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

IN SINTESI Sintesi della redazione

1. Una curva taglie è la ripartizione percentuale di una quantità di acquisto tra le taglie; l'ottimizzazione delle curve taglie stima tale ripartizione in base alla domanda anziché all'abitudine.
2. Le vendite grezze sono una base distorta per le curve taglie, perché le taglie che si esauriscono presto smettono di registrare vendite mentre i clienti continuano a cercarle.
3. Una ricerca su un retailer di calzature ha rilevato che quasi il 25 per cento della domanda insoddisfatta a causa delle rotture di stock si è spostata sulle taglie adiacenti, e che tenerne conto potrebbe aumentare il profitto fino al 28 per cento in contesti a bassa domanda.
4. Le curve taglie dovrebbero variare in base a tipologia di prodotto, vestibilità, fascia di prezzo e punto vendita, ma i piccoli negozi raramente generano da soli dati sufficienti, per cui i modelli aggregano negozi e prodotti simili.
5. Poiché ogni taglia ha un proprio GTIN, i dati di vendita e di stock a livello di taglia possono essere rilevati in ogni canale, anche presso i partner wholesale che condividono report di sell-out.

L'ottimizzazione delle curve taglie è il processo con cui si decide come ripartire una quantità di acquisto tra le taglie, sulla base di una stima della reale domanda per ciascuna taglia anziché di un rapporto fisso ripetuto ogni stagione. L'IA aiuta apprendendo la domanda per taglia dallo storico di vendite e stock, correggendo per le taglie esaurite e producendo curve diverse per prodotti, vestibilità e punti vendita diversi.

Che cos'è una curva taglie negli acquisti moda?

Una curva taglie, talvolta chiamata profilo taglie o rapporto taglie, è la quota di ciascuna taglia in un acquisto o in un'allocazione. Una maglia da donna potrebbe essere acquistata, ad esempio, al 10 per cento in XS, 25 per cento in S, 30 per cento in M, 25 per cento in L e 10 per cento in XL (una ripartizione illustrativa, non un benchmark). Molte aziende utilizzano una curva per categoria, adattata di tanto in tanto. Il problema è che la domanda per taglia varia in base a vestibilità, elasticità del tessuto, fascia di prezzo, area geografica e negozio, e una curva unica garantisce che alcuni punti vendita esauriscano le taglie centrali mentre altri portano in saldo le taglie estreme.

Perché le vendite sono una guida inadeguata per la domanda per taglia?

Le vendite registrano la domanda solo quando lo stock è disponibile. Se la taglia M si esaurisce nella terza settimana, il sistema non mostra vendite di M per il resto della stagione, e la curva dell'anno successivo assegna meno M. Questo circolo vizioso, spesso chiamato domanda censurata, allontana silenziosamente le curve dalle taglie più vendute.

La ricerca quantifica una parte dell'effetto. Akchen e Caro, in un articolo di prossima pubblicazione su Manufacturing & Service Operations Management, hanno analizzato gli stivali da donna di un retailer di calzature e hanno rilevato che quasi il 25 per cento della domanda rimasta insoddisfatta a causa delle rotture di stock si è spostata sulle taglie adiacenti, all'incirca per metà sulla taglia superiore e per metà su quella inferiore. Le vendite registrate per le taglie vicine includono quindi clienti che desideravano un'altra taglia. Gli autori hanno rilevato che in contesti ad alto volume come l'e-commerce, pianificare le taglie senza modellizzare la sostituzione è quasi ottimale, mentre in contesti a bassa domanda come il retail fisico stagionale, un modello che tenga conto della sostituzione potrebbe migliorare i profitti fino al 28 per cento.

Leggi anche

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

Come stima l'IA la curva taglie corretta?

1. Raccogliere vendite e stock per taglia e giorno per ciascun punto vendita, affinché il modello sappia quando ogni taglia era effettivamente disponibile.
2. Stimare la domanda solo nei periodi di disponibilità, per poi dedurre quale sarebbe stata la domanda nei periodi in cui una taglia era esaurita.
3. Aggregare i dati di articoli e negozi simili, perché un singolo negozio e un singolo modello raramente vendono abbastanza unità per stimare da soli una curva affidabile.
4. Distinguere in base agli attributi rilevanti, come vestibilità (slim, regular, oversize), categoria, fascia di prezzo e area geografica.
5. Convertire le curve in decisioni di acquisto e di imballo, rispettando i rapporti degli imballi dei fornitori e le quantità minime.

