Come può l'IA migliorare l'open-to-buy e la pianificazione del budget di merchandise?
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.
IN SINTESI Sintesi della redazione
- 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.
- Nel marzo 2025 Mango ha annunciato che avrebbe modernizzato la pianificazione finanziaria del merchandise insieme alla pianificazione dell'assortimento e della domanda su una piattaforma integrata basata sull'IA.
- L'OTB resta uno strumento di controllo gestionale: l'IA può raccomandare dove liberare o trattenere budget, ma finanza e merchandising devono concordare gli obiettivi e le regole per derogarvi.
L'IA può migliorare l'open-to-buy prevedendo in modo più accurato e aggiornando più spesso gli input del calcolo (vendite, ribassi e stock), così che il budget che i buyer possono ancora spendere rifletta la stagione così come si sta svolgendo e non il piano elaborato mesi prima. La logica dell'OTB resta semplice; ciò che cambia è la qualità e la tempestività dei numeri che la alimentano.
Che cos'è l'open-to-buy?
L'open-to-buy è uno strumento di controllo del budget utilizzato negli acquisti retail e wholesale. Shopify lo definisce come «il valore dell'inventario che un retailer può acquistare in un determinato periodo continuando a rispettare i propri obiettivi di vendita e di stock» e fornisce la formula:
OTB = (vendite pianificate + ribassi pianificati + inventario pianificato di fine mese) meno inventario pianificato di inizio mese
In pratica le aziende sottraggono anche lo stock già in ordine per il periodo, così che l'OTB mostri il budget effettivamente ancora disponibile. Viene di solito calcolato al valore di vendita o al costo, per categoria e mese, e si colloca all'interno della pianificazione finanziaria del merchandise (MFP), il processo che fissa gli obiettivi di vendita, margine e stock per la stagione.
Perché la pianificazione tradizionale dell'OTB è difficile nella moda?
- La maggior parte del budget viene impegnata presto, prima che esistano dati di vendita della stagione.
- I piani vengono costruiti dall'alto verso il basso in fogli di calcolo e raramente vengono riprevisti nel dettaglio una volta iniziata la stagione.
- I piani di ribasso sono spesso ottimistici, per cui l'OTB sembra più ampio di quanto non sia in realtà.
- I piani per categoria, canale e wholesale vengono gestiti separatamente e si allontanano tra loro.
- Quando le vendite superano le attese, i buyer non dispongono di una visione rapida e affidabile di quanto budget aggiuntivo possa essere liberato in sicurezza per i re-order.
Il risultato è uno schema ben noto. In una stagione forte, i buyer esauriscono il budget proprio quando si presentano opportunità di re-order, perché l'OTB riflette ancora il piano originale. In una stagione debole, lo stock si accumula, i ribassi superano il piano e l'OTB resta aperto sulla carta anche se l'azienda ha già eccedenze di stock. Entrambi gli errori hanno la stessa causa: input che non vengono aggiornati alla velocità con cui cambia la stagione.
Dove aggiunge valore l'IA nell'OTB e nella pianificazione del budget?
| Input dell'OTB | Approccio tradizionale | Contributo dell'IA |
|---|---|---|
| Vendite pianificate | Anno precedente più una percentuale di crescita | Previsione bottom-up a partire da dati di prodotto, negozio e canale, aggiornata in stagione |
| Ribassi pianificati | Tasso storico di ribasso per categoria | Modelli di risposta al prezzo che prevedono il fabbisogno di ribassi a partire da stock e sell-through attuali |
| Inventario di fine periodo | Obiettivi fissi di settimane di copertura | Obiettivi collegati alla domanda prevista e al livello di servizio |
| In ordine | Monitoraggio manuale degli ordini di acquisto aperti | Riconciliazione automatica con le conferme dei fornitori e i ritardi di consegna |
| Rilascio del budget | Riunioni di revisione periodiche | Allerte quando il sell-through si discosta dal piano, con proposte di riallocazione |
La voce dei ribassi merita attenzione. Il lavoro pubblicato da Zalando sulla previsione modellizza la risposta della domanda agli sconti e descrive il pricing come una leva fondamentale per ridurre il rischio di eccedenze di stock a fine stagione. Quando i ribassi vengono previsti a partire da stock e sell-through attuali anziché ipotizzati come percentuale fissa, l'OTB smette di sovrastimare il budget disponibile in una stagione lenta.
Quali retailer stanno modernizzando la pianificazione finanziaria con l'IA?
