IA nel merchandising della moda: che cosa fa, di che cosa ha bisogno e dove fallisce

IN SINTESI Sintesi della redazione

1. 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.
2. 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.
3. 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.
4. Zalando ha reso noto che un modello di previsione della domanda basato su transformer, utilizzato per le decisioni di pricing, è in uso in diverse versioni dal 2019 con un orizzonte di 26 settimane.
5. I risultati dell'IA valgono quanto i dati di prodotto, vendita e stock su cui si basano: dati anagrafici degli articoli puliti e vendite a livello di taglia sono quindi prerequisiti, non optional.

L'IA nel merchandising della moda è l'utilizzo di modelli di previsione e ottimizzazione per supportare le decisioni fondamentali del merchandiser: che cosa acquistare, in quale quantità, in quali taglie, dove inviarlo e quando ridurre il prezzo. Non sostituisce il giudizio del merchandiser su prodotto e brand; fornisce a quel giudizio numeri migliori, più rapidamente e con un livello di dettaglio (modello, colore, taglia, punto vendita, settimana) che i fogli di calcolo non sono in grado di gestire.

Che cos'è l'IA nel merchandising della moda?

Il merchandising si colloca tra la creazione del prodotto e la vendita. Un merchandiser o un buyer trasforma un piano finanziario in una collezione, la collezione in quantità e le quantità in posizioni di stock tra negozi, e-commerce e clienti wholesale. Ogni passaggio comporta la previsione della domanda per prodotti che spesso non hanno uno storico delle vendite, perché una quota consistente di una collezione moda è nuova ogni stagione.

In questo contesto «IA» indica di solito tre famiglie di tecnologie. I modelli predittivi (previsione basata sul machine learning) stimano la domanda per prodotto, punto vendita e periodo. I modelli di ottimizzazione trasformano tali previsioni in decisioni nel rispetto di vincoli come budget, quantità minime d'ordine e capacità dei negozi. L'IA generativa (grandi modelli linguistici) è più recente e viene usata soprattutto per spiegare, sintetizzare e interrogare i dati di pianificazione in linguaggio naturale, o per produrre contenuti di prodotto.

Quali decisioni di merchandising può supportare l'IA?

Gli esempi pubblicati mostrano su che cosa si sono concentrati i grandi operatori. Il team di ricerca di Zalando ha descritto un modello di previsione della domanda basato sull'architettura transformer che prevede la domanda settimanale su un orizzonte di 26 settimane e alimenta le decisioni di pricing; l'articolo afferma che è in uso presso Zalando in diverse versioni dal 2019. Gli autori spiegano che nella moda online il pricing è una leva fondamentale per ridurre il rischio di trovarsi con eccedenze di stock a fine stagione.

Altri retailer stanno ricostruendo l'infrastruttura di pianificazione. Nel marzo 2025 Mango ha annunciato che avrebbe modernizzato la pianificazione finanziaria del merchandise, la pianificazione dell'assortimento e la pianificazione della domanda con una piattaforma di pianificazione basata sull'IA, sostituendo quelli che ha definito sistemi frammentati e obsoleti nei suoi quasi 2.850 negozi in 120 mercati. Nel gennaio 2024 Marks & Spencer ha annunciato un programma triennale per abbigliamento e casa che copre la pianificazione del merchandise, la pianificazione delle collezioni e successivamente previsione e riassortimento, con il proprio managing director per abbigliamento e casa che ha affermato che una piattaforma end-to-end avrebbe aiutato l'azienda a «utilizzare meglio dati e IA».

Leggi anche

Usare l'IA nella pianificazione dell'assortimento senza perdere il brand

Di quali dati ha bisogno il merchandising basato sull'IA?

La maggior parte dei progetti di IA falliti nel merchandising sono in realtà progetti sui dati sotto mentite spoglie. I modelli hanno bisogno di una gerarchia di prodotto coerente, attributi puliti e uno storico al livello a cui vengono prese le decisioni. In pratica ciò significa:

• Dati anagrafici di prodotto: modello, colore, taglia, categoria, tessuto, fascia di prezzo e stagione, con identificativi stabili da una stagione all'altra.
• Storico delle vendite a livello di taglia e punto vendita: per negozio, web e, per i brand wholesale, per cliente quando i retailer lo condividono.
• Storico di stock e disponibilità: senza di esso un modello non può distinguere una domanda bassa da taglie esaurite.
• Prezzi e promozioni: prezzo pieno, date dei ribassi e profondità degli sconti, affinché il modello possa separare gli effetti del prezzo dalla domanda sottostante.
• Piani e vincoli: budget, quantità minime d'ordine, lead time e capacità dei negozi.

