Come ottimizzare l'assortimento con vincoli di budget e spazio

I rivenditori affrontano un problema fondamentale di vincoli: centinaia o migliaia di prodotti competono per spazio limitato sugli scaffali, area di vendita e capitale circolante. Gli strumenti moderni di pianificazione dell'assortimento utilizzano la programmazione lineare e i risolutori di vincoli per trovare la combinazione di prodotti che massimizza il profitto o i ricavi rispettando i limiti rigidi su spazio, budget, requisiti minimi di stock e ampiezza di categoria. La matematica alla base di questi sistemi ha radici nella ricerca operativa sviluppata decenni fa, ma le implementazioni software hanno accelerato nel retail moda solo negli ultimi tre anni grazie al miglioramento della potenza di calcolo, della qualità dei dati e dell'integrazione.

Cos'è l'ottimizzazione vincolata nella pianificazione dell'assortimento retail?

A livello di reparto vendite, dove redditività e strategia di prodotto convergono, la sfida è allocare lo spazio limitato degli scaffali in modo da massimizzare i rendimenti rispettando i vincoli di categoria e organizzativi. I rivenditori mirano a massimizzare le vendite sotto diversi vincoli, come budget di acquisto limitato, spazio limitato delle classi per esporre i prodotti e avere almeno un certo numero di fornitori, sviluppando un modello matematico integrato per ottimizzare la pianificazione integrata dell'assortimento, l'allocazione dello spazio e il controllo dell'inventario.

L'obiettivo è ottenere l'elenco e la quantità di articoli da tenere nel negozio per una particolare fase, in modo che i ricavi complessivi siano massimizzati e i vincoli aziendali siano soddisfatti. Questi vincoli includono tipicamente articoli distinti totali per negozio, budget a livello di sottoclasse e articoli distinti minimi e massimi a livello di sottoclasse.

Come si applica il problema dello zaino alla pianificazione del merchandising?

Il problema di ottimizzare i prodotti offerti in vendita da un rivenditore è una generalizzazione di quello che è comunemente chiamato problema dello zaino, che chiede qual è la combinazione più preziosa di oggetti che può essere conservata in uno zaino senza romperlo, dato un insieme di oggetti in cui ogni oggetto ha due valori e un vincolo su uno dei valori. Il problema dello zaino e le sue varianti sono emersi come astrazioni utili per modellare problemi di allocazione con risorse vincolate, inclusi quelli presenti nel retail.

L'ottimizzazione del problema dello zaino multiplo presenta sfide significative nell'allocazione delle risorse retail, in particolare per scenari di bundling di prodotti con vincoli duali, e le valutazioni confrontano sette algoritmi distinti: programmazione dinamica base, programmazione dinamica accelerata Numba, elaborazione parallela, rolling parallelo, algoritmo genetico, algoritmo greedy e branch and bound. Per ambienti con risorse vincolate, branch and bound offre un utilizzo del 90 per cento con sovraccarico computazionale minimo, e l'analisi statistica conferma le prestazioni superiori delle varianti parallele rispetto alle implementazioni di base.

Quali tecniche matematiche risolvono i problemi di ottimizzazione dell'assortimento?

La ricerca pubblicata nel 2025 e 2026 descrive molteplici approcci di soluzione. OPTIMUS, un framework su scala enterprise per l'ottimizzazione dello spazio retail a livello di reparto, formula la costruzione dell'assortimento come un problema dello zaino binario lineare e lo risolve tramite programmazione dinamica per produrre assortimenti deterministici e riproducibili sotto vincoli di capacità, con questi output che alimentano un modello di ottimizzazione intera mista a livello di scaffale che alloca lo spazio tra i planogrammi applicando vincoli operativi.

Il lavoro accademico sull'ottimizzazione dell'assortimento sotto vincoli lineari generali, dove il comportamento di scelta del cliente è governato dal modello logit combinatorio accoppiato, sviluppa quattro approcci di soluzione esatti per risolvere il problema con qualsiasi vincolo lineare all'ottimalità. Viene proposto un modello di programmazione lineare stocastica multi-stadio basato su scenari per la pianificazione integrata delle vendite, incorporando l'elasticità della domanda in funzione delle promozioni e della dimensione dell'assortimento.

L'ottimizzazione dell'assortimento è formulata come programmazione lineare intera con l'obiettivo di massimizzare il profitto soggetto a vincoli. Il risolutore GAMS BARON viene utilizzato per risolvere il modello proposto in scale piccole e medie, ma poiché il problema è NP-hard, vengono proposti un algoritmo genetico evolutivo e un efficiente algoritmo di ottimizzazione di smorzamento delle vibrazioni con ricerca locale.

Quali vincoli contano di più nel merchandising moda?

I rivenditori di moda affrontano diverse categorie di vincoli. I rivenditori operano sotto crescente pressione per massimizzare la redditività entro spazi di vendita limitati, e poiché la domanda dei clienti di varietà di prodotti cresce, la tensione tra spazio fisico limitato e la necessità di assortimenti ampi si intensifica. L'obiettivo primario del sistema è migliorare il margine commerciale ottenuto dalla vendita considerando vincoli relativi alle risorse merceologiche e allo spazio sugli scaffali.