La pianificazione finanziaria del merchandise fa sempre più parte di programmi di pianificazione integrata. Nel marzo 2025 Mango ha annunciato che avrebbe modernizzato la pianificazione finanziaria del merchandise, la pianificazione dell'assortimento e la pianificazione della domanda su una piattaforma integrata, basata sull'IA e guidata dai dati, sostituendo sistemi frammentati. Nel gennaio 2024 Marks & Spencer ha annunciato un programma triennale per abbigliamento e casa a partire da pianificazione del merchandise, vendite, stock e ingressi merce e pianificazione delle collezioni. Il filo conduttore è collegare il piano finanziario alle previsioni a livello di prodotto, affinché le modifiche a un livello si riflettano sull'altro.
Come funziona in pratica un processo di OTB assistito dall'IA?
- Definire il quadro: finanza e merchandising concordano gli obiettivi stagionali di vendite, margine e stock per categoria e canale.
- Costruire previsioni bottom-up: i modelli prevedono vendite e ribassi per i prodotti pianificati ed esistenti.
- Riconciliare: i planner confrontano gli obiettivi top-down con le previsioni bottom-up e risolvono esplicitamente gli scostamenti.
- Calcolare l'OTB: per categoria e mese, al netto dello stock in ordine.
- Riprevedere in stagione: aggiornamenti settimanali delle previsioni di vendite e ribassi adeguano l'OTB e attivano allerte.
- Liberare o trattenere budget: i buyer utilizzano l'OTB aggiornato per re-order, nuove uscite o cancellazioni, nel rispetto delle regole di approvazione concordate.
La fase di riconciliazione è quella in cui risiede gran parte del valore. Una previsione bottom-up che si discosta nettamente dall'obiettivo top-down non è un errore da nascondere; è un'informazione. O l'obiettivo richiede un piano credibile per colmare il divario (più opzioni, acquisti più profondi, una spinta di marketing) oppure l'obiettivo va cambiato. Rendere visibili presto questi scostamenti è più utile di qualsiasi singolo dato previsionale.
L'IA generativa inizia a comparire come interfaccia su questo processo, ad esempio per rispondere a domande come quali categorie sono sopra il piano, o per redigere la sintesi settimanale dell'andamento commerciale. 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, copywriting e scoperta dei prodotti. Nella pianificazione del budget, questi strumenti sono affidabili solo quanto i numeri e le definizioni su cui si basano.
A che cosa dovrebbero prestare attenzione finanza e merchandising?
- Definizioni coerenti: valore di vendita rispetto al costo, vendite lorde rispetto a vendite nette e trattamento dei resi devono coincidere tra i sistemi.
- Tempistiche del wholesale: per i brand, i pre-order wholesale arrivano a blocchi e vengono poi in parte cancellati; l'OTB per il retail diretto e per la fornitura wholesale richiede logiche distinte.
- Distorsione delle previsioni: se le previsioni sono sistematicamente ottimistiche, l'IA renderà l'OTB più rapido ma non più accurato; occorre monitorare la distorsione, non solo l'errore.
- Spiegabilità: i buyer non si fideranno di un valore di budget che non possono ricondurre ai suoi fattori determinanti.
Si può iniziare automatizzando la riprevisione settimanale dell'OTB di una categoria, in parallelo al piano esistente, e confrontando i risultati a fine stagione. L'obiettivo non è un budget fissato da una macchina, ma un budget che rifletta la realtà abbastanza presto da consentire ai buyer di agire.
Domande frequenti
Qual è la formula dell'open-to-buy?
Una versione diffusa è: vendite pianificate più ribassi pianificati più inventario pianificato di fine periodo, meno inventario pianificato di inizio periodo. Molte aziende sottraggono anche lo stock già in ordine per mostrare il budget ancora disponibile.
Come aiuta l'IA con l'open-to-buy?
L'IA migliora gli input dell'OTB prevedendo vendite e ribassi a livello di prodotto e aggiornandoli durante la stagione. Ciò rende il budget residuo più realistico e segnala quando liberare o trattenere la spesa.
Che cos'è la pianificazione finanziaria del merchandise?
La pianificazione finanziaria del merchandise fissa gli obiettivi di vendite, margine e inventario per categoria, canale e periodo. L'open-to-buy ne deriva e controlla quanto i buyer possono ancora impegnare.
L'open-to-buy va calcolato al costo o al valore di vendita?
Si usano entrambi. I retailer pianificano spesso al valore di vendita per allinearsi agli obiettivi di vendita, mentre la finanza può monitorare il valore al costo per liquidità e margine. L'importante è utilizzare una sola definizione in modo coerente in tutti i piani e i sistemi.
Un'edizione ogni giorno feriale. Si legge in cinque minuti. Gratuita per i professionisti del settore.
FONTI
- Shopify: Open to Buy: Definition, Formula, and Plan Guide
- Retail TouchPoints: Mango Ramps Up Data-Driven Planning for Global Operations
- Just Style: M&S to digitally transform clothing and home end-to-end planning system
- arXiv: Deep Learning based Forecasting: a case study from the online fashion industry (Zalando)
- McKinsey & Company: The State of Fashion 2026