Come può l'IA aiutare a decidere profondità d'acquisto e quantità di produzione nella moda?

IN SINTESI Sintesi della redazione

1. L'IA aiuta a fissare la profondità d'acquisto nella moda trasformando una previsione della domanda in un intervallo di probabilità e scegliendo la quantità che meglio bilancia il costo dello stock invenduto con il costo delle vendite perse.
2. La quantità giusta raramente coincide con la previsione media: quando i margini sono alti rispetto al costo delle rimanenze conviene acquistare sopra la mediana, e quando le rimanenze sono costose conviene acquistare sotto.
3. Dividere l'acquisto tra un impegno iniziale e un riordino successivo o una riserva trattenuta consente ai primi dati di vendita di correggere la previsione prima che tutto lo stock sia impegnato.
4. Nell'esperimento sul campo pubblicato da Zara, un sistema che aggiornava le previsioni e allocava lo stock trattenuto ha aumentato le vendite di stagione di circa il 2% e ridotto di circa il 4% le unità invendute a fine stagione.
5. Il regolamento UE sulla progettazione ecocompatibile (UE) 2024/1781 vieta alle grandi imprese la distruzione di abbigliamento, accessori di abbigliamento e calzature invenduti, il che aumenta il costo degli acquisti eccessivi.

L'IA aiuta a decidere la profondità d'acquisto convertendo una previsione della domanda in un intervallo di esiti probabili e scegliendo la quantità che meglio bilancia il costo delle rimanenze con il costo delle vendite perse. Lo fa per modello, colore e taglia, tenendo conto di lead time, quantità minime d'ordine e possibilità di riordino. I risultati migliori arrivano quando l'IA dimensiona non un solo acquisto ma una sequenza: un impegno iniziale seguito da integrazioni flessibili man mano che emerge la domanda reale.

Perché la profondità d'acquisto è così difficile nella moda?

Le quantità di produzione dei prodotti stagionali vengono spesso impegnate mesi prima della prima vendita, quando l'incertezza è massima. Troppo stock porta a ribassi, costi di magazzino e, sempre più spesso, a pressioni normative e reputazionali sulla merce invenduta. Troppo poco stock significa rotture di stock su prodotti che i clienti volevano, che per di più nascondono la domanda reale ai dati della stagione successiva. Quantità minime d'ordine, impegni sui tessuti e lead time lunghi limitano quanto queste decisioni possano essere corrette in seguito.

Come decide l'IA quanto produrre?

La logica di fondo è un classico compromesso di gestione delle scorte. Per ogni prodotto il planner si chiede: se acquisto un'unità in più, il profitto atteso dalla sua vendita è superiore alla perdita attesa se non viene venduta a prezzo pieno? L'IA migliora ciascun elemento di questo calcolo.

• Distribuzione della domanda: invece di un solo numero, il modello prevede un intervallo, ad esempio la quantità che si aspetta di vendere con una probabilità del 50%, del 70% o del 90%.
• Economia del prodotto: margine a prezzo pieno, recupero tramite ribassi, costo di mantenimento o smaltimento delle rimanenze e costo di una rottura di stock, compresa la perdita di fiducia dei clienti.
• Vincoli: quantità minime d'ordine, disponibilità di tessuto, capacità produttiva e lead time.
• Opzioni: se sono possibili un riordino, una riserva trattenuta o un ciclo di produzione successivo.

La scelta della previsione conta. Forecasting: Principles and Practice osserva che minimizzare l'errore assoluto medio produce previsioni della mediana, mentre minimizzare l'errore quadratico produce previsioni della media. Per la profondità d'acquisto nessuna delle due è automaticamente corretta: la quantità obiettivo dipende dall'economia del prodotto, quindi articoli continuativi ad alto margine possono giustificare un acquisto sopra la mediana, mentre articoli di tendenza a basso margine e con scarso valore di smaltimento possono giustificarne uno sotto.

Leggi anche

Come si usa l'IA nella supply chain della moda?

Perché l'acquisto andrebbe suddiviso in fasi?

Il miglioramento più grande deriva spesso dal non impegnare tutto in una volta. Le prime vendite sono i dati più informativi che un nuovo prodotto genera, quindi lasciare aperta una parte della quantità, come stock di magazzino non allocato, una posizione di tessuto riservata o uno slot di produzione successivo, consente di correggere la previsione prima di effettuare l'intero investimento.

Il lavoro di Zara con alcuni accademici, pubblicato su Operations Research nel 2015, illustra il principio nella fase di allocazione. Il sistema di supporto alle decisioni bilanciava spedizioni iniziali più consistenti ai negozi, che riducono le vendite perse nelle prime fasi, con la scelta di tenere stock in magazzino per riassortire dopo aver osservato le prime vendite. In un esperimento sul campo controllato con 34 articoli nella stagione 2012, ha aumentato le vendite medie totali di stagione di circa il 2% e ridotto di circa il 4% le unità invendute alla fine della stagione regolare.

Quali dati migliorano le decisioni sulla profondità d'acquisto?

1. Diverse stagioni di storico vendite, corrette per le rotture di stock, così che la domanda non venga sottostimata dove i prodotti sono andati esauriti.
2. Attributi di prodotto coerenti per abbinare i nuovi articoli ad articoli passati comparabili.
3. Curve taglie per canale, regione o cluster di negozi.
4. Segnali di domanda anticipati prima della produzione, come pre-order wholesale, feedback dagli showroom o interesse online prima del lancio.
5. Dati dei fornitori: quantità minime, lead time, capacità e costo della prenotazione di tessuti o slot di produzione.

La correzione per le rotture di stock è essenziale. I ricercatori che hanno lavorato con il retailer online Rue La La hanno prima usato il machine learning per stimare le vendite perse sugli articoli esauriti e solo dopo hanno previsto la domanda dei nuovi prodotti, come riportato da Working Knowledge della Harvard Business School. Senza questo passaggio, un modello impara che i prodotti di successo erano meno richiesti di quanto fossero, e raccomanda di nuovo un acquisto troppo ridotto.

Per i brand che vendono attraverso il wholesale, i pre-order dei partner retail sono un prezioso segnale anticipato, perché arrivano prima che la produzione sia definita. La loro utilità dipende da quanto bene, storicamente, il sell-in ha previsto il sell-out per prodotti comparabili, un aspetto che vale la pena misurare prima di farvi affidamento.

Come cambia la regolamentazione il costo degli acquisti eccessivi?

Nell'UE, il regolamento (UE) 2024/1781 sulla progettazione ecocompatibile dei prodotti sostenibili crea un quadro per impedire la distruzione dei prodotti di consumo invenduti. I suoi considerando spiegano che la distruzione di abbigliamento, accessori di abbigliamento e calzature invenduti destinati ai consumatori è vietata, che le microimprese e le piccole imprese sono esentate e che il divieto si applica alle medie imprese sei anni dopo l'entrata in vigore del regolamento. Le imprese diverse dalle microimprese e piccole imprese devono inoltre comunicare ogni anno il numero e il peso dei prodotti di consumo invenduti che scartano. L'acquisto eccessivo quindi non si conclude più con lo smaltimento: lo stock residuo deve essere venduto, donato, riutilizzato o riportato alla stagione successiva, il che ne aumenta il costo nel calcolo dell'acquisto.

Leggi anche

IA per i responsabili sourcing e supply chain nella moda

Quali sono i limiti dell'IA per le quantità di produzione?

• L'incertezza delle previsioni per i nuovi prodotti resta elevata, quindi l'IA riduce il rischio ma non lo elimina.
• Spesso prevalgono i vincoli dei fornitori: una quantità minima d'ordine può prevalere su una quantità ottimale.
• I modelli dipendono da dati di costo accurati, soprattutto sul costo reale di rimanenze e rotture di stock, che molte aziende non monitorano.
• Le raccomandazioni richiedono la revisione dei buyer per prodotti strategici, lanci e collaborazioni, dove lo storico è una guida debole.

Usata bene, l'IA trasforma la discussione sull'acquisto da un singolo numero a un insieme di scenari con rischi espliciti, rendendo visibili i compromessi tra margine, disponibilità e spreco prima che il denaro venga impegnato.

Domande frequenti

Come decidono i brand di moda quanto produrre?

I brand combinano una previsione della domanda con l'economia del prodotto, i vincoli dei fornitori e i lead time. Gli strumenti di IA prevedono un intervallo di domanda probabile e raccomandano la quantità che meglio bilancia il costo dello stock invenduto con le vendite perse, spesso suddividendo l'acquisto in un ordine iniziale e riordini successivi.

Che cos'è la profondità d'acquisto nella moda?

La profondità d'acquisto è la quantità acquistata per modello o modello-colore, a differenza dell'ampiezza d'acquisto, che è il numero di modelli diversi. Acquisti profondi si addicono ad articoli dal successo comprovato con basso rischio di rimanenze; acquisti ridotti ad articoli incerti o di tendenza, idealmente con un'opzione di riordino.

L'IA può ridurre la sovrapproduzione nella moda?

L'IA può ridurre la sovrapproduzione migliorando le previsioni della domanda, quantificando l'incertezza e supportando acquisti per fasi basati sulle prime vendite. I risultati pubblicati mostrano guadagni incrementali, come circa il 4% di unità invendute in meno nell'esperimento sul campo di Zara del 2012, più che l'eliminazione totale delle eccedenze.

Nell'UE è vietato distruggere i capi di abbigliamento invenduti?

Il regolamento (UE) 2024/1781 vieta la distruzione di abbigliamento, accessori di abbigliamento e calzature invenduti destinati ai consumatori, con l'esenzione di microimprese e piccole imprese e l'applicazione alle medie imprese sei anni dopo l'entrata in vigore. Le imprese diverse dalle microimprese e piccole imprese devono inoltre comunicare ogni anno quanti prodotti invenduti scartano.

GuidaLa guida completa all’IA nella supply chain e nella sostenibilità della modaLeggi la guida completa