La guida completa all’IA nel merchandising e nel buying della moda

Il machine learning supporta oggi le decisioni di previsione, assortimento, pricing e pianificazione nella moda. Questa guida illustra i casi d'uso, i dati da cui dipendono e come i merchandiser mantengono il controllo.

• L'IA nel merchandising della moda consiste nell'utilizzare modelli statistici e di machine learning per supportare le decisioni su che cosa acquistare, in quale quantità, in quali taglie, dove collocarlo e a quale prezzo.
• Le applicazioni più mature sono la previsione della domanda, l'allocazione e il riassortimento e il markdown pricing; l'IA generativa viene usata soprattutto per analisi, reporting e contenuti a supporto di queste decisioni.
• Grandi retailer come Mango e Marks & Spencer hanno annunciato programmi per sostituire strumenti di pianificazione frammentati con una pianificazione integrata e supportata dall'IA che copra pianificazione finanziaria, dell'assortimento e della domanda.

Fornitori, brand e team interni parlano sempre più spesso di modelli, agenti ed embedding. Un glossario pratico per i buyer di moda, con il significato di ciascun termine per le decisioni di acquisto.

• I buyer non devono capire come vengono costruiti i modelli di IA, ma devono capire che cosa significa l'output di uno strumento e quanto è affidabile.
• Termini come previsione, intervallo di confidenza e back-test descrivono quanto sia certa una previsione, il che conta più della previsione stessa.
• Termini dell'IA generativa come allucinazione e prompt spiegano perché i contenuti scritti dall'IA vanno verificati prima di farvi affidamento.

I brand che vendono tramite retailer vedono ciò che spediscono, non ciò che i consumatori acquistano. I dati di sell-out colmano questa lacuna e, senza di essi, la maggior parte delle previsioni basate sull'IA per il wholesale lavora mezza alla cieca.

• I dati di sell-in registrano ciò che un brand spedisce ai retailer; i dati di sell-out registrano ciò che quei retailer vendono ai consumatori, per prodotto, taglia, negozio e periodo.
• I modelli di IA per previsioni, re-order e allocazione nel wholesale hanno bisogno dei dati di sell-out, perché il sell-in riflette le decisioni di acquisto e le tempistiche dei retailer, non la domanda dei consumatori.
• Esistono formati standard: la linea guida di GS1 Austria per la moda relativa al messaggio EDIFACT SLSRPT trasmette tra partner commerciali le quantità vendute per GTIN, punto vendita e periodo.

Il machine learning può migliorare le previsioni nella moda per le linee carry-over e il riassortimento, ma nuovi modelli, stagioni brevi e cambi di tendenza restano difficili. Che cosa i vertici dovrebbero aspettarsi, e che cosa no.

• I modelli previsionali basati sull'IA imparano dalle vendite storiche e da segnali esterni e valgono quanto lo storico su cui sono addestrati.
• Le previsioni per gli articoli carry-over e never-out-of-stock sono in genere molto più affidabili di quelle per i nuovi modelli stagionali.
• Le vendite registrate sottostimano la domanda reale quando gli articoli vanno esauriti, quindi le rotture di stock vanno corrette prima di addestrare qualsiasi modello.

Il demand sensing aggiorna le previsioni di breve periodo con le vendite più recenti e con segnali esterni. Nella moda migliora soprattutto le decisioni in stagione: riassortimento, trasferimenti e ribassi.

• Il demand sensing è una previsione di breve periodo che utilizza dati recenti e ad alta frequenza, come l'attività alle casse, le spedizioni, le promozioni, il meteo e le tendenze social, per rilevare variazioni della domanda nel breve termine.
• Le previsioni tradizionali vengono di solito aggiornate settimanalmente o mensilmente sulla base dello storico delle vendite; gli strumenti di demand sensing aggiornano le previsioni ogni giorno o persino ogni ora.
• Nella moda il demand sensing migliora soprattutto le decisioni in stagione come riassortimento, trasferimenti di stock e tempistica dei ribassi, perché la maggior parte delle quantità viene impegnata prima dell'inizio della stagione.

