Negozio per negozio: cosa offrono davvero gli assortimenti locali su misura con l'IA

Quando il team operativo di Zara e alcuni ricercatori universitari hanno testato un nuovo modo di decidere quanta merce inviare a ciascun negozio, lo hanno fatto come esperimento controllato sul campo. Il risultato, pubblicato sulla rivista Interfaces nel 2010, è stato un aumento delle vendite del 3-4%, che gli autori hanno stimato valere circa 353 milioni di USD di ricavi aggiuntivi nel 2008. Il modello non usava IA generativa. Collegava lo stock di ogni taglia in ciascun negozio alla sua domanda e sceglieva le spedizioni da due magazzini centrali verso circa 1.500 negozi.

Quindici anni dopo, retailer e fornitori di software promettono molto di più: gamme su misura per ogni quartiere, curve di taglie calibrate negozio per negozio, tendenze locali colte prima che si diffondano. Le prove sono più esili della promessa. I casi con numeri dichiarati, da Guess a Hackett, riguardano allocazione e riassortimento: quante unità di una gamma esistente vanno a quale negozio, e quando. Assortimenti davvero diversi per negozio, scelti da un algoritmo, restano rari e in gran parte non misurati pubblicamente.

Il tema è attuale perché l'economia premia la precisione. I retailer trattengono più scorte per le decisioni in stagione, riducono i ribassi e gestiscono meno negozi, ma più grandi. Ogni pezzo inviato al negozio sbagliato è un ribasso o una vendita persa. La domanda per i merchandiser non è se localizzare, ma quali decisioni l'IA può prendere in modo affidabile a livello di negozio e di quali dati ha bisogno.

Cosa significa assortimento localizzato nel retail di moda?

La localizzazione comprende quattro decisioni diverse, spesso confuse tra loro. L'assortimento decide quali stili un negozio tiene in assoluto. L'allocazione decide le quantità iniziali di ogni stile, colore e taglia per negozio. Il riassortimento rifornisce i negozi in stagione dalle scorte centrali. L'ottimizzazione di taglie e profondità adegua la curva di taglie e il numero di pezzi per opzione alla domanda locale. Un negozio che riceve gli stessi stili di tutti gli altri punti vendita ma quantità e ripartizioni di taglie diverse è localizzato in senso di allocazione, non di assortimento.

La moda rende tutte e quattro più difficili che nell'alimentare. La maggior parte degli stili si vende per una sola stagione, quindi per articolo e negozio c'è poco storico. La domanda è distribuita su molte taglie e colori, perciò le vendite per SKU e negozio sono piccole e rumorose. E quando un articolo si esaurisce, il sistema registra vendite pari a zero, non la domanda rimasta inevasa. Qualsiasi modello che impari solo dalle vendite sottostimerà la domanda proprio nei negozi in cui un prodotto è andato meglio.

Quali prove ci sono che l'ottimizzazione per negozio aumenti le vendite?

Lo studio su Zara resta il riferimento perché è stato testato contro un gruppo di controllo. I suoi autori, accademici che lavoravano con il personale di Zara, hanno descritto un modello che guardava all'inventario di ciascun negozio con un approccio per assortimento di taglie, collegando lo stock di ogni taglia alla domanda attesa per scegliere quante unità spedire. La logica è intuitiva per ogni merchandiser: uno stile privo delle taglie chiave vende male anche se sull'espositore restano pezzi. Il guadagno stimato del 3-4% nelle vendite derivava dal distribuire gli stessi prodotti in modo più intelligente, non dal cambiare la gamma.

H&M ha fatto un passo oltre nel 2018. Come riportato da Retail Dive citando The Wall Street Journal, il gruppo ha usato algoritmi che analizzavano scontrini, resi e dati delle carte fedeltà per adattare il mix di merce di un negozio nel facoltoso quartiere Östermalm di Stoccolma. L'analisi ha mostrato che la maggior parte dei clienti del negozio erano donne e che articoli alla moda come le gonne a fiori in tinte pastello, e i prodotti di prezzo più alto, vendevano meglio del previsto. Secondo il resoconto le vendite sono migliorate in modo significativo, anche se non è stata pubblicata alcuna cifra. Il contesto era di pressione: H&M aveva circa 4 miliardi di USD di scorte invendute da smaltire e 4.288 negozi nel mondo, molti con merce simile. Il negozio di Östermalm è stato rifornito con una fascia di prezzo più ampia, da magliette da 6 USD a maglioni di cashmere da 107 USD e borse in pelle da 118 USD, un primo segnale che i dati locali possono giustificare anche un posizionamento più alto, non solo tagli.

