Come usa Decathlon l'IA per la previsione della domanda e la pianificazione degli approvvigionamenti
Decathlon prevede la domanda settimanale fino a 25.000 prodotti per zona di approvvigionamento ed è passata a un foundation model per serie temporali ottimizzato con fine-tuning. Che cosa ha pubblicato su accuratezza, costi e limiti.
IN SINTESI Sintesi della redazione
- Decathlon prevede le quantità vendute settimanalmente fino a 25.000 prodotti per zona di approvvigionamento, su un orizzonte di 12 settimane per il riassortimento e di 52 settimane per la pianificazione strategica.
- Secondo un post del blog AWS scritto insieme a Decathlon nell'agosto 2026, un modello Chronos-2 ottimizzato con fine-tuning ha ridotto l'errore di previsione a 12 settimane (WAPE) dal 39% al 28% nel Sud-est asiatico e dal 53% al 38% in America Latina.
- Decathlon ha stimato che ogni punto di miglioramento del WAPE a 12 settimane vale in media circa 0,3 giorni di scorte, 0,3 punti di disponibilità dei prodotti e 0,12 punti di vendite.
- Il passaggio al foundation model ha ridotto la frequenza di riaddestramento da settimanale a semestrale, ha accorciato l'implementazione in una nuova regione da circa sei mesi a due-tre mesi e ha abbassato il costo di inferenza settimanale a circa 0,03 dollari per esecuzione.
- Decathlon ha dichiarato che su circa il 40% dei prodotti altri modelli restano più performanti, e per il 2026 prevede un ensemble, covariate esterne come il meteo e un'estensione più ampia.
Decathlon usa il machine learning per prevedere la domanda settimanale di decine di migliaia di prodotti in ciascuna delle sue zone di approvvigionamento, e queste previsioni guidano il riassortimento e la pianificazione a più lungo termine. Nel 2026 il retailer di articoli sportivi ha descritto il passaggio da modelli di deep learning specifici per regione a un foundation model per serie temporali ottimizzato con fine-tuning, Chronos-2, che secondo l'azienda ha ridotto l'errore di previsione da 6 a 15 punti percentuali nelle prime due regioni in produzione, rendendo al tempo stesso il sistema più economico e più rapido da implementare.
Che cosa deve prevedere Decathlon?
Secondo un post sull'AWS Machine Learning Blog scritto con il team di demand forecasting di Decathlon e pubblicato il 28 agosto 2026, Decathlon vende decine di migliaia di prodotti per oltre 80 sport. Le sue previsioni coprono fino a 25.000 prodotti per zona di approvvigionamento, in zone che comprendono Europa, India, Cina, Sud-est asiatico (SEA) e America Latina (LATAM).
Il sistema produce previsioni settimanali delle quantità vendute su due orizzonti, elaborate ogni settimana:
- 12 settimane per il riassortimento, per decidere quanta merce ordinare e dove collocarla.
- 52 settimane per la pianificazione strategica, come le decisioni su capacità e assortimento.
È la scala a rendere tutto difficile. Ogni prodotto in ogni zona è una serie temporale a sé, con stagionalità, promozioni, variazioni di prezzo e aperture di nuovi negozi che influiscono sulla domanda. Un modello che richiede un pesante riaddestramento per ogni regione diventa rapidamente costoso da gestire e lento da estendere.
All'Artefact AI for Industry Summit di Parigi nel settembre 2024, Milton Martinez Luaces, vicepresidente dati per la catena del valore di Decathlon, ha spiegato che un team di 40 persone lavora alla previsione della domanda a diversi livelli, dall'e-commerce ai magazzini regionali, e che l'IA supporta previsioni, gestione delle scorte e pianificazione degli assortimenti.
Come prevedeva la domanda Decathlon in passato?
Il post di AWS descrive due generazioni precedenti. Dal 2021 al 2024 Decathlon ha usato Amazon SageMaker DeepAR per le settimane da 1 a 16 e lo smoothing esponenziale di Holt-Winters per le settimane da 17 a 52, con DeepAR riaddestrato ogni settimana. Dal 2024 ha usato un Temporal Fusion Transformer con covariate. Secondo il post, gli svantaggi erano l'onere del riaddestramento settimanale e la difficoltà di estendere il sistema a nuove regioni.
Che cos'è Chronos-2 e perché Decathlon lo ha adottato?
Chronos-2 è un foundation model open source per serie temporali rilasciato dai ricercatori di AWS nell'ottobre 2025. Amazon Science lo descrive come capace di gestire previsioni univariate, multivariate e basate su covariate senza addestramento specifico per il compito, compresi input futuri noti come le promozioni pianificate. Per un retailer significa che un unico modello preaddestrato può essere adattato a molte serie di prodotti, invece di addestrare modelli separati per ogni regione.
Decathlon lo ha testato sui propri dati su 101 date di cut-off progressive tra la fine del 2022 e la fine del 2024, coprendo circa 39.000 serie temporali di prodotti distinti. Il modello in modalità zero-shot ha eguagliato o superato il modello di riferimento in produzione riaddestrato, e una versione ottimizzata con LoRA ogni sei mesi ha ottenuto l'errore più basso su entrambi gli orizzonti.
Di quanto è migliorata l'accuratezza delle previsioni?
