L'IA può prevedere l'intero portafoglio pre-order dal primo 20 percento degli ordini?

Sì, entro certi limiti. I primi ordini raccolti in una campagna wholesale rivelano di norma molto di più sul portafoglio pre-order finale di quanto faccia un piano pre-stagionale, e i modelli di IA possono trasformare questo segnale precoce in una previsione del portafoglio complessivo a livello di modello, con un intervallo di confidenza. Il metodo esiste da decenni; ciò che l'IA aggiunge è la capacità di applicarlo contemporaneamente a migliaia di SKU, tipi di clienti e mercati, e di aggiornare la previsione ogni giorno della campagna.

Perché i primi ordini sono un segnale previsionale così forte?

Un piano pre-stagionale è un insieme di ipotesi formulate dal brand. I primi ordini sono impegni presi da buyer che conoscono i propri negozi e i propri clienti. Anche quando è stata raccolta solo una piccola parte del portafoglio finale, questi ordini mostrano su quali modelli, colori e fasce di prezzo i buyer puntano e quali invece tralasciano.

L'idea è stata formalizzata nella ricerca operativa applicata alla moda molto prima che il machine learning si diffondesse. In Making Supply Meet Demand in an Uncertain World (Harvard Business Review, 1994), Marshall Fisher, Jan Hammond, Walter Obermeyer e Ananth Raman descrissero come un produttore di abbigliamento da sci utilizzasse le prime informazioni sulla domanda per decidere cosa produrre subito e cosa rimandare. In un articolo pubblicato su Operations Research nel 1996, Fisher e Raman modellarono questo approccio di "accurate response" con la stessa azienda e riportarono aumenti di profitto di circa il 60 percento rispetto al suo modo esistente e informale di reagire alle prime vendite.

Come prevede l'IA l'intero portafoglio pre-order a partire dai primi ordini?

Il compito centrale è apprendere la relazione tra quanto era stato ordinato a un dato momento nelle campagne passate e l'aspetto finale del portafoglio. Un modello di machine learning lo fa a un livello di dettaglio superiore a quello di un planner con un foglio di calcolo e può combinare diversi segnali:

• Curve degli ordini: con quale rapidità ogni categoria, fascia di prezzo o modello continuativo si riempie tipicamente durante una campagna.
• Mix di clienti: quali retailer hanno già ordinato, poiché key account, negozi indipendenti e marketplace ordinano in momenti diversi e con profondità diverse.
• Somiglianza degli attributi: per i nuovi modelli senza storico, il modello attinge a modelli simili per tessuto, silhouette, famiglia di colore e prezzo.
• Contesto della campagna: calendari degli appuntamenti, date delle fiere e tempistiche per mercato, affinché una settimana tranquilla non venga scambiata per domanda debole.
• Andamento delle cancellazioni: quanta parte di un ordine registrato arriva storicamente fino alla spedizione.

Il risultato deve essere una previsione del portafoglio finale per modello e colore, con un intervallo, più una segnalazione per i modelli in cui il segnale precoce si discosta nettamente dal piano. McKinsey ha riportato che le previsioni basate sull'IA possono ridurre gli errori dal 20 al 50 percento negli ambiti della supply chain, e sostiene che la maggior parte delle organizzazioni dispone di dati sufficienti per trarne vantaggio, purché gestisca le lacune con attenzione. Questi dati sono generali, non specifici dei pre-order nella moda, e vanno considerati un'indicazione del potenziale piuttosto che una promessa.

Leggi anche

ROI dello showroom digitale: come costruire il business case su costi e sell-in

Di quali dati ha bisogno un modello di previsione pre-order?

La maggior parte dei brand scopre che lo storico esiste ma non è archiviato in forma utilizzabile. Le piattaforme d'ordine spesso conservano solo lo stato più recente di un ordine, perciò l'evoluzione nel corso della campagna va persa. Rimediare conservando istantanee giornaliere del portafoglio ordini è di solito il primo passo e il più economico.

Da quale momento della campagna ci si può fidare della previsione?

Non esiste una soglia universale. Il momento in cui una previsione si stabilizza dipende da quanto è concentrata la base clienti e da quanto sono prevedibili le tempistiche di ciascun cliente. Un brand il cui portafoglio è dominato da pochi grandi clienti che ordinano tardi può vedere pochi segnali finché questi clienti non si impegnano. Un brand con molti retailer indipendenti che ordinano con regolarità può ottenere un segnale utilizzabile molto prima.

L'approccio pratico è il back-testing: si ripercorrono le campagne passate, si esegue il modello come se ci si trovasse alla seconda settimana, alla terza e così via, e si misura quanto ciascuna previsione si discostava dal portafoglio finale. In questo modo il team ottiene, per la propria attività, una risposta basata su evidenze alla domanda "quanto possiamo fidarci di questo numero oggi?".

Quali decisioni deve guidare la previsione?

1. Impegni su tessuti e accessori: confermare i materiali per i modelli con forti segnali precoci e rimandare quelli in ritardo.
2. Suddivisione della produzione: impegnare una prima tranche in base alla previsione precoce e mantenere flessibile una quota di capacità per una decisione successiva, come nell'approccio di accurate response.
3. Focus commerciale: indirizzare gli agenti verso i clienti che non hanno ancora ordinato i modelli forti, oppure verso i modelli deboli che necessitano di una spinta o di una decisione di eliminazione.
4. Revisione della collezione: individuare per tempo i modelli che probabilmente non raggiungeranno i quantitativi minimi d'ordine, così da poterli cancellare o accorpare.

Quali sono i limiti e i rischi?

I primi ordini possono trarre in inganno. Un singolo grande cliente che ordina in modo consistente può far apparire un modello più forte di quanto sia sull'intero mercato. I buyer possono ordinare presto per alcune categorie e tardi per altre, e shock macroeconomici o modifiche dei dazi possono spostare le tempistiche di un'intera stagione. I modelli addestrati su anni stabili tendono a reagire troppo poco a queste rotture.

Esiste anche un rischio organizzativo. Se la previsione viene presentata come un numero unico, merchandiser e team di vendita rischiano di ignorarla oppure di seguirla ciecamente. Mostrare un intervallo, spiegare i principali fattori per modello e mantenere un passaggio decisionale umano per gli impegni importanti sono misure di salvaguardia semplici.

Leggi anche

Come possono i brand usare i dati per ridurre le cancellazioni e i tagli dei pre-order?

Vale la pena investire?

Il ritorno deriva da primi impegni migliori: meno tessuto acquistato per modelli che non si riempiono mai, meno rotture di stock sui modelli che invece si riempiono e meno cancellazioni tardive della produzione. Per la maggior parte dei brand il costo maggiore non è il modello, ma il lavoro sui dati che lo sostiene. Un percorso ragionevole è iniziare con una categoria, effettuare il back-testing su due o tre stagioni passate e solo dopo estendere la previsione all'intera collezione.