Che cos'è la previsione della domanda (demand forecasting) nella moda?
La previsione delle vendite future dei prodotti tramite dati storici, tendenze e altri segnali, sempre più spesso con il machine learning.
In breve
La previsione della domanda (demand forecasting) consiste nello stimare le vendite future dei prodotti utilizzando dati storici, trend e altri segnali, sempre più spesso con il machine learning. Nella moda, le previsioni orientano quanto produrre, dove allocare lo stock e quando riassortire, ma sono difficili perché molti prodotti sono nuovi a ogni stagione.
Come funziona nella pratica?
Le previsioni vengono elaborate a livelli e in momenti diversi. Prima di una stagione, i planner stimano la domanda per categoria e fascia di prezzo per fissare i budget. Per i singoli nuovi modelli, i modelli previsionali apprendono spesso da articoli simili del passato con attributi, prezzi e colori comparabili. In stagione, il sell-through iniziale viene utilizzato per aggiornare le previsioni e decidere i re-order.
Per gli articoli never-out-of-stock, la previsione è più stabile e guida il riassortimento automatico a livello di SKU e di punto vendita. Gli input possono includere storico delle vendite, prezzi, promozioni, meteo, eventi di calendario e disponibilità dello stock.
Perché è importante?
La moda combina lead time lunghi con periodi di vendita brevi, per cui gli errori di previsione costano cari. Previsioni migliori aiutano a:
- Ridurre sovrapproduzione e ribassi
- Evitare rotture di stock sui best seller
- Allocare lo stock nei negozi e nei canali in cui venderà
- Pianificare prima capacità produttiva e acquisti
Ridurre la sovrapproduzione sostiene anche gli obiettivi di sostenibilità.
Come la utilizza l'IA?
I modelli di machine learning possono elaborare molti più segnali rispetto ai metodi tradizionali e individuare schemi per negozio, taglia o gruppo di clienti. Possono tenere conto delle vendite perse durante le rotture di stock e stimare la domanda di prodotti senza storico. I risultati migliori si ottengono di solito quando i planner combinano l'output dei modelli con la propria conoscenza del mercato, anziché seguirlo ciecamente.
Errori frequenti
- Addestrare i modelli su dati di vendita che nascondono le rotture di stock
- Attributi di prodotto incoerenti, per cui non è possibile abbinare articoli simili
- Prevedere solo a livello aggregato, perdendo il dettaglio per taglia e negozio
- Team che ignorano previsioni di cui non si fidano o che non comprendono
Domande frequenti
Perché la previsione della domanda è difficile nella moda?
Molti prodotti sono nuovi a ogni stagione e non hanno uno storico di vendite, i trend cambiano rapidamente e la domanda si distribuisce su molte taglie e colori. Anche i lead time costringono a decisioni anticipate.
Come migliora l'IA la previsione della domanda nella moda?
I modelli di IA possono utilizzare più dati, come attributi, meteo e vendite iniziali, apprendere da prodotti simili e aggiornare rapidamente le previsioni man mano che arrivano nuove vendite, migliorando le decisioni di acquisto e di allocazione.
