Come funzionano la previsione dei re-order con l'IA e il riassortimento automatico per i retailer?
I re-order riguardano modelli che hanno già dato prova di sé. L'IA può suggerirli o attivarli prima che un partner retail resti senza merce, a condizione che i dati di sell-out e di stock vengano condivisi.
IN SINTESI Sintesi della redazione
- La previsione dei re-order con l'IA stima quali modelli, colori e taglie un partner retail dovrà riordinare, e quando, sulla base di sell-out, stock e storico ordini.
- I re-order riguardano prodotti con una domanda dimostrata, il che li rende meno rischiosi dei pre-order e un primo caso d'uso naturale per le previsioni nel wholesale.
- Il riassortimento automatico va dai suggerimenti che un buyer approva fino agli ordini completamente automatici entro livelli minimi e massimi di stock concordati.
- L'input decisivo sono i dati del retailer: i messaggi GS1 EANCOM come SLSRPT (dati di vendita) e INVRPT (inventario, compresi i punti di riordino) sono uno dei modi consolidati per scambiarli.
- McKinsey ha riferito che le previsioni basate sull'IA nelle supply chain possono ridurre gli errori di previsione dal 20 al 50 percento, ma i risultati dipendono fortemente dalla qualità dei dati e dal tipo di assortimento.
La previsione dei re-order con l'IA utilizza lo storico di vendite, stock e ordini di un partner retail per stimare quali prodotti dovrà riordinare, in quali taglie e colori, e quando. Il riassortimento automatico fa un passo in più e trasforma queste stime in ordini suggeriti o automatici, entro regole concordate da entrambe le parti. Insieme mirano a mantenere disponibili i prodotti di successo senza sovraccaricare il retailer.
Perché il re-order è un'opportunità a sé nel wholesale della moda?
I pre-order vengono effettuati con mesi di anticipo, sulla base di campionari e aspettative. I re-order avvengono in stagione, per modelli che i clienti stanno già acquistando. La domanda è dimostrata anziché ipotizzata, il che riduce il rischio commerciale sia per il brand sia per il retailer. Eppure i re-order sono spesso gestiti in modo reattivo: un buyer nota una taglia esaurita, scrive all'agente e il brand verifica la disponibilità. A quel punto le settimane di vendita migliori potrebbero essere già passate.
Le linee continuative e never-out-of-stock, come basic, vestibilità denim o colori core, rappresentano il caso più evidente. I loro andamenti della domanda sono abbastanza stabili da poter essere modellati, e una rottura di stock costa vendite a prezzo pieno che raramente si recuperano.
L'opportunità è condivisa. Per il retailer, re-order tempestivi proteggono le vendite a prezzo pieno degli articoli che i clienti richiedono attivamente ed evitano di immobilizzare il budget in modelli a rotazione più lenta. Per il brand, i re-order su prodotti di successo comportano un rischio di produzione e di ribasso inferiore rispetto ai pre-order speculativi. Quando i re-order vengono mancati perdono entrambi, e la perdita raramente emerge nei report, perché una vendita mai avvenuta non lascia traccia.
Previsione dei re-order e riassortimento automatico sono spesso usati come sinonimi, ma descrivono livelli diversi di automazione. La previsione dei re-order è analitica: stima quali prodotti un partner probabilmente richiederà e quando, e lo presenta come segnale a un agente o a un buyer. Il riassortimento automatico è operativo: trasforma la stima in una proposta d'ordine o in un ordine rilasciato, applicando regole di stock minimo e massimo concordate con il retailer. Molti brand utilizzano la previsione per i modelli stagionali e il riassortimento solo per le linee continuative, dove la domanda è più stabile e l'accordo con il retailer è più chiaro.
Come funziona il riassortimento automatico per i partner retail?
- Il retailer condivide i dati di vendita e di stock per negozio o canale, a livello di modello, colore e taglia, con una frequenza concordata.
- Un modello previsionale stima le vendite attese nel lead time di riassortimento, tenendo conto di stagionalità, trend, promozioni e sell-through recente.
- Il sistema confronta le vendite attese con lo stock attuale e in arrivo, utilizzando livelli target, minimi e massimi concordati per ciascun negozio.
- Genera una proposta di re-order, che un buyer o un agente esamina oppure che viene rilasciata automaticamente entro i limiti concordati.
- Le vendite effettive vengono confrontate con la previsione e parametri come lo stock di sicurezza vengono adeguati nel tempo.
