Come può l'IA supportare la pianificazione di collezione e di linea nella moda?
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.
IN SINTESI Sintesi della redazione
- 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.
- Mango (2025) e Marks & Spencer (2024) hanno entrambi annunciato programmi di pianificazione integrata che coprono la pianificazione dell'assortimento o della collezione accanto alla pianificazione finanziaria e della domanda.
- I modelli apprendono dalle collezioni passate e tendono quindi a privilegiare ciò che ha già funzionato; uno spazio deliberato per nuove direzioni deve essere definito dalle persone.
L'IA può supportare la pianificazione di collezione e di linea stimando la domanda per ogni modello proposto, compresi quelli nuovi senza storico delle vendite, e consentendo ai planner di confrontare rapidamente strutture di collezione alternative rispetto agli obiettivi finanziari. Funziona al meglio come partner analitico nella revisione della collezione: segnala sovrapposizioni, lacune e opzioni con profondità eccessiva, mentre designer e merchandiser decidono la direzione creativa.
Che cos'è la pianificazione di collezione nella moda?
La pianificazione di collezione (spesso chiamata line planning presso i brand e pianificazione dell'assortimento presso i retailer) è il momento in cui un piano finanziario diventa una collezione. I planner decidono quante opzioni deve avere ciascuna categoria, come si distribuiscono tra le fasce di prezzo, quanta parte è nuova rispetto ai continuativi, quali colori vengono offerti e con quale profondità viene acquistata ciascuna opzione. Il risultato è un piano di collezione o una line sheet che guida design, sourcing e acquisti.
La difficoltà è che la maggior parte di queste scelte viene fatta mesi prima della stagione, per prodotti che spesso non esistono ancora. La pianificazione tradizionale si basa sui risultati della stagione precedente, sulle revisioni di categoria e sull'esperienza, di solito in grandi fogli di calcolo difficili da aggiornare quando il piano cambia.
Poiché le decisioni sulla collezione fissano il quadro per ogni fase successiva, gli errori in questa fase sono costosi: un'opzione che non avrebbe mai dovuto far parte della collezione consuma tempo di design, costi di campionatura, quantità minime d'ordine e spazio nei negozi, e di solito finisce in saldo.
In quali fasi della pianificazione di collezione può aiutare l'IA?
| Fase di pianificazione | Contributo dell'IA | Ruolo umano |
|---|---|---|
| Categorie e numero di opzioni | Proietta le vendite per categoria a partire da storico e tendenze; testa scenari | Definisce strategia, posizionamento del brand e obiettivi |
| Architettura dei prezzi | Analizza sell-through e sensibilità al prezzo per fascia di prezzo | Decide il posizionamento di prezzo rispetto ai concorrenti |
| Previsione dei nuovi modelli | Stima la domanda a partire da attributi, immagini e articoli simili del passato | Giudica qualità del design e rilevanza rispetto alle tendenze |
| Sovrapposizioni e lacune della collezione | Individua opzioni simili in competizione per la stessa domanda; segnala spazi scoperti | Decide quali eliminare o sviluppare |
| Profondità e quantità di acquisto | Converte le previsioni in profondità di acquisto per opzione e taglia | Approva il livello di rischio per opzione |
| Localizzazione | Suggerisce quali opzioni si adattano a quali cluster di negozi o mercati | Bilancia adeguatezza locale e complessità |
Come prevede l'IA i nuovi modelli senza storico?
L'approccio più diffuso consiste nel descrivere ogni nuovo modello tramite attributi (categoria, silhouette, colore, tessuto, prezzo) e, sempre più spesso, tramite la sua immagine, per poi trovare prodotti passati con caratteristiche simili e apprendere come hanno venduto. Si possono aggiungere segnali esterni. Uno studio pubblicato sul Journal of Forecasting ha utilizzato il dataset VISUELLE, che contiene 5.577 nuovi prodotti venduti tra il 2016 e il 2019 dall'azienda italiana di fast fashion Nunalie, con immagini, metadati e vendite. Gli autori hanno combinato immagini e attributi dei prodotti con dati di Google Trends e hanno rilevato che il segnale di tendenza esterno migliorava l'accuratezza delle previsioni rispetto alla sua esclusione.
I miglioramenti ottenuti in queste ricerche sono reali ma modesti, e l'errore di previsione per i nuovi articoli resta molto più elevato rispetto ai basici continuativi. Per questo gli strumenti di IA per la pianificazione di collezione sono più utili per classificare le opzioni e dimensionarne la profondità (quali opzioni meritano un acquisto più profondo, quali vanno testate con poca profondità) che per produrre un unico numero affidabile per modello.
Quali aziende stanno investendo nella pianificazione di collezione con l'IA?