Il post di AWS riporta i seguenti valori di errore percentuale assoluto ponderato (WAPE), dove un valore più basso è migliore:
| Regione | Orizzonte | Precedente | Chronos-2 | Riduzione |
|---|---|---|---|---|
| Sud-est asiatico | 12 settimane | 39% | 28% | 11 punti |
| America Latina | 12 settimane | 53% | 38% | 15 punti |
| Sud-est asiatico | 52 settimane | 44% | 38% | 6 punti |
| America Latina | 52 settimane | 55% | 46% | 9 punti |
Decathlon ha anche tradotto l'accuratezza in termini di business. Ha stimato che ogni punto di WAPE sull'orizzonte di 12 settimane vale in media, tra le diverse zone, circa 0,3 giorni di scorte risparmiati, circa 0,3 punti di disponibilità dei prodotti e circa 0,12 punti di vendite. Si tratta di stime interne e non di risultati certificati, ma mostrano come un team di previsione possa collegare le metriche dei modelli ai livelli di scorte e di servizio.
Due elementi aiutano a interpretare la tabella. I miglioramenti sono maggiori sull'orizzonte di riassortimento a 12 settimane, dove la qualità delle previsioni incide più direttamente sulle scorte nei negozi e nei magazzini. E i livelli di errore di partenza variano sensibilmente da regione a regione: l'America Latina partiva da un errore più alto del Sud-est asiatico, per cui la riduzione maggiore riflette in parte un margine di miglioramento più ampio. I retailer che confrontano questi dati con i propri dovrebbero tenere presente che il WAPE dipende fortemente dal mix di prodotti, dal livello di aggregazione e dalla quota di articoli a bassa rotazione.
Quali dati e quale infrastruttura usa il sistema?
Secondo il post di AWS, i dati vengono preparati in pipeline PySpark orchestrate con Airflow. Il fine-tuning viene eseguito ogni sei mesi su un'istanza GPU, con modelli versionati per zona in un registro MLflow, mentre l'inferenza batch settimanale gira su un'istanza CPU attivata da job Databricks. Tra le covariate note negli esempi pubblicati figurano il prezzo e il numero di negozi, e il modello produce previsioni probabilistiche anziché un singolo valore, che i planner possono usare per fissare le scorte di sicurezza.
Che cosa è cambiato sul piano operativo?
I vantaggi operativi sono stati importanti quanto l'accuratezza. Secondo il post, l'implementazione in una nuova regione è passata da circa sei mesi con tre persone a due-tre mesi, il riaddestramento è passato da settimanale a semestrale e l'inferenza è scesa da 10-15 minuti, riaddestramento compreso, a 40-75 secondi su un'istanza CPU. L'inferenza settimanale costa circa 0,03 dollari per esecuzione. Il modello è in produzione in SEA e LATAM, con un'estensione completa a più zone prevista per il 2026 e Medio Oriente e Africa come tappa successiva.
Che cosa possono imparare da Decathlon gli altri retailer di moda e sport?
Il post di AWS elenca lezioni che valgono ben oltre gli articoli sportivi:
- Fare benchmark sui propri dati, perché le classifiche pubbliche potrebbero non valere per la domanda retail.
- Anche un fine-tuning poco frequente migliora rispetto all'uso zero-shot di un foundation model.
- Partire da un unico modello ottimizzato e aggiungere covariate, come prezzo e numero di negozi, un passo alla volta.
- A questa scala l'inferenza su CPU può essere sufficiente, il che mantiene bassi i costi di esercizio.
Restano due limiti. I nuovi prodotti senza storico sono ancora difficili da gestire: Decathlon indica il cross-learning per i prodotti in cold start come lavoro futuro, e Martinez Luaces ha descritto il cold start come un problema che l'azienda sta affrontando attivamente. E la fiducia conta: secondo lui, la natura di scatola nera dell'IA crea resistenze nei team di business, e Decathlon punta a rendere i modelli più simili a una scatola grigia, così che i planner possano vedere parte del ragionamento alla base delle previsioni.
Domande frequenti
Come prevede la domanda Decathlon?
Decathlon produce previsioni di vendita settimanali fino a 25.000 prodotti per zona di approvvigionamento su orizzonti di 12 e 52 settimane. Oggi utilizza in produzione nel Sud-est asiatico e in America Latina un foundation model per serie temporali, Chronos-2, ottimizzato con fine-tuning, e ne prevede un'estensione più ampia.
Che cos'è Chronos-2?
Chronos-2 è un foundation model open source per serie temporali rilasciato dai ricercatori di AWS nell'ottobre 2025. Può prevedere una o più serie correlate e usare covariate come le promozioni pianificate senza addestramento specifico per il compito, e può essere ottimizzato con fine-tuning sui dati di un'azienda.
Di quanto l'IA ha migliorato l'accuratezza delle previsioni di Decathlon?
Secondo AWS e Decathlon, l'errore di previsione a 12 settimane (WAPE) è sceso dal 39% al 28% nel Sud-est asiatico e dal 53% al 38% in America Latina. I miglioramenti sull'orizzonte di 52 settimane sono stati minori, da 6 a 9 punti.
Che cos'è il WAPE nella previsione della domanda?
Il WAPE (weighted absolute percentage error, errore percentuale assoluto ponderato) è la somma degli errori di previsione in valore assoluto divisa per le vendite effettive totali. Pondera gli errori in base ai volumi, per cui gli errori sui prodotti più venduti pesano di più: per questo è una metrica diffusa nella previsione per il retail.
Un'edizione ogni giorno feriale. Si legge in cinque minuti. Gratuita per i professionisti del settore.
