Previsione della domanda con l'IA nella moda: come funziona e dove fallisce

Ogni brand di moda si impegna sulla produzione prima di sapere che cosa venderà. Il tessuto viene prenotato con mesi di anticipo, la capacità delle fabbriche viene riservata e le quantità vengono fissate su un mix di storico, pre-order e istinto. La previsione della domanda con l'IA promette di rendere questa scommessa più informata. Può farlo, entro limiti che vale la pena comprendere prima di investire.

Come funziona la previsione della domanda con l'IA?

In sostanza, un modello previsionale apprende le relazioni tra la domanda passata e i fattori che l'hanno influenzata, poi applica queste relazioni al futuro. I metodi statistici tradizionali guardano principalmente allo storico e alla stagionalità del singolo prodotto. I modelli di machine learning possono combinare molti più input contemporaneamente e condividere l'apprendimento tra prodotti simili, il che è utile quando i singoli modelli hanno vita breve.

Gli input tipici includono:

• Vendite storiche per modello, colore, taglia, canale e località
• Attributi di prodotto come categoria, fascia di prezzo, tessuto, vestibilità e famiglia di colore
• Effetti di calendario: inizio stagione, festività, promozioni e periodi di ribasso
• Pre-order wholesale e primi re-order dai partner retail
• Disponibilità di stock, così da poter correggere i periodi di rottura di stock
• Segnali esterni dove rilevanti, come meteo o traffico web

L'output dovrebbe essere una distribuzione, per esempio una quantità più probabile con un intervallo minimo e massimo, anziché un singolo valore. I pianificatori che vedono solo il numero centrale tendono a trattarlo come certo.

Dove funziona bene?

L'ambito pratico ideale sono il riassortimento e l'allocazione per taglia dei prodotti con storico. Qui i modelli gestiscono molti articoli contemporaneamente e reagiscono alle vendite recenti più rapidamente della pianificazione manuale. La previsione delle curve taglie a livello di categoria e di negozio è un'altra area in cui l'aggregazione dei dati dà risultati utili.

Leggi anche

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

Dove fallisce la previsione con l'IA?

I fallimenti sono prevedibili, il che li rende gestibili se vengono riconosciuti.

• Domanda censurata. Quando un prodotto va esaurito, le vendite registrate mostrano ciò che era disponibile, non ciò che i clienti volevano. Un modello addestrato sulle vendite grezze impara a sottostimare i bestseller.
• Cold start. I nuovi modelli non hanno storico. Il modello si basa su prodotti simili, e la definizione di 'simile' dipende da quanto bene sono registrati gli attributi.
• Rotture strutturali. Un nuovo partner distributivo, una variazione di prezzo o un cambiamento nel comportamento dei consumatori rendono il passato meno rappresentativo del futuro.
• Promozioni e ribassi. Se i periodi di sconto non sono segnalati nei dati, il modello confonde la domanda guidata dal prezzo con la domanda di fondo.
• Numeri piccoli. A livello di negozio, modello e taglia, le quantità sono spesso così ridotte che la variazione casuale prevale su qualsiasi schema.

Perché i dati wholesale sono un segnale previsionale forte?

I brand wholesale hanno un vantaggio che i retailer puri non hanno: i buyer si impegnano sulle quantità prima dell'inizio della stagione. I pre-order sono un'espressione anticipata e reale della domanda da parte di professionisti che conoscono i propri clienti. Combinare i dati dei pre-order con la conversione storica dal pre-order alla domanda finale (re-order, annullamenti, sell-through nei negozi dei partner) offre a chi fa previsioni un segnale mesi prima che inizino le vendite ai consumatori.

L'avvertenza è che i pre-order riflettono le aspettative dei buyer, che possono essere collettivamente sbagliate. Il comportamento di re-order nelle prime settimane della stagione è spesso la conferma più affidabile, ed è per questo che un accesso rapido ai dati di re-order e sell-out conta quanto il modello stesso.

Come dovrebbero i vertici valutare uno strumento di previsione?

1. Chiedere un back-test sui propri dati: lo strumento prevede una stagione passata senza vederne i risultati e si confronta con i dati effettivi.
2. Misurare l'accuratezza separatamente per carry-over e nuovi modelli, perché un dato aggregato nasconde dove il modello fatica.
3. Verificare che le previsioni siano accompagnate da intervalli e che i pianificatori possano vedere i principali fattori dietro un numero.
4. Confrontare con il metodo attuale, non con la perfezione. La domanda è se lo strumento batte il processo di pianificazione di oggi.
5. Concordare come i pianificatori possono correggere le previsioni e monitorare se le correzioni migliorano o peggiorano i risultati.

L'accuratezza va anche ponderata per impatto commerciale. Un errore di previsione su un articolo core ad alto volume costa più dello stesso errore su un modello di nicchia, quindi la valutazione dovrebbe riflettere il valore a rischio, non solo l'errore medio su tutti gli articoli.

Leggi anche

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

Quale ruolo resta ai pianificatori?

L'IA sposta il lavoro del pianificatore dal produrre numeri al gestire le eccezioni. Il modello gestisce il grosso degli articoli stabili; i pianificatori si concentrano su nuovi lanci, scommesse strategiche, vincoli di approvvigionamento e informazioni qualitative che non compaiono mai nei dati, come il cambio di strategia di un key account o i prezzi aggressivi di un concorrente.

I brand che ottengono di più dalla previsione con l'IