Come migliorano meteo e segnali esterni la previsione della domanda nella moda?

I segnali esterni migliorano la pianificazione della domanda nella moda spiegando perché le vendite si discostano dal piano e correggendo le decisioni di breve periodo come allocazione, riassortimento e tempistica dei ribassi. Per le categorie stagionali il meteo è il più importante di questi segnali, perché temperature fuori stagione spostano il momento in cui i clienti acquistano. I guadagni misurati in termini di accuratezza delle previsioni sono di solito modesti, e il valore dipende dalla possibilità di spostare ancora lo stock quando arriva il segnale.

Come influisce il meteo sulle vendite di moda?

La moda si vende per stagioni, ma il meteo non segue il calendario del retail. Un autunno caldo ritarda gli acquisti di cappotti e maglieria; una primavera fredda e piovosa frena sandali e abiti. A marzo 2024 Modern Retail ha riportato che i retailer citano sempre più spesso il meteo nei loro risultati. Tra gli esempi figurano H&M, che a settembre 2023 ha attribuito a un autunno insolitamente caldo negli Stati Uniti e in Europa il ritardo nelle vendite e ha previsto un calo del 10% delle vendite di settembre; Dr Martens, che ha indicato le temperature miti negli Stati Uniti come causa delle deboli vendite di stivali; e JD Sports, che in un profit warning di gennaio 2024 ha in parte attribuito la responsabilità al clima mite.

L'allora amministratrice delegata di H&M, Helena Helmersson, ha dichiarato che il ritardo nelle vendite era più evidente nelle tipologie di prodotto autunnali più pesanti. Just Style ha riportato che Next aveva descritto una crescita delle vendite irregolare nel terzo trimestre del 2023, attribuita alla variabilità del meteo.

Il meteo è un fattore reale o una scusa comoda?

Entrambe le cose. Lo stesso articolo di Modern Retail osserva che Inditex ha registrato un aumento delle vendite del 14% nel periodo in cui H&M chiamava in causa il meteo, e cita un analista di GlobalData che definisce il meteo una scusa molto facile da tirare fuori e sostiene che le spiegazioni legate al meteo devono essere specifiche. Per i planner la questione è pratica: il meteo spiega una parte della variabilità delle vendite, e quantificare questa parte permette di distinguere gli effetti reali del meteo dai problemi di assortimento o di prezzo.

La ricerca accademica sostiene un approccio misurato. Bertrand e Brusset, in un articolo del 2014 sugli effetti del meteo sulle vendite di abbigliamento in Francia, hanno usato i dati mensili di vendita dell'Institut Français de la Mode e un indice nazionale delle temperature ponderato per popolazione. Hanno modellato le anomalie di vendita in funzione delle anomalie di temperatura, misurate come scostamenti da una normale trentennale, per stimare la sensibilità al meteo di ciascuna categoria di prodotto, canale e genere e i periodi dell'anno più esposti.

Leggi anche

Come riduce l'ottimizzazione dell'inventario con l'IA le giacenze invendute e le rotture di stock nella moda?

Quali segnali esterni si usano nella pianificazione della domanda moda?

Quanto migliorano i segnali esterni l'accuratezza delle previsioni?

Meno di quanto suggerisca talvolta il marketing dei fornitori, ma abbastanza da contare su larga scala. In una ricerca sui nuovi prodotti fast fashion basata sul dataset VISUELLE di 5.577 articoli, Skenderi e colleghi hanno rilevato che aggiungere le serie di Google Trends a un modello basato su immagini e metadati di prodotto migliorava l'errore percentuale assoluto ponderato dell'1,5%. Il meteo aggiunge di solito il massimo sugli orizzonti brevi e nelle categorie sensibili al meteo, e molto poco per i prodotti la cui domanda è guidata da trend o marketing.

Un ulteriore beneficio è indiretto. Eliminare gli effetti del meteo dalle vendite storiche offre un quadro più pulito della domanda di fondo, così che la previsione della stagione successiva non sia distorta dall'ondata di caldo o dall'estate piovosa dell'anno precedente.

Gli effetti del meteo variano anche per area geografica. Una catena con negozi in più zone climatiche può vivere un autunno mite in una regione e un'ondata di freddo anticipata in un'altra, ed è per questo che le medie nazionali nascondono gran parte del segnale. I planner che abbinano il meteo alle posizioni dei negozi e raggruppano i negozi in cluster climatici sono in una posizione migliore per vedere quali regioni sono in anticipo o in ritardo rispetto al piano stagionale e per spostare lo stock di conseguenza.

In quale fase del ciclo di pianificazione i dati meteo aiutano di più?

• Allocazione e riassortimento: spostare lo stock stagionale tra le regioni in base alle previsioni meteo a breve termine.
• Tempistica dei ribassi: rinviare uno sconto pianificato sui capispalla se è prevista un'ondata di freddo, o anticiparlo in una stagione mite.
• Merchandising in negozio e online: mettere in evidenza prodotti adatti al meteo in vetrine, homepage e campagne.
• Pulizia dello storico: correggere le vendite passate per le anomalie meteo prima di addestrare i modelli di previsione.
• Pianificazione degli acquisti: uso diretto limitato, poiché le previsioni meteo affidabili non arrivano a mesi di distanza; conta di più la flessibilità nell'acquisto.

Quali dati e capacità servono?

1. Storico meteo a livello di negozio o di codice postale, abbinato alle vendite giornaliere o settimanali.
2. Una definizione di meteo normale per ogni località, come una media di lungo periodo, per poter calcolare le anomalie.
3. Una classificazione dei prodotti che identifichi le categorie sensibili al meteo.
4. Un modello di previsione in grado di includere variabili esterne e di riportarne l'effetto misurato.
5. Processi operativi in grado di agire entro l'orizzonte della previsione, come una riallocazione settimanale.

Leggi anche

Che cos'è l'ottimizzazione delle curve taglie e come aiuta l'IA ad acquistare le taglie giuste?

Quali sono i rischi e i limiti?

I dati meteo possono generare una falsa sicurezza. Segnali correlati in una stagione possono non valere nella successiva, e modelli complessi con molte variabili esterne possono adattarsi eccessivamente allo storico. Ogni segnale va quindi testato su stagioni tenute da parte e mantenuto solo se migliora l'accuratezza al livello decisionale rilevante. Il cambiamento climatico aggiunge un ulteriore livello: con lo spostamento delle stagioni, le normali storiche diventano una guida più debole, il che suggerisce di rivedere la tempistica dei lanci stagionali e di puntare su acquisti flessibili anziché affidarsi solo alle previsioni.

C'è anche una questione di costi. I dati dettagliati su meteo e trend, e il lavoro di modellazione necessario per usarli, non sono gratuiti. Un brand dovrebbe stimare quanta parte dell'errore di previsione il segnale elimina nelle sue categorie sensibili al meteo, quanto vale quell'errore in ribassi e vendite perse, e confrontare questo valore con il costo dei dati e dell'analisi. Per alcune gamme la risposta sarà chiaramente positiva; per altre, regole stagionali più semplici potrebbero bastare.