L'asticella della qualità è alta. Se la stessa giacca ha codici diversi nello strumento di pianificazione e nel sistema di vendita, o se gli attributi sono compilati in modo incoerente, un modello trarrà dallo storico le lezioni sbagliate.

Come cambia l'IA il ruolo del merchandiser?

Il cambiamento realistico è il passaggio dal compilare numeri al rivederli e metterli in discussione. Invece di costruire un piano di acquisto in un foglio di calcolo, il merchandiser riceve una quantità raccomandata per modello e taglia, con i relativi fattori determinanti, e decide dove intervenire con una modifica. Le modifiche manuali sono importanti: codificano conoscenze che il modello non può vedere, come una collaborazione con una celebrità in programma o un problema con un fornitore. È buona prassi registrare le modifiche e verificare in seguito se si è avvicinata di più la persona o il modello.

L'IA generativa aggiunge un livello conversazionale. McKinsey e The Business of Fashion hanno riferito in The State of Fashion 2026 che oltre il 35 per cento dei dirigenti intervistati utilizza già l'IA generativa in ambiti come servizio clienti, creazione di immagini, copywriting e scoperta dei prodotti. Nel merchandising, l'impiego equivalente consiste nel porre domande a un sistema di pianificazione in linguaggio naturale e ottenere una sintesi, il che è utile ma affidabile solo quanto i dati sottostanti e i controlli che li circondano.

Quali sono i limiti e i rischi?

1. Nuovi prodotti senza storico. Le previsioni per modelli realmente nuovi si basano su prodotti e attributi simili del passato, e l'errore è più elevato rispetto agli articoli continuativi.
2. Distorsione verso il passato. I modelli addestrati sullo storico premiano ciò che ha venduto in precedenza e possono sottoinvestire in nuove direzioni, a meno che i merchandiser non le testino deliberatamente.
3. Vendite perse nascoste. Se le rotture di stock non vengono modellizzate, le taglie esaurite sembrano articoli poco venduti e l'errore si ripete ogni stagione.
4. Raccomandazioni a scatola nera. I planner ignorano i numeri che non riescono a spiegare; la trasparenza sui fattori determinanti è un requisito pratico.
5. Costi e impegno di cambiamento. Integrazione, pulizia dei dati e cambiamento dei processi richiedono di solito più tempo dello sviluppo del modello stesso.

Leggi anche

Il vocabolario dell'IA che ogni buyer di moda dovrebbe conoscere

Come dovrebbe iniziare un'azienda di moda?

Iniziare da una decisione in cui il ritorno è misurabile e i dati esistono già, tipicamente il riassortimento degli articoli continuativi, le curve taglie o i ribassi in stagione. Definire una baseline (errore di previsione attuale, sell-through, tasso di ribasso), utilizzare il modello in parallelo al processo esistente per una stagione e confrontare. Solo allora estendere a problemi più difficili come la previsione per nuovi modelli e la pianificazione delle collezioni.

La responsabilità dovrebbe spettare al merchandising, non solo all'IT. I team che ne traggono maggior beneficio trattano il modello come un collega il cui lavoro viene rivisto ogni settimana, con regole chiare su quando accettare, adattare o respingere le sue raccomandazioni.

Domande frequenti

Che cos'è il merchandising basato sull'IA nella moda?

È l'utilizzo di modelli di previsione e ottimizzazione per supportare le decisioni su assortimento, quantità di acquisto, curve taglie, allocazione e pricing. I modelli lavorano a livello di modello, colore, taglia e punto vendita e producono raccomandazioni che i merchandiser rivedono e adattano.

L'IA sostituirà buyer e merchandiser della moda?

Le implementazioni attuali li supportano anziché sostituirli. L'IA automatizza calcoli e analisi, mentre le decisioni su direzione del brand, scommesse di tendenza e rapporti con i fornitori restano alle persone, che devono anche rivedere e correggere i risultati dei modelli.

Di quali dati ho bisogno prima di usare l'IA per il merchandising?

Come minimo, dati anagrafici di prodotto puliti, storico delle vendite a livello di taglia e punto vendita, storico di stock e disponibilità e storico di prezzi e ribassi. Senza lo storico dello stock un modello non può distinguere una domanda bassa da taglie esaurite.

Da quale caso d'uso di IA nel merchandising dovrebbe partire un brand?

Di solito da una decisione ripetibile con dati di buona qualità, come il riassortimento degli articoli continuativi, le curve taglie o i ribassi. Questi casi permettono di misurare facilmente i risultati rispetto a una baseline prima di affrontare la previsione per i nuovi prodotti.

GuidaLa guida completa all’IA nel merchandising e nel buying della modaLeggi la guida completa