Gli esempi pubblicati riguardano per lo più grandi retailer che sostituiscono strumenti di pianificazione più datati. 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 integrata basata sull'IA, con l'obiettivo di sostituire sistemi frammentati e obsoleti. Mango aveva già descritto un programma di IA più ampio: Glossy ha riferito nel 2024 che l'azienda gestiva 15 piattaforme di IA, tra cui strumenti per il pricing e una piattaforma di IA generativa per i team di design e prodotto.
Nel gennaio 2024 Marks & Spencer ha annunciato un programma triennale per la sua divisione abbigliamento e casa, a partire da pianificazione del merchandise, vendite, stock e ingressi merce e pianificazione delle collezioni, seguite da previsione e riassortimento. L'azienda ha affermato che una piattaforma end-to-end le avrebbe consentito di utilizzare meglio dati e IA per orientare le decisioni.
Di quali dati c'è bisogno?
- Attributi di prodotto strutturati per i modelli passati e pianificati, compilati in modo coerente (un attributo vago come «casual» è molto meno utile di silhouette, tessuto e vestibilità).
- Immagini di prodotto collegate all'anagrafica articoli, se si utilizza la somiglianza basata sulle immagini.
- Storico di vendite, stock e ribassi per opzione, affinché il modello apprenda le performance a prezzo pieno e non solo le unità.
- Il piano finanziario per categoria e periodo, per mantenere la collezione coerente con i budget.
- Segnali esterni ove disponibili, come le tendenze di ricerca, utilizzati con cautela e testati per il loro reale valore predittivo.
Quali sono i rischi dell'IA nella pianificazione di collezione?
- Omologazione: i modelli premiano i modelli simili ai successi del passato. Senza uno spazio deliberato per la novità, le collezioni possono scivolare verso una zona centrale sicura.
- Falsa precisione: una previsione all'unità per un nuovo modello suggerisce una certezza che non esiste; intervalli e livelli di confidenza sono più onesti.
- Bias ereditati dai dati: le opzioni acquistate in quantità insufficiente o esposte male appaiono deboli nello storico e vengono di nuovo eliminate.
- Adeguatezza al processo: le revisioni della collezione coinvolgono design, merchandising e vendite; uno strumento utilizzato da un solo team raramente cambia le decisioni.
Come dovrebbe introdurre un team l'IA nella pianificazione di collezione?
Iniziare analizzando le ultime due o tre stagioni: quali opzioni erano ridondanti, quali fasce di prezzo hanno avuto risultati inferiori, dove la profondità è stata valutata male. Usare questa analisi per costruire fiducia nei dati. Poi utilizzare il modello nella revisione della collezione di una categoria come secondo parere, documentando i punti di disaccordo dei planner e verificando a fine stagione chi si è avvicinato di più. Nel tempo il modello può farsi carico di una parte maggiore dei calcoli, mentre la revisione della collezione si concentra su direzione del brand e propensione al rischio.
L'obiettivo è un piano di collezione più rapido da costruire, più facile da modificare ed esplicito sul rischio, non un piano scritto da un algoritmo.
Domande frequenti
Qual è la differenza tra pianificazione di collezione e pianificazione dell'assortimento?
I termini si sovrappongono. La pianificazione di collezione o di linea descrive di solito la costruzione della struttura della collezione presso un brand, mentre la pianificazione dell'assortimento indica spesso la decisione su quali prodotti destinare a quali negozi o canali presso un retailer. Entrambe decidono ampiezza, architettura dei prezzi e profondità.
L'IA può prevedere quali nuovi modelli di moda venderanno?
Può stimare la domanda per i nuovi modelli a partire da attributi, immagini e articoli simili del passato, e la ricerca mostra che segnali esterni come le tendenze di ricerca possono migliorare l'accuratezza. L'errore resta elevato, per cui le previsioni sono più utili per classificare le opzioni e definirne la profondità.
L'IA rende le collezioni di moda più simili tra loro?
Può farlo, perché i modelli apprendono dai successi del passato. I team contrastano questo effetto riservando una parte della collezione e del budget a test e nuove direzioni valutati dalle persone.
Che cos'è un line plan nella moda?
Un line plan è lo schema strutturato di una collezione: numero di modelli per categoria, fasce di prezzo, colori, uscite di consegna e quantità pianificate. Collega il piano finanziario al design e al sourcing.
Un'edizione ogni giorno feriale. Si legge in cinque minuti. Gratuita per i professionisti del settore.
FONTI
- arXiv: Well Googled is Half Done: Multimodal Forecasting of New Fashion Product Sales with Image-based Google Trends
- Retail TouchPoints: Mango Ramps Up Data-Driven Planning for Global Operations
- Glossy: How AI is fueling Mango's $3.4 billion business
- Just Style: M&S to digitally transform clothing and home end-to-end planning system
