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

L'ottimizzazione dell'inventario con l'IA riduce giacenze invendute e rotture di stock prevedendo la domanda a un livello di dettaglio fine (modello, colore, taglia, punto vendita, settimana) e utilizzando poi regole di ottimizzazione per decidere quanto acquistare, dove detenerlo e quando spostarlo o modificarne il prezzo. L'obiettivo non è azzerare lo stock residuo, il che significherebbe molte vendite perse, ma trovare l'equilibrio più redditizio tra il costo delle eccedenze e il costo delle mancanze.

Perché l'inventario è così difficile da gestire nella moda?

La moda riunisce diverse caratteristiche complesse. Una quota consistente di ogni collezione è nuova, per cui non esiste uno storico delle vendite per l'articolo esatto. Le stagioni di vendita sono brevi e i lead time di produzione sono spesso più lunghi della finestra di vendita, per cui la maggior parte delle quantità viene impegnata prima della prima vendita. La domanda è frammentata tra molte taglie e colori e tra negozi, web e partner wholesale, il che moltiplica il numero di previsioni piccole e rumorose.

I due tipi di errore hanno costi diversi. Le eccedenze di stock sono visibili: finiscono in saldo, nei canali off-price o vengono svalutate. Le mancanze sono in gran parte invisibili, perché un cliente che non trova la propria taglia semplicemente se ne va e nessun sistema registra la vendita persa. Un buon modello di inventario deve stimare entrambi.

Come funziona l'ottimizzazione dell'inventario con l'IA?

La maggior parte dei sistemi segue la stessa catena di passaggi, indipendentemente dal fornitore o dall'approccio interno:

1. Pulire lo storico: allineare i codici prodotto, rimuovere eventi straordinari e segnalare i periodi in cui gli articoli erano esauriti.
2. Prevedere la domanda: stimare la domanda non vincolata per prodotto, taglia e punto vendita, compresi gli effetti di prezzo e promozioni.
3. Modellizzare l'incertezza: produrre una gamma di risultati probabili anziché un unico numero, perché le decisioni di acquisto dipendono dal rischio.
4. Ottimizzare le decisioni: scegliere le quantità che massimizzano il margine atteso tenendo conto dei costi di eccedenza e mancanza, dei budget e dei vincoli.
5. Ripianificare in stagione: aggiornare le previsioni con le vendite effettive e adeguare riassortimenti, trasferimenti e prezzi.

Il passaggio più spesso trascurato è quello dell'incertezza. La quantità di acquisto di una T-shirt basica che vende ogni settimana andrebbe trattata in modo molto diverso da quella di un capo di tendenza con la stessa previsione media ma una dispersione molto più ampia.

Leggi anche

Che cos'è il demand sensing e come funziona nella moda?

Quali evidenze esistono che funzioni?

Le evidenze pubbliche e verificate in modo indipendente sono limitate, perché la maggior parte dei risultati è comunicata dai fornitori. Spiccano due casi ben documentati. Zara ha collaborato con ricercatori accademici a un modello che determina le spedizioni di inventario dai magazzini centrali ai negozi. Secondo l'articolo pubblicato su Interfaces nel 2010, il sistema, che collega esplicitamente livelli di stock e domanda per scegliere le quantità di riassortimento, ha aumentato le vendite del 3-4 per cento, con ricavi aggiuntivi stimati in circa 233 milioni di dollari USA per il 2007 e 353 milioni per il 2008.

Zalando ha pubblicato il modo in cui prevede la domanda per le decisioni di pricing: un modello basato su transformer che prevede la domanda settimanale con 26 settimane di anticipo, in uso in diverse versioni dal 2019. Gli autori descrivono il pricing come una leva fondamentale per ridurre il rischio di trovarsi con eccedenze di stock a fine stagione, il che mostra quanto siano strettamente collegate in pratica le decisioni su inventario e ribassi.

Altri brand hanno descritto i propri obiettivi in termini più generali. Nel 2020 H&M ha dichiarato a Retail Dive che il suo team di IA, costituito nel 2018, stava lavorando per quantificare quanto acquistare di ciascun articolo, con l'obiettivo di portare il prodotto giusto nel posto giusto al momento giusto. Nel 2021 Levi Strauss ha affermato che la previsione della domanda basata sull'IA aveva migliorato l'accuratezza e avrebbe dovuto favorire investimenti in inventario più precisi e meno ribassi.

Perché le rotture di stock distorcono i dati?

Le vendite non sono la domanda. Quando una taglia si esaurisce, le vendite registrate si fermano anche se i clienti continuano a chiederla. Un modello addestrato sulle vendite grezze prevederà quindi una domanda troppo bassa proprio per le taglie e i negozi che hanno avuto i risultati migliori. Una ricerca di Akchen e Caro, di prossima pubblicazione su Manufacturing & Service Operations Management, ha analizzato un retailer di calzature e ha rilevato che quasi il 25 per cento della domanda rimasta insoddisfatta a causa delle rotture di stock si è spostata sulla taglia immediatamente superiore o inferiore; la parte restante non si è tradotta nell'acquisto di una taglia vicina. Correggere questi effetti, segnalando i periodi di rottura di stock e stimando la domanda mancante, è una delle cose più preziose che un modello di inventario possa fare.

Di quali dati e di quale organizzazione ha bisogno?

L'elenco dei dati è prevedibile: dati anagrafici di prodotto puliti, storico di vendite e stock a livello di taglia e punto vendita, storico di prezzi e ribassi e vincoli di approvvigionamento come lead time e quantità minime d'ordine. I brand wholesale hanno bisogno anche dei dati di sell-out dei partner retail, altrimenti vedono solo ciò che è stato spedito, non ciò che è stato venduto.

L'organizzazione conta altrettanto. Acquisti, allocazione e pricing sono spesso gestiti da team diversi con obiettivi diversi. Un modello di ottimizzazione che suggerisce un acquisto iniziale più contenuto e più riassortimenti in stagione crea valore solo se i contratti di fornitura e i processi di magazzino consentono questa flessibilità.

Leggi anche

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

Quali sono i limiti?

• L'errore di previsione per gli articoli realmente nuovi resta elevato; l'IA lo riduce ma non lo elimina.
• L'ottimizzazione presuppone input di costo (costo dei ribassi, costo della vendita persa) che l'azienda deve stimare e condividere.
• I negozi piccoli e gli articoli a bassa rotazione producono dati molto scarsi, per cui le previsioni a livello di negozio richiedono di aggregare negozi simili.
• I dati di miglioramento comunicati dai fornitori sono raramente verificati in modo indipendente e dipendono fortemente dal punto di partenza.

Trattata come un processo decisionale disciplinato anziché come l'acquisto di uno strumento, l'ottimizzazione dell'inventario con l'IA è una delle applicazioni più pratiche dell'IA nella moda, proprio perché i suoi risultati emergono nei dati di stock e di margine che la funzione finanza già monitora.