Machine learning per merchandiser: le basi su modelli, feature e dati di addestramento

IN SINTESI Sintesi della redazione

1. Nel machine learning le feature sono le variabili di input usate da un modello, l'etichetta è il valore che il modello prevede e l'addestramento è il processo con cui si regolano i pesi del modello per ridurre lo scarto tra valori previsti e valori reali.
2. Per la previsione della domanda nella moda, le feature utili comprendono di solito prezzo e sconto, disponibilità di stock, attributi di prodotto come brand e categoria, e stagionalità.
3. Nel 2023 alcuni ricercatori di Zalando hanno riferito che un modello di deep learning per la previsione della domanda, con un orizzonte di 26 settimane e risoluzione settimanale, era in uso presso Zalando in diverse versioni dal 2019.
4. L'overfitting si verifica quando un modello apprende i dati di addestramento così da vicino da fallire sui dati nuovi: per questo i modelli vanno valutati su dati che non hanno mai visto.
5. I modelli di previsione vanno testati su periodi successivi a quelli su cui sono stati addestrati, un metodo noto come cross-validation per serie storiche o valutazione su origine di previsione mobile.

Il machine learning è un modo di costruire software che apprende schemi dai dati storici invece di seguire regole scritte a mano. Per i merchandiser l'applicazione più comune è la previsione: un modello esamina le vendite passate insieme a informazioni come prezzo, stock e attributi di prodotto e stima la domanda futura per modello, colore o taglia. Conoscere una manciata di termini (modello, feature, etichetta, dati di addestramento e validazione) basta per porre le domande giuste su qualsiasi previsione prodotta da un sistema.

Che cos'è un modello di machine learning?

Un modello è una funzione matematica che trasforma degli input in una previsione. Il Machine Learning Crash Course di Google usa come esempio di partenza la regressione lineare: una semplice equazione in cui ogni input viene moltiplicato per un peso e i risultati vengono sommati per ottenere un valore previsto. Durante l'addestramento il modello calcola i pesi e il bias che producono le previsioni migliori, riducendo la differenza tra valori previsti e valori reali.

Modelli più complessi, come i gradient-boosted tree o le reti neurali profonde, seguono lo stesso principio con molti più parametri. Possono cogliere le interazioni, per esempio il fatto che uno sconto agisce diversamente su una T-shirt basic rispetto a un abito stagionale, ma richiedono anche più dati e sono più difficili da spiegare.

La maggior parte delle applicazioni di merchandising usa l'apprendimento supervisionato, in cui il modello impara da esempi di cui è nota la risposta corretta, come le settimane passate con vendite registrate. Esistono altri approcci: il clustering raggruppa negozi o clienti simili senza etichette predefinite, il che può supportare la pianificazione dell'assortimento, e i modelli di raccomandazione apprendono quali prodotti tendono a essere acquistati insieme. Qualunque sia il metodo, è la conoscenza del business da parte del merchandiser a dare significato agli input, per esempio sapere che una settimana di vendite basse è stata causata da una consegna in ritardo e non da una domanda debole.

Che cosa sono feature ed etichette?

Nella terminologia di Google, una feature è una variabile di input usata per fare una previsione e l'etichetta (label) è il valore che il modello prevede. Nel merchandising l'etichetta è di solito il numero di unità vendute o la domanda in una determinata settimana, negozio o canale. Le feature sono tutto ciò che potrebbe spiegarla. La tabella mostra esempi tipici.

Leggi anche

Usare l'IA nella pianificazione dell'assortimento senza perdere il brand

Come usano il machine learning per le previsioni i retailer della moda?

Un esempio ben documentato viene da Zalando. In un articolo del 2023, alcuni ricercatori di Zalando hanno descritto un modello di deep learning che prevede la domanda con 26 settimane di anticipo a risoluzione settimanale e che, secondo l'articolo, è in uso presso Zalando in diverse versioni dal 2019. Tra i suoi input figurano sconti, prezzo di vendita consigliato, livelli di stock, vendite storiche, brand e gruppo merceologico, oltre a una codifica del ciclo stagionale annuale. Gli autori indicano le difficoltà che rendono complessa la previsione nella moda: grandi volumi di dati, domanda irregolare, elevato ricambio del catalogo e la necessità di modellare con cura come il prezzo influisce sulla domanda.

La lezione per i merchandiser è che il modello è solo una parte del lavoro. La maggior parte dello sforzo va nel decidere quali feature includere, nel ripulirle e nell'assicurarsi che il rapporto tra prezzo, stock e domanda sia rappresentato correttamente.

Che cosa sono i dati di addestramento e perché determinano la qualità?

I dati di addestramento sono lo storico da cui il modello apprende. La loro qualità fissa il limite massimo della qualità delle previsioni. Nella moda i problemi tipici sono tre:

• Domanda censurata: quando una taglia va esaurita, le vendite registrate sottostimano la domanda reale. Senza dati di stock il modello impara che l'articolo era meno richiesto di quanto fosse in realtà.
• Storici brevi: la maggior parte dei modelli vive per una sola stagione, quindi il modello deve imparare da prodotti simili tramite i loro attributi anziché dal passato dell'articolo stesso.
• Condizioni che cambiano: stagioni anomale, nuovi canali o un cambio di strategia di prezzo rendono il passato una guida meno affidabile per il futuro.

Che cos'è l'overfitting e come si testano i modelli?

Google descrive l'overfitting come la situazione in cui un modello apprende i dati di addestramento così da vicino da non riuscire a fare previsioni corrette sui dati nuovi: funziona in laboratorio ma non nel mondo reale. La difesa consiste nel tenere da parte una porzione di dati. I modelli vengono addestrati su una parte dei dati, messi a punto su un set di validazione e giudicati su un set di test che non hanno mai visto.

Per le previsioni, la suddivisione deve rispettare la sequenza temporale. Il manuale di Hyndman e Athanasopoulos Forecasting: Principles and Practice descrive la cross-validation per serie storiche, detta anche valutazione su origine di previsione mobile: ogni test usa solo osservazioni precedenti e l'accuratezza viene mediata su molti test di questo tipo. In pratica, un merchandiser dovrebbe chiedere di vedere come si sarebbe comportato un modello sulla scorsa stagione, con previsioni basate sui dati disponibili prima dell'inizio di quella stagione.

Leggi anche

IA per merchandiser e planner: una guida pratica

Come dovrebbero lavorare i merchandiser con i modelli di machine learning?

1. Concordare l'etichetta: che cosa si prevede esattamente, a quale livello (modello, colore, taglia, negozio) e con quale orizzonte.
2. Verificare le feature: assicurarsi che prezzi, promozioni, stock e attributi siano registrati in modo coerente.
3. Pretendere un confronto equo: confrontare il modello con il metodo esistente sugli stessi periodi non visti.
4. Mantenere il giudizio umano nel processo: i modelli non sanno di una nuova campagna o di un ritardo di un fornitore se nessuno glielo comunica.
5. Monitorare dopo il lancio: l'accuratezza si deteriora man mano che assortimenti e clienti cambiano, quindi i modelli vanno rivisti e riaddestrati con regolarità.

Domande frequenti

Qual è la differenza tra una feature e un'etichetta nel machine learning?

Una feature è una variabile di input che il modello usa per fare una previsione, come prezzo, sconto o categoria di prodotto. L'etichetta è il valore che il modello prevede, come le unità vendute in una determinata settimana. L'addestramento regola il modello in modo che le etichette previste corrispondano il più possibile a quelle reali.

Di quanti dati c'è bisogno per una previsione della domanda nella moda?

Non esiste una quantità fissa, ma il modello ha bisogno di uno storico coerente di vendite, prezzi, stock e attributi su diverse stagioni. Poiché la maggior parte dei modelli di moda ha vita breve, l'ampiezza e la qualità degli attributi di prodotto contano spesso più della lunghezza dello storico di un singolo articolo.

Che cos'è l'overfitting, in parole semplici?

L'overfitting si verifica quando un modello memorizza i dati di addestramento invece di apprendere schemi generali, per cui funziona bene sul passato ma male sui dati nuovi. Si individua testando il modello su dati che non ha visto durante l'addestramento.

Come faccio a sapere se una previsione dell'IA è migliore della nostra pianificazione attuale?

Confrontare entrambi i metodi sugli stessi periodi passati che il modello non ha visto durante l'addestramento, usando previsioni basate solo sui dati disponibili in quel momento. Questo approccio, noto come cross-validation per serie storiche, offre un confronto equo dell'accuratezza prima di usare il modello per le decisioni di acquisto.

GuidaLa guida completa all’IA nel merchandising e nel buying della modaLeggi la guida completa