Checklist dei dati di merchandising: dieci campi necessari agli strumenti di pianificazione basati sull'IA

Gli strumenti di pianificazione basati sull'IA hanno bisogno di dieci tipi di dati: identificativi di prodotto, attributi, vendite, stock, prezzi e promozioni, resi, canale, date del ciclo di vita, punto vendita e vincoli di fornitura. Se uno qualsiasi manca o è incoerente, lo strumento non può funzionare oppure produce risultati sicuri di sé ma inaffidabili. La checklist che segue indica i campi, perché ciascuno conta e il difetto più comune.

Quali sono i dieci campi?

Perché attributi e identificativi vengono per primi?

L'analisi di Uphance sulla previsione della domanda basata sull'IA nell'abbigliamento afferma che gli strumenti richiedono attributi di stile coerenti, come tessuto, silhouette e vestibilità, in un unico sistema, e non frammentati tra product lifecycle management, piattaforme e-commerce e fogli di calcolo. Un articolo su arXiv sulla previsione della domanda di nuovi articoli moda della piattaforma indiana Myntra ha usato attributi degli articoli come colore e materiale e caratteristiche derivate come l'età dello stile. L'igiene degli identificativi è altrettanto basilare: SPS Commerce spiega che il numero di stile identifica un modello e non è univoco a livello globale, e che ogni combinazione di colore e taglia richiede un proprio GTIN.

Leggi anche

Machine learning per merchandiser: le basi su modelli, feature e dati di addestramento

Di che cosa hanno bisogno i dati su vendite, stock e resi?

• Vendite al livello più basso possibile: stile, colore, taglia, giorno o settimana, canale.
• Stock per giorno, in modo da poter individuare e correggere i giorni di rottura di stock, come nel metodo della curva taglie di Inventory Planner.
• Resi registrati tempestivamente: Uphance afferma che i resi dovrebbero arrivare a inventario entro pochi giorni e non a cadenza settimanale.
• Impegni wholesale separati dallo stock dei canali diretti, che Uphance indica come requisito per una pianificazione accurata.

Che cosa aggiungono prezzi, promozioni e date del ciclo di vita?

L'articolo su Myntra ha usato fattori di merchandising come lo sconto rispetto alle medie del brand e della piattaforma, la visibilità nelle pagine di elenco e la tempistica delle promozioni, e ha rilevato che i modelli di machine learning basati su alberi battevano nettamente un riferimento di base ingenuo per i nuovi articoli, sebbene l'accuratezza fosse moderata e alcuni input futuri fossero sconosciuti per gli articoli nuovi. Senza storico dei prezzi e date del ciclo di vita, uno strumento non può separare il calo di uno stile dall'effetto di un ribasso o di una settimana di lancio.

Che cosa fare prima di acquistare o costruire uno strumento?

1. Verificare i dieci campi per le categorie principali e annotare quali sono completi, parziali o mancanti.
2. Correggere per primi identificativi e attributi, perché sono i più economici da sistemare e influiscono su tutto il resto.
3. Controllare di avere almeno due stagioni di storico pulito per gli stili di riassortimento.
4. Pianificare i prodotti nuovi: decidere come verranno scelti gli articoli comparabili.
5. Separare nei dati gli impegni wholesale dallo stock diretto.
6. Chiedere a ogni fornitore di eseguire un pilota sui propri dati e confrontarlo con il metodo attuale.

Vale anche la pena chiedere come uno strumento gestisce i dati mancanti. Alcuni colmano silenziosamente le lacune con le medie, nascondendo i problemi; altri le segnalano. Si chiede un rapporto sui problemi di qualità dei dati per ogni pilota e si considera un lungo elenco come un'informazione utile, non come un fallimento.

Infine, i planner restano responsabili. Uphance osserva che il giudizio di un merchandiser ancorato a stili comparabili resta competitivo per le nuove uscite moda. Un buon strumento sostiene quel giudizio con i dati e rende visibili le ipotesi, ed è lo standard da applicare quando se ne valuta uno.

Leggi anche

Come Abercrombie and Fitch pianifica assortimenti e scorte: che cosa è pubblico sull'IA

Come valutare la propria prontezza?

Un punteggio semplice aiuta a decidere da dove partire. Per ciascuno dei dieci campi, si assegna 0 se manca, 1 se è parziale (alcune categorie, alcuni canali o dati incoerenti) e 2 se è completo e coerente. Un totale inferiore a circa dieci suggerisce che il lavoro sui dati dovrebbe precedere l'acquisto dello strumento; oltre sedici indica che si è in grado di avviare un pilota. Queste soglie sono una regola empirica e non uno standard, quindi vanno adattate alla propria azienda.

• Valutare ogni campo per categoria, perché la qualità dei dati spesso differisce tra donna, uomo e accessori.
• Dare più peso ai campi che contano di più per la propria attività: per un brand orientato al wholesale, vincoli di fornitura e separazione dei canali pesano di più.
• Rivalutare a ogni stagione e seguire l'andamento.

L'articolo su Myntra ricorda i limiti anche con buoni dati: l'accuratezza era moderata, con correlazioni a livello di articolo intorno a 0,4, e alcuni input futuri come promozioni e visibilità sono sconosciuti per gli articoli nuovi. Dati migliori alzano il tetto, ma non eliminano l'incertezza. Uno strumento di pianificazione dovrebbe quindi presentare intervalli e consentire ai planner di intervenire a livello di stile, colore e taglia, come Uphance osserva essere necessario nella pratica.

Un ultimo aspetto pratico: assegnare un responsabile a ciascun campo. I dati senza responsabile si degradano. Il responsabile non deve necessariamente inserirli, ma deve rispondere della loro completezza e della correzione dei difetti alla fonte.

Conviene iniziare l'audit da una sola categoria rilevante dal punto di vista commerciale, come una linea di riassortimento di base. Si estraggono due stagioni di dati, si controllano i dieci campi e si annotano le lacune con un responsabile e una data. Farlo una volta su un perimetro ristretto è più rapido di una revisione estesa a tutta l'azienda e mostra quanto costerebbe l'intero sforzo. Fornisce inoltre una base realistica per le conversazioni con i fornitori su ciò che un pilota richiede dai propri dati.