Di quali dati ha bisogno la previsione dei re-order?
| Dato | Fonte | Perché è importante |
|---|---|---|
| Vendite per negozio, prodotto e taglia | POS o e-commerce del retailer, per esempio tramite un report dei dati di vendita | Segnale principale della domanda |
| Stock disponibile e in transito | Sistemi di inventario del retailer, per esempio tramite un report di inventario | Determina il fabbisogno effettivo |
| Stock target, minimo e massimo | Accordo tra brand e retailer | Fissa i limiti per gli ordini automatici |
| Storico ordini e consegne | ERP o sistema di gestione ordini del brand | Mostra i lead time e il comportamento di riordino passato |
| Disponibilità del brand | Magazzino e piano di produzione del brand | Evita proposte che non possono essere evase |
| Attributi e ciclo di vita del prodotto | Anagrafica prodotto | Distingue i modelli continuativi da quelli stagionali |
I formati standard aiutano. Lo standard EANCOM di GS1 definisce un report dei dati di vendita (SLSRPT) per lo scambio dei dati di vendita di base per punto vendita, periodo, prodotto, prezzo e quantità, e un report di inventario (INVRPT) che può riportare i livelli di stock oltre a target, minimi, massimi e punti di riordino. I retailer privi di interscambio elettronico dei dati possono condividere esportazioni o concedere l'accesso a un portale, ma il formato deve essere coerente perché un modello possa utilizzarlo.
Quali metodi di IA si usano per la previsione dei re-order?
La maggior parte dei sistemi combina diverse tecniche. I modelli di serie storiche colgono stagionalità e trend degli articoli continuativi stabili. I modelli di machine learning, come i gradient-boosted trees, aggiungono fattori esplicativi, per esempio variazioni di prezzo, meteo, tipologia di negozio o attività di marketing. I modelli di curva taglie distribuiscono la quantità prevista di un modello tra le taglie per ciascun negozio, aspetto importante perché le rotture di stock a livello di taglia sono il motivo più frequente per cui un modello smette di vendere mentre la merce è disponibile altrove.
Per la moda stagionale con storici brevi, i modelli attingono informazioni da prodotti simili, utilizzando attributi come categoria, tessuto, fascia di prezzo e famiglia di colore. Queste stime sono meno affidabili, per cui molti brand limitano il riassortimento automatico alle linee continuative e mantengono la modalità di suggerimento per i modelli stagionali.
Quali risultati possono realisticamente attendersi i brand?
Le evidenze pubblicate specifiche per il wholesale della moda sono limitate, e i dati dei fornitori di software sono raramente verificati in modo indipendente. A livello intersettoriale, McKinsey ha riferito che l'applicazione di previsioni basate sull'IA alla gestione della supply chain può ridurre gli errori tra il 20 e il 50 percento, il che può tradursi in una riduzione delle vendite perse e dell'indisponibilità dei prodotti fino al 65 percento. Si tratta di intervalli riferiti alle supply chain in generale, non di un benchmark per un singolo brand, e presuppongono dati utilizzabili.
Quali sono i rischi e i limiti?
- Dati incompleti: se solo alcuni negozi condividono i dati, o se la condivisione è irregolare, le previsioni risulteranno distorte.
- Sovraccarico di stock per il partner: un riassortimento che ottimizza il sell-in del brand a spese del retailer compromette la fiducia e porta a resi o ribassi.
- Conflitti di allocazione: quando la merce scarseggia, le regole su quale partner la riceve devono essere trasparenti e concordate.
- Volatilità stagionale: i modelli legati ai trend possono comportarsi diversamente rispetto al loro storico, cosa che i modelli previsionali non sono in grado di anticipare.
- Timori sull'uso dei dati: i retailer devono avere la certezza che i loro dati di vendita siano utilizzati per il riassortimento e non per indebolire la loro posizione.
Come dovrebbe iniziare un brand con la previsione dei re-order basata sull'IA?
Scegliere una linea continuativa e un piccolo gruppo di partner che già condividono dati di vendita e di stock. Concordare livelli di stock target per negozio, far funzionare il modello in modalità di suggerimento accanto ai processi esistenti e misurare disponibilità, sell-through e livelli di stock rispetto alla stagione precedente. Estendere ad altri partner e al rilascio automatico solo quando entrambe le parti vedono il beneficio nei propri numeri.
Domande frequenti
Che cos'è il riassortimento automatico nel wholesale della moda?
È un processo in cui un brand propone o effettua re-order per un partner retail sulla base dei dati di vendita e di stock del partner, entro limiti di stock concordati. È diffuso soprattutto per le linee continuative e never-out-of-stock.
Quali dati devono condividere i retailer per la previsione dei re-order con l'IA?
Come minimo, vendite e stock per negozio, modello, colore e taglia con una frequenza regolare. Messaggi standard come GS1 EANCOM SLSRPT e INVRPT possono trasportare questi dati, così come esportazioni coerenti o l'accesso a un portale.
Quanto sono accurate le previsioni della domanda con l'IA per i re-order?
L'accuratezza dipende dalla qualità dei dati e dal tipo di prodotto. McKinsey riferisce che le previsioni basate sull'IA possono ridurre gli errori di previsione nella supply chain dal 20 al 50 percento, ma la moda stagionale con storici brevi resta più difficile da prevedere rispetto agli articoli continuativi.
I re-order dovrebbero essere completamente automatici?
La maggior parte dei brand inizia con suggerimenti approvati dai buyer, per poi consentire il rilascio automatico entro livelli di stock minimi e massimi concordati quando le previsioni si sono dimostrate affidabili. Lasciare inizialmente il controllo al retailer costruisce la fiducia di cui la condivisione dei dati ha bisogno.
Un'edizione ogni giorno feriale. Si legge in cinque minuti. Gratuita per i professionisti del settore.