Il passaggio di aggregazione merita attenzione. Uno dei primi studi pubblicati su arXiv, relativo a un discounter di moda con molte piccole filiali, sosteneva che stimare la domanda per taglia direttamente dalle vendite di ciascuna filiale è statisticamente problematico perché i volumi sono troppo ridotti. Gli autori hanno proposto una misura di quali taglie fossero costantemente le più scarse e le più abbondanti in ciascuna filiale, l'hanno utilizzata per adattare le distribuzioni per taglia degli imballi preconfezionati e hanno riportato un rendimento lordo superiore di quasi un punto percentuale nelle filiali di test rispetto a quelle di controllo.

Di quali dati c'è bisogno per le curve taglie basate sull'IA?

L'input essenziale sono vendite e stock a livello di taglia per ogni punto vendita e canale. GS1 stabilisce che ogni variante di prodotto, ossia ogni taglia, ogni colore e ogni combinazione, necessita di un proprio GTIN, per cui l'identificazione a livello di taglia è uno standard ovunque vengano scansionati codici a barre. I brand wholesale dipendono per questo dai partner: i report sulle vendite retail scambiati in formati standard, come il messaggio EDIFACT SLSRPT profilato da GS1 Austria per il settore moda, riportano le quantità vendute per GTIN, punto vendita e periodo.

• Storico di vendite e stock a livello di taglia, idealmente giornaliero, per punto vendita.
• Codifica delle taglie coerente tra stagioni e fornitori (una M in una base di vestibilità dovrebbe significare lo stesso nella successiva).
• Attributi di prodotto che influiscono sulle taglie: vestibilità, elasticità, categoria, cliente target.
• Dati sui resi per i canali online, poiché i resi per taglia rivelano problemi di vestibilità piuttosto che di domanda.

Quali sono i limiti dell'ottimizzazione delle curve taglie con l'IA?

Le curve taglie possono solo ridistribuire un acquisto fisso; non possono correggere una quantità totale sbagliata. Sono inoltre vincolate dai rapporti degli imballi dei fornitori, che possono imporre un mix standard per cartone. I negozi molto piccoli e le taglie di nicchia restano difficili da prevedere, e le ipotesi di aggregazione possono nascondere reali differenze locali. Infine, le gamme taglie estese sono spesso sottorappresentate nello storico perché erano sottodimensionate, per cui i modelli addestrati su tale storico possono perpetuare la lacuna, a meno che i buyer non testino deliberatamente serie di taglie più profonde.

Leggi anche

Il vocabolario dell'IA che ogni buyer di moda dovrebbe conoscere

Come dovrebbe iniziare un team acquisti?

Scegliere una categoria con vestibilità stabili e dati di buona qualità, calcolare curve corrette per le rotture di stock accanto ai rapporti attuali e applicarle a un gruppo di negozi di test o a una parte dell'acquisto. Misurare la disponibilità delle taglie centrali durante la stagione e la quota di taglie estreme rimaste a fine stagione. Poiché il cambiamento riguarda solo il modo in cui una quantità viene ripartita, le curve taglie sono uno dei punti di ingresso a minor rischio per l'IA negli acquisti.

Occorre concordare le misure di successo prima dell'avvio del test. Una curva che migliora la disponibilità delle taglie medie ma lascia più stock di taglie extra-large a fine stagione può comunque essere il compromesso giusto, ma solo se acquisti, allocazione e finanza hanno concordato in anticipo come ponderare le vendite perse rispetto al costo dei ribassi.

Domande frequenti

Che cos'è una curva taglie nel retail?

Una curva taglie è la ripartizione percentuale di un acquisto o di un'allocazione tra le taglie. Determina quante unità di ciascuna taglia vengono ordinate o inviate a ciascun negozio.

Perché i retailer esauriscono le taglie centrali?

Spesso perché le curve taglie si basano sulle vendite passate, che sottostimano le taglie esaurite presto. Ogni stagione le taglie più vendute ricevono una quota leggermente inferiore, e le rotture di stock si ripetono.

Quanti dati servono per ottimizzare le curve taglie?

Più di quanti ne abbia di solito un singolo negozio per un singolo modello. I modelli aggregano i dati di prodotti e punti vendita simili e richiedono uno storico di vendite e stock a livello di taglia, idealmente giornaliero, per distinguere la domanda dalla disponibilità.

Le curve taglie online e in negozio sono diverse?

Possono esserlo. La ricerca suggerisce che nei canali ad alto volume come l'e-commerce una semplice pianificazione per taglie aggregate funziona bene, mentre i contesti di negozio a basso volume traggono maggior beneficio dalla modellizzazione del modo in cui i clienti sostituiscono le taglie.

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