La pianificazione di collezione decide quanti modelli, a quali prezzi e con quale profondità debba avere una collezione. L'IA può prevedere i nuovi articoli e testare scenari, ma la decisione creativa e strategica resta umana.

• La pianificazione di collezione e di linea traduce un piano finanziario in una collezione strutturata: numero di opzioni per categoria, architettura dei prezzi, novità rispetto ai continuativi e profondità per opzione.
• L'IA contribuisce soprattutto prevedendo la domanda per i nuovi modelli a partire da attributi, immagini e prodotti simili del passato, e tramite confronti rapidi di scenari tra diverse strutture di collezione.
• Una ricerca sul dataset VISUELLE dell'azienda italiana di fast fashion Nunalie ha mostrato che l'aggiunta di segnali di Google Trends ai dati di immagini e attributi ha migliorato le previsioni di vendita dei nuovi prodotti.

L'IA può affinare le decisioni su profondità, ampiezza e taglie nella pianificazione dell'assortimento. Il rischio è un assortimento che scivola verso medie rassicuranti. Come usare gli strumenti mantenendo il punto di vista del brand.

• L'IA è più forte nel livello quantitativo della pianificazione dell'assortimento: profondità, curve taglie, clustering dei negozi e individuazione delle opzioni sottoperformanti.
• I modelli addestrati sulle vendite passate privilegiano ciò che ha già funzionato, il che può erodere gradualmente novità e carattere distintivo del brand.
• I brand dovrebbero riservare deliberatamente una quota dell'assortimento a capi strategici, d'immagine e sperimentali, giudicati con criteri diversi.

L'open-to-buy indica ai buyer quanto possono ancora spendere senza compromettere gli obiettivi di vendita e di stock. L'IA può mantenere questo valore aggiornato e più realistico, a condizione che il piano su cui si basa sia solido.

• L'open-to-buy (OTB) è il valore dell'inventario che un'azienda può ancora acquistare in un periodo rispettando i propri obiettivi di vendita e di stock.
• Una formula diffusa è: vendite pianificate più ribassi pianificati più inventario pianificato di fine periodo, meno inventario pianificato di inizio periodo, meno lo stock già in ordine.
• L'IA migliora l'OTB soprattutto migliorandone gli input: previsioni di vendite e ribassi più accurate e riprevisioni più rapide durante la stagione.

Lo stock nella moda è deperibile: se è troppo finisce in saldo, se è troppo poco si traduce in vendite perse. Ecco come i modelli di IA bilanciano le due cose, quali evidenze esistono e di che cosa hanno bisogno per funzionare.

• L'ottimizzazione dell'inventario con l'IA combina previsioni della domanda a livello di modello, colore, taglia e punto vendita con regole di ottimizzazione che decidono quanto stock acquistare, detenere, spostare o scontare.
• La moda è più difficile della maggior parte delle categorie perché molti prodotti sono nuovi ogni stagione, le finestre di vendita sono brevi e la domanda è frammentata tra taglie e punti vendita.
• In un articolo sottoposto a revisione paritaria pubblicato su Interfaces, il modello di Zara per le spedizioni ai negozi avrebbe aumentato le vendite del 3-4 per cento, un primo esempio di ottimizzazione che collega livelli di stock e domanda.

Acquistare il mix di taglie sbagliato lascia sugli stender le taglie estreme e fa esaurire quelle centrali. Ecco come l'IA stima la reale domanda per taglia, perché le rotture di stock rendono fuorvianti i dati e a che cosa prestare attenzione.

