Che cos'è il demand sensing e come funziona nella moda?

Il demand sensing è un metodo di previsione di breve periodo che utilizza i dati più recenti, come le vendite del giorno precedente, lo stock attuale, le promozioni, il meteo e i segnali online, per rilevare variazioni della domanda nei giorni o nelle settimane successive. Nella moda integra la previsione stagionale usata per gli acquisti: non cambia ciò che è stato acquistato, ma migliora dove va lo stock e quando cambiano i prezzi durante la stagione.

Che cos'è il demand sensing?

DHL definisce il demand sensing nella supply chain come «un metodo di previsione di breve periodo che utilizza dati in tempo reale e IA per rilevare variazioni della domanda nel breve termine». Mentre gli approcci convenzionali aggiornano di solito le previsioni settimanalmente o mensilmente sulla base dello storico delle vendite, gli strumenti di demand sensing aggiornano le previsioni ogni giorno o persino ogni ora man mano che arrivano nuove informazioni, attingendo a segnali come l'attività alle casse, l'andamento delle spedizioni, le promozioni, il meteo e le tendenze social.

L'idea è nata nei beni di consumo, con prodotti stabili ad acquisto ripetuto. La moda la adatta a un contesto più difficile: cicli di vita brevi dei prodotti, molti articoli nuovi e domanda frammentata tra taglie e punti vendita.

In pratica, il demand sensing è meno un singolo algoritmo che una disciplina: cicli di previsione più brevi, dati più granulari e una regola chiara su quanto peso dare alle evidenze recenti rispetto al piano originale. Il machine learning aiuta perché può combinare molti segnali deboli e apprendere, categoria per categoria, quali di essi anticipano effettivamente le vendite.

In che cosa il demand sensing si differenzia dalla previsione della domanda?

Le due sono collegate. Un buon modello stagionale fornisce la baseline e il demand sensing la corregge man mano che arrivano evidenze. Il modello di previsione pubblicato da Zalando, ad esempio, produce previsioni settimanali su un orizzonte di 26 settimane a supporto delle decisioni di pricing. Si colloca tra le due categorie e mostra come gli orizzonti di previsione vengano scelti in funzione della decisione che supportano.

Leggi anche

Previsione della domanda con l'IA nella moda: come funziona e dove fallisce

Quali segnali utilizza il demand sensing nella moda?

• Vendite e stock per taglia e punto vendita, idealmente giornalieri: il segnale fondamentale per tutto il resto.
• Comportamento sull'e-commerce: visualizzazioni dei prodotti, aggiunte al carrello, wishlist e ricerche, che spesso si muovono prima delle vendite.
• Prezzi e promozioni, affinché il modello possa distinguere l'effetto di uno sconto da una reale variazione della domanda.
• Meteo: le variazioni di temperatura e precipitazioni influiscono sulle categorie stagionali come capispalla e costumi da bagno.
• Dati esterni sulle tendenze come l'interesse di ricerca; una ricerca sui nuovi prodotti moda ha rilevato che l'aggiunta di segnali di Google Trends migliorava le previsioni.
• Sell-out dei partner: per i brand wholesale, vendite e stock comunicati dai clienti retail.

Il wholesale è l'ambito in cui molti brand sono ciechi. Senza i dati dei partner, un brand vede solo i propri ordini, che arrivano settimane dopo che la domanda dei consumatori è cambiata. Esistono messaggi standard di report sulle vendite proprio a questo scopo: la linea guida di GS1 Austria per il settore moda descrive il messaggio EDIFACT SLSRPT, che trasmette tra partner commerciali le quantità vendute per GTIN, punto vendita e periodo.

Come migliora il demand sensing le decisioni in stagione?

1. Riassortimento: negozi e web shop vengono riforniti in base al ritmo di vendita della settimana in corso anziché al piano originale.
2. Trasferimenti: lo stock si sposta dai punti vendita lenti a quelli veloci finché c'è ancora tempo per vendere a prezzo pieno.
3. Ribassi: gli articoli a bassa rotazione vengono individuati presto, consentendo sconti più contenuti e anticipati invece di sconti profondi a fine stagione.
4. Re-order: per i prodotti continuativi e a risposta rapida, i primi segnali attivano re-order entro i lead time dei fornitori.

H&M ha descritto questo obiettivo nel 2020, quando il suo responsabile di advanced analytics e IA ha dichiarato a Retail Dive che il team stava lavorando per quantificare quanto di ciascun articolo sarebbe stato venduto, al fine di portare il prodotto giusto nel posto giusto al momento giusto.

Che cosa serve per implementare il demand sensing?

Il requisito tecnico sono dati affidabili e frequenti: vendite e stock giornalieri per variante e punto vendita, prezzi e i flussi di dati esterni selezionati. Il requisito organizzativo è un processo in grado di agire su una previsione modificata. Se l'allocazione avviene settimanalmente e i ribassi vengono decisi mensilmente, le previsioni giornaliere aggiungono poco. Molte aziende iniziano quindi aumentando la frequenza di una sola decisione, spesso il riassortimento, e solo dopo investono in segnali aggiuntivi.

Ogni segnale esterno deve guadagnarsi il proprio posto. Va testato rispetto a una previsione di baseline su dati storici e mantenuto solo se migliora l'accuratezza per le categorie in cui viene utilizzato. Il meteo può contare molto per i cappotti e pochissimo per i basici; il traffico web può anticipare le vendite in negozio in un mercato e non in un altro.

La misurazione deve corrispondere alla decisione. Per il riassortimento, occorre confrontare l'errore di previsione sul lead time di riassortimento e monitorare la disponibilità delle taglie principali. Per i ribassi, occorre confrontare il sell-through a prezzo pieno e lo stock finale di liquidazione tra prodotti gestiti con e senza il modello di sensing. Un breve progetto pilota con un gruppo di controllo di negozi o categorie fornisce risultati molto più credibili di un confronto prima e dopo, perché le stagioni della moda variano molto da un anno all'altro.

Leggi anche

Perché i dati di sell-out sono essenziali per l'IA nel wholesale della moda?

Quali sono i limiti del demand sensing nella moda?

C'è anche un lato dei costi. Pipeline di dati giornaliere, abbonamenti a dati esterni e il tempo del personale necessario per agire su raccomandazioni più frequenti si sommano, per cui il business case dovrebbe basarsi su decisioni specifiche che cambieranno, non solo sull'accuratezza delle previsioni.

Il demand sensing non può correggere un acquisto sbagliato: se lo stock della stagione è impegnato e i lead time dei fornitori sono lunghi, previsioni più rapide ridistribuiscono soprattutto ciò che esiste. Dipende da dati che molti brand non ricevono ancora, in particolare il sell-out dei partner wholesale. E può amplificare il rumore quando i volumi sono piccoli. Utilizzato tenendo conto di questi limiti, è un modo pratico per rendere le decisioni di merchandising in stagione più rapide e meglio fondate.