, contribuendo a ridurre gli sprechi mantenendo la disponibilità. L'azienda si è concentrata sulla riduzione degli sprechi alimentari come parte dei suoi impegni di sostenibilità Plan A, e l'IA svolge un ruolo nel far corrispondere più strettamente l'offerta con la domanda dei clienti.

I modelli predittivi valutano fattori tra cui dati demografici locali, affluenza nei negozi, attività promozionali ed eventi esterni per determinare i livelli ottimali di scorte per ciascuna località. Questo approccio granulare aiuta il retailer a evitare sia situazioni di esaurimento scorte che eccessi di inventario a rischio di deterioramento. Il sistema apprende continuamente dai risultati di vendita, perfezionando le previsioni man mano che diventano disponibili nuovi dati.

Come supporta l'IA il merchandising di abbigliamento e casa?

Per i prodotti di abbigliamento e casa, M&S applica l'IA alla pianificazione delle gamme, all'allocazione delle taglie e all'ottimizzazione dei ribassi. Gli algoritmi di machine learning analizzano le performance passate di stili simili, tipi di tessuto e fasce di prezzo per guidare i team di acquisto sulla profondità e ampiezza degli assortimenti. La tecnologia supporta anche la determinazione dinamica dei prezzi e la pianificazione promozionale, identificando quali prodotti richiederanno probabilmente ribassi e quando.

M&S ha investito nel miglioramento delle sue gamme di abbigliamento e nella riduzione delle scorte in eccesso come parte degli sforzi per ripristinare la redditività nella sua divisione general merchandise. Le informazioni basate su IA aiutano i merchandiser a prendere decisioni più rapide e informate sul mix di prodotti, riducendo il rischio di acquistare in eccesso linee a vendita lenta garantendo al contempo scorte adeguate di articoli ad alta domanda.

Il retailer utilizza l'analisi predittiva per ottimizzare le curve di taglia per località, riconoscendo che i dati demografici e le preferenze dei clienti variano attraverso la sua rete di negozi. Questo approccio localizzato riduce la probabilità di esaurimenti o eccedenze specifici per taglia, migliorando sia la conversione delle vendite che l'efficienza dell'inventario.

Quali sono i benefici operativi dell'IA nella pianificazione delle gamme?

Il merchandising basato su IA offre diversi benefici misurabili per M&S:

• Miglioramento dell'accuratezza delle previsioni: I modelli di machine learning riducono l'errore di previsione identificando schemi che i pianificatori umani potrebbero perdere, portando a un migliore allineamento tra offerta e domanda.
• Riduzione dei ribassi: Decisioni di acquisto più precise e strategie di determinazione dinamica dei prezzi minimizzano il volume di scorte di fine stagione che richiedono forti sconti.
• Minori sprechi: Nell'alimentare, previsioni della domanda più precise riducono il deterioramento e gli sprechi, supportando gli obiettivi ambientali e proteggendo i margini.
• Maggiore disponibilità: L'allocazione ottimizzata delle scorte assicura che i prodotti popolari rimangano disponibili, riducendo le vendite perse e migliorando la soddisfazione del cliente.
• Decisioni più rapide: L'analisi automatizzata dei dati libera i team di merchandising per concentrarsi su scelte strategiche piuttosto che su calcoli manuali.

Queste efficienze contribuiscono a una migliore gestione del capitale circolante, poiché il retailer detiene meno inventario in eccesso e ruota le scorte più rapidamente. I miglioramenti operativi supportano anche gli sforzi di M&S per competere più efficacemente con i retailer digitali nativi e i concorrenti del fast-fashion che hanno costruito il merchandising basato sui dati nei loro modelli di business fin dall'inizio.

Come supporta il merchandising basato su IA gli obiettivi di sostenibilità?

M&S si è impegnata a ridurre gli sprechi e l'impatto ambientale attraverso il suo programma Plan A, e la pianificazione delle gamme abilitata dall'IA contribuisce direttamente a questi obiettivi. Producendo e stoccando solo ciò che probabilmente verrà venduto, il retailer riduce la sovrapproduzione, l'inventario invenduto e l'impronta di carbonio associata alla produzione, trasporto e smaltimento di beni indesiderati.

Nell'abbigliamento, previsioni della domanda più accurate aiutano a evitare il problema diffuso nel settore delle scorte in eccesso che finiscono in discarica o incenerimento. Nell'alimentare, la riduzione degli sprechi si allinea con gli sforzi più ampi nel settore alimentare per minimizzare i costi ambientali ed economici del deterioramento. Gli strumenti di IA consentono inoltre a M&S di ottimizzare la logistica e la distribuzione, riducendo il consumo di carburante e le emissioni assicurando che i prodotti giusti raggiungano le località giuste senza ridistribuzioni non necessarie.

L'integrazione dell'IA nel merchandising rappresenta parte di una più ampia trasformazione digitale presso M&S, mentre il retailer cerca di modernizzare sistemi e processi legacy. Il programma Reshape for Growth dell'azienda ha dato priorità agli investimenti in tecnologia e capacità di gestione dei dati, riconoscendo che il processo decisionale basato sui dati è essenziale per competere in un ambiente retail in rapida evoluzione.

Mentre M&S ha fatto progressi nell'implementazione dell'IA per la pianificazione delle gamme e la previsione della domanda, il retailer continua a perfezionare questi sistemi e ad espandere la loro applicazione in tutta l'azienda. L'efficacia dei modelli di machine learning dipende dalla qualità dei dati, dall'integrazione tra i sistemi e dalla supervisione umana continua per garantire che gli algoritmi riflettano la strategia aziendale e le esigenze dei clienti. Man mano che la tecnologia matura e M&S accumula più dati transazionali, si prevede che la precisione e l'impatto del merchandising basato su IA aumenteranno, supportando sia le performance commerciali che i risultati di sostenibilità.