Quali retailer di moda usano l'IA per allocare le scorte negozio per negozio?

Il caso recente più dettagliato viene da Guess. Secondo un caso di studio pubblicato nel giugno 2025 da Nextail, il suo fornitore di software, Guess destina il 50-60% delle scorte alle esigenze in stagione e voleva abbandonare cluster di negozi rigidi, allocazioni iniziali elevate e correzioni manuali. È passata a un riassortimento completamente automatizzato guidato da previsioni di domanda iperlocali, entrando in produzione in tutta l'area EMEA in sei mesi. Risultati dichiarati: sell-through a prezzo pieno più alto di 5 punti percentuali, copertura dei negozi in calo del 7,5% e 13% in meno di rotture di stock. Daniel Botey, vice president of global inventory management, ha attribuito al cambiamento una migliore disponibilità e decisioni di inventario automatizzate e guidate dai dati.

La scala rende l'idea. Guess dichiara più di 2,8 miliardi di EUR di ricavi annui e oltre 1.000 negozi nel mondo, più i punti vendita gestiti da partner. A queste dimensioni un pianificatore non può rivedere a mano ogni SKU, negozio e giorno, quindi la scelta è tra regole grossolane applicate a gruppi di negozi e un modello che fissa le quantità per ciascuna sede. "In Guess abbracciamo la tecnologia dirompente e volevamo essere sicuri che le soluzioni fossero costruite su misura fin dall'inizio", ha detto Julien Jacotey, head of planning and allocation, spiegando perché il marchio abbia evitato un sistema generico.

Hackett London, il marchio di moda uomo di proprietà di AWWG con oltre 160 negozi in più di 30 Paesi, ha riferito effetti simili in un caso di studio di Nextail: 25% in meno di vendite perse nei negozi riforniti dal sistema, 75% in meno di tempo dedicato alle attività di riassortimento e 50% in meno di spedizioni settimanali dal magazzino di Barcellona verso il Regno Unito. "I negozi ricevevano maggiore profondità sugli articoli che vendevano, in particolare i best seller", ha detto Daniel Jenkins, merchandise manager. Il caso di studio non indica la data, il che limita il confronto. Prima del cambiamento il riassortimento era manuale, lungo e soggetto a errori; dopo, il marchio dichiara un tasso di rotture di stock inferiore all'1% e un report quotidiano dei dieci best seller per sede con la relativa copertura di stock residua.

Altre catene si sono mosse senza pubblicare risultati. Jules, retailer francese di moda uomo con 550 negozi, ha dichiarato nel febbraio 2024 di usare una piattaforma IA per allocazione e riassortimento in stagione, per inviare la merce dove ha più probabilità di vendere. Nell'aprile 2026 AllSaints ha dichiarato di aggiungere strumenti nativi IA su trading, previsioni, allocazione e riassortimento, prezzi dei ribassi e pianificazione di gamma, con report settimanali di trading per reparto pronti entro le 8 del lunedì anziché più tardi nella giornata. "Voglio che i nostri team si colleghino e sappiano cosa sta succedendo nel mondo per il nostro marchio", ha detto Alfie Meekings, chief transformation and technology officer.

Cosa fanno i maggiori retailer con i dati sulla domanda locale?

I gruppi più grandi parlano più di infrastruttura dei dati che di gamme locali. Gap Inc. ha creato un Office of AI nel 2024. Il suo ex chief information officer ad interim ha dichiarato nel 2022 che un modello predittivo che elabora dati di vendita e caratteristiche dei prodotti orientava acquisti, posizionamento e prezzi, e poteva mostrare quali taglie di articoli specifici vendevano meglio nei singoli negozi. Nei risultati del novembre 2025 Gap ha attribuito un guadagno di produttività di quasi il 30% nella sua supply chain ad automazione e IA nella rete di evasione degli ordini, e la sua chief financial officer, Katrina O'Connell, ha detto che una gestione disciplinata delle scorte ha lasciato le giacenze unitarie leggermente in calo.