• Vincoli di spazio: Metri lineari di scaffale, capacità delle attrezzature, magazzino di retrobottega e area di vendita impongono limiti rigidi sul numero di facing e unità di stock.
• Vincoli di budget: Allocazioni open to buy, limiti di capitale circolante e termini di pagamento dei fornitori limitano il valore di costo totale che può essere acquistato.
• Vincoli di cardinalità: Conteggi minimi e massimi di prodotti per categoria, requisiti di diversità dei fornitori e standard di presentazione governano l'ampiezza dell'assortimento.
• Vincoli di livello di servizio: Tassi minimi di disponibilità, obiettivi di disponibilità e impegni di frequenza di rifornimento assicurano la soddisfazione del cliente.

Un metodo di ottimizzazione per le merci si basa sulla modellazione matematica e sul calcolo del rapporto di redditività consolidato, garantendo la necessaria precisione e fornendo la gestione dell'assortimento entro limiti di tempo e costi, senza investimenti sostanziali in attrezzature e aggiornamento delle qualifiche dei dipendenti.

Come gestiscono i risolutori i problemi retail su larga scala?

Molte formulazioni esistenti sono non lineari e computazionalmente intensive, ponendo sfide pratiche per l'implementazione in ambienti retail su larga scala. Non esiste attualmente alcun algoritmo a tempo polinomiale noto per risolvere esattamente questa classe di problemi, quindi le persone spesso si affidano ad approssimazioni, e gli approcci di approssimazione attualmente noti, come permettere allocazioni frazionarie, tendono a non funzionare bene con set di dati molto grandi e tipicamente non sono utili per ottenere risposte in tempo reale.

Le implementazioni pratiche decompongono problemi grandi in sottoproblemi gestibili. Il risolutore del problema dello zaino a scelta multipla in una modalità di funzionamento può trovare una soluzione ottimale al problema di selezionare un facing da ogni set di scelta entro un vincolo di spazio globale, selezionando un facing ottimale da ciascuno dei set di scelta per adattarsi alla larghezza totale degli scaffali, e il controllore della capacità dello scaffale fornisce parametri come il numero di scaffali, la larghezza di ogni scaffale e altri parametri rilevanti allo splitter di scaffale che divide la soluzione in componenti specifici per scaffale utilizzando il risolutore del problema dello zaino multiplo.

Il mercato globale dell'ottimizzazione dell'assortimento è stato valutato 4,8 miliardi di dollari nel 2025 ed è previsto raggiungere 12,3 miliardi di dollari entro il 2034, con il segmento dei componenti software che ha catturato 3,0 miliardi di dollari di ricavi nel 2025, e le soluzioni software che comprendono motori di previsione della domanda core, algoritmi di ottimizzazione dell'inventario, piattaforme di raccomandazione dei prodotti e dashboard integrate, con piattaforme software di livello enterprise da fornitori tra cui Oracle, SAP e Blue Yonder che offrono capacità complete di pianificazione dell'assortimento integrate con sistemi più ampi di gestione della supply chain e retail.

Come appare l'adozione recente nel settore?

L'IA generativa potrebbe accelerare significativamente il merchandising con applicazioni che vanno dall'automazione della selezione dell'assortimento al rilevamento di microtrend tramite social listening e la loro traduzione in indicazioni attuabili per i volumi di stock. Il rapporto indica una rinnovata spinta a semplificare gli assortimenti, forse meglio esemplificata dal turnaround di Adidas negli ultimi anni, e ridurre il capitale circolante immobilizzato nello stock, con le aziende che iniziano ad adottare approcci più disciplinati alla previsione e alla creazione di prodotti, supportati da strumenti digitali che le aiutano a capire come e dove il valore si disperde.

I risultati della ricerca sono applicabili al retail di abbigliamento, il risultato pratico è massimizzare il ritorno sull'investimento per i beni venduti al giorno, e i benefici e l'efficacia dell'algoritmo sono stati calcolati sulla base di dati reali dopo l'implementazione. Le principali tendenze nel periodo di previsione includono ottimizzazione dell'assortimento guidata dalla previsione della domanda, rilevamento dei gap a livello di negozio utilizzando segnali di vendita in tempo reale, pianificazione dell'assortimento localizzato per micro-mercati, raccomandazioni automatizzate di planogramma e spazio scaffale e ottimizzazione dell'allocazione dell'inventario con modelli di vincoli.

Nonostante la sofisticazione matematica disponibile, rimangono barriere pratiche. Un sondaggio McKinsey ha rilevato che il 71 per cento dei merchant afferma che gli strumenti di merchandising IA hanno avuto fino ad ora un effetto limitato o nullo, e il divario è riconducibile alla qualità della cronologia delle vendite e alla coerenza degli attributi, non agli algoritmi. Il successo dell'implementazione dipende da dati puliti, attributi di prodotto coerenti e integrazione con i sistemi esistenti di enterprise resource planning e point of sale, non solo dalla scelta dell'algoritmo.