• Una curva taglie è la ripartizione percentuale di una quantità di acquisto tra le taglie; l'ottimizzazione delle curve taglie stima tale ripartizione in base alla domanda anziché all'abitudine.
• Le vendite grezze sono una base distorta per le curve taglie, perché le taglie che si esauriscono presto smettono di registrare vendite mentre i clienti continuano a cercarle.
• Una ricerca su un retailer di calzature ha rilevato che quasi il 25 per cento della domanda insoddisfatta a causa delle rotture di stock si è spostata sulle taglie adiacenti, e che tenerne conto potrebbe aumentare il profitto fino al 28 per cento in contesti a bassa domanda.

L'allocazione decide dove va lo stock per primo; il riassortimento decide che cosa segue. L'IA prende entrambe le decisioni a livello di taglia e punto vendita. Ecco come funziona, di che cosa ha bisogno e dove incontra difficoltà.

• L'allocazione è la distribuzione iniziale di una consegna a negozi, web e clienti partner; il riassortimento è il rifornimento continuo dello stock in base a ciò che vende.
• L'allocazione con l'IA prevede la domanda a livello di modello, colore, taglia e punto vendita e poi ottimizza le quantità nel rispetto di vincoli come dimensioni degli imballi, capacità dei negozi e calendari di trasporto.
• Il modello di riassortimento dei negozi di Zara, documentato su Interfaces nel 2010, sceglieva le quantità da spedire collegando livelli di stock e domanda e avrebbe aumentato le vendite del 3-4 per cento.

L'ottimizzazione dei ribassi usa modelli di domanda per decidere quando e quanto scontare. Come funziona, di che cosa ha bisogno e perché posizionamento del brand e relazioni wholesale devono fissarne i limiti.

• I modelli di ottimizzazione dei ribassi stimano come la domanda risponde al prezzo nel tempo e raccomandano tempistica e profondità degli sconti per raggiungere un obiettivo di stock o di margine.
• L'obiettivo va definito esplicitamente, per esempio massimizzare il margine smaltendo lo stock entro una data stabilita, perché obiettivi diversi producono raccomandazioni diverse.
• Stime affidabili della risposta al prezzo richiedono uno storico pulito di variazioni di prezzo, promozioni e livelli di stock passati.

L'open-to-buy indica a un buyer quanto stock può ancora essere acquistato senza sforare il piano. Ecco come si calcola, come si usa e come viene spesso usato male.

• L'open-to-buy è il budget di acquisto che resta per un periodo dopo aver considerato vendite pianificate, ribassi, stock finale obiettivo, stock iniziale e ordini già esistenti.
• Gli acquisti pianificati sono pari a vendite pianificate più ribassi pianificati più stock finale pianificato, meno lo stock iniziale; l'open-to-buy sottrae gli ordini già piazzati.
• L'open-to-buy va monitorato per mese di consegna e riprevisto regolarmente man mano che arrivano le vendite effettive.

Tre metriche rispondono alla maggior parte delle domande sulla performance dello stock nella moda. Come calcolare sell-through, GMROI e settimane di copertura e come leggerle insieme.

• Il sell-through misura la quota di stock venduta in un periodo ed è il segnale principale per le decisioni di re-order e di ribasso.
• Il GMROI divide il margine lordo per l'inventario medio a costo, combinando margine e rotazione dello stock in un'unica misura del ritorno sull'investimento in stock.
• Le settimane di copertura dividono lo stock attuale per le vendite settimanali recenti e sono la metrica prospettica per riassortimento e allocazione.

Dal costo di fabbrica al prezzo sul cartellino: come si combinano costo franco destino, ricarico wholesale e ricarico retail, e perché sono i ribassi a decidere quale margine viene davvero realizzato.

• Il margine nella moda si costruisce per livelli: costo del prodotto, costo franco destino, prezzo all'ingrosso, prezzo al dettaglio e infine il prezzo a cui l'articolo viene effettivamente venduto.
• Ricarico e margine sono misure diverse, e confonderli è uno degli errori più comuni nelle discussioni sui prezzi.
• Il costo franco destino comprende trasporto, dazi, assicurazione e movimentazione, e ignorare queste voci sovrastima il margine del brand.