Walmart localizza nel senso classico. Nell'aprile 2026 Bloomberg ha riferito, come riassunto da PYMNTS, che stava ampliando le gamme di prodotto locali e regionali nei negozi, partendo da categorie come il caffè in Florida e marchi locali di condimenti altrove. Un portavoce ha dichiarato che l'azienda unisce tecnologia ed esperienza dei merchant per individuare i prodotti che i clienti locali apprezzano e portarli rapidamente sugli scaffali. Bloomberg ha notato il compromesso: i fornitori locali sono di solito più piccoli e più esposti ai problemi di supply chain dei marchi nazionali.

Fast Retailing mostra che la performance a livello di negozio non viene sempre dagli algoritmi. Le vendite di Uniqlo in Giappone sono salite del 10% a circa 1.030 miliardi di yen nell'anno fino ad agosto 2025. In cinque anni il gruppo ha chiuso 30 negozi giapponesi mentre la superficie di vendita media per negozio è cresciuta del 10% e le vendite medie per negozio del 13%, cosa che Inside Retail, citando Nikkei, ha collegato a superfici più grandi che espongono più prodotti. Il gruppo usa le recensioni dei clienti e il feedback del centro assistenza per migliorare i prodotti e prevedere la domanda, ma la sua comunicazione pubblica sottolinea negozi più grandi e prodotti meno numerosi e più forti, non gamme specifiche per negozio.

Anche i canali online cambiano il calcolo. Marks and Spencer vuole raddoppiare le vendite online annue non alimentari fino a quasi 3 miliardi di sterline e portare la quota online delle vendite di moda, casa e bellezza da circa il 34% al 50% a medio termine, usando oltre 1.000 negozi per click and collect e resi. Quando l'intera gamma è a un clic e i negozi fanno anche da punti di ritiro, la gamma fisica di un negozio può essere più ristretta e più locale, purché i dati di stock tra i canali siano abbastanza affidabili da promettere ciò che è davvero disponibile.

Di quali dati ha bisogno l'IA a livello di negozio per funzionare?

L'accuratezza dell'inventario viene prima di tutto. Il team tecnologico di Target ha riferito nell'ottobre 2023 che gli audit fisici avevano rivelato qualcosa di scomodo: metà delle sue rotture di stock era sconosciuta ai suoi sistemi, perché i registri indicavano scorte che non erano sullo scaffale. Target ha costruito un insieme di modelli che deducono questo inventario fantasma da vendite, movimenti e schemi di riassortimento, azzerano la giacenza e attivano un rifornimento, e ha riferito un aumento sostanziale delle vendite sui prodotti interessati senza pubblicare una cifra. La scala è istruttiva: quasi 2.000 negozi e un assortimento di oltre 100.000 SKU. Target ha anche provato telecamere sul bordo scaffale e altri sensori, poi li ha abbandonati come metodi di rilevamento perché costosi e difficili da mantenere su larga scala. Nell'ottobre 2025 Prat Vemana, chief information and product officer, ha detto che Target "usa l'IA per accorgersi prima che gli articoli stiano finendo".

Per la moda la lezione è diretta. Un modello che adatta curve di taglie o gamme per negozio a partire dallo storico delle vendite sbaglierà ovunque lo stock registrato differisca dalla realtà, e leggerà un esaurimento come domanda debole. L'IA a livello di negozio richiede stock affidabile per SKU e negozio, idealmente da tracciamento a livello di articolo, più stime delle vendite perse durante le rotture di stock.

• Vendite e stock per SKU, negozio e giorno, depurati da trasferimenti, resi e promozioni.
• Stime delle vendite perse per i periodi in cui mancava una taglia o un colore, così che gli esaurimenti non siano letti come domanda bassa.
• Attributi del negozio come superficie, arredi, clima, eventi locali e mix di clienti dai dati fedeltà, dove il consenso lo consente.
• Attributi di prodotto in campi coerenti, così che un nuovo stile possa mutuare lo storico di quelli simili.
• Vincoli operativi: esposizioni minime, dimensioni dei pack, giorni di consegna e costi di trasferimento.

Quali sono i rischi e i limiti della localizzazione guidata dall'IA?

La maggior parte dei risultati pubblicati viene da fornitori di software o dai retailer che li hanno acquistati, senza gruppi di controllo, basi di confronto o orizzonti temporali. Lo studio su Zara è l'eccezione, e il suo risultato, un guadagno del 3-4%, è un utile controllo di realtà rispetto ad affermazioni di miglioramenti a doppia cifra. I merchandiser che valutano i risultati dovrebbero chiedere cosa è stato confrontato con cosa, in quale stagione e in quanti negozi.

La localizzazione aggiunge anche complessità. Gamme diverse per negozio significano più SKU da acquistare, più pack da preparare, più varianti di visual merchandising e decisioni sui ribassi più difficili. I negozi piccoli producono pochi dati per articolo, quindi i modelli tendono a ricadere sui cluster, il che è vicino all'approccio manuale che dovevano sostituire. La cautela di Walmart sui fornitori locali più piccoli mostra il lato dell'offerta dello stesso problema.

C'è poi un compromesso tra profondità e disponibilità. Guess ha ridotto del 7,5% la copertura dei negozi riducendo le rotture di stock, il che mostra cosa può ottenere un buon riassortimento: meno merce nei negozi, ma nelle taglie giuste. Spinti troppo oltre, i negozi snelli lasciano poco spazio ai clienti che vogliono curiosare, e una sola consegna in ritardo svuota un espositore. I merchandiser devono fissare quantità minime di esposizione che riflettano il marchio, non solo la previsione.

La dipendenza dai sistemi è un ulteriore rischio. Quando un attacco informatico ha colpito Marks and Spencer nell'aprile 2025, ha paralizzato le vendite online, è costato circa 300 milioni di sterline di profitti persi e ha costretto il retailer a tornare a processi manuali, ha riferito Reuters. Da allora M&S ha introdotto una nuova funzione di merchandising che automatizza un'attività prima manuale e sta accelerando una nuova piattaforma di pianificazione. Quanto più l'allocazione dipende da decisioni automatiche, tanto più un retailer ha bisogno di regole di ripiego e di persone che le comprendano ancora.

Infine c'è la questione del marchio. Un retailer i cui negozi sono tutti diversi rischia di diluire l'identità che i clienti si aspettano, e un algoritmo che impara solo da ciò che ha venduto può restringere le gamme verso best seller sicuri. Il riscontro di Östermalm per H&M, cioè che gli articoli alla moda e di prezzo più alto vendevano meglio del previsto, ricorda che i dati locali possono anche sostenere più ambizione, non meno.

Cosa devono fare ora i merchandiser della moda?

1. Sistemate prima l'accuratezza dello stock. Verificate quanto spesso lo stock registrato in negozio coincide con lo scaffale e trattate tracciamento a livello di articolo e inventari ciclici come precondizione di qualsiasi modello locale.
2. Partite da riassortimento e profondità di taglie. Automatizzate riassortimento in stagione e curve di taglie prima di tentare gamme diverse per negozio, dove i risultati sono meglio documentati.
3. Trattenete le scorte in modo deliberato. Pianificate la quota di acquisto riservata all'allocazione in stagione, come fa Guess con il 50-60%, così che i segnali di domanda locale abbiano qualcosa su cui agire.
4. Testate contro un gruppo di controllo. Fate girare coppie di negozi o regioni con e senza la nuova logica per almeno una stagione e misurate sell-through, ribassi e vendite perse.
5. Definite dove le gamme locali aggiungono valore. Limitate le vere differenze di assortimento a categorie con chiari fattori locali, come clima, turismo o cultura locale, e mantenete comune il nucleo del marchio.
6. Mantenete regole manuali di ripiego. Documentate regole di allocazione che i team possano applicare se i sistemi falliscono e mantenete i pianificatori addestrati a mettere in discussione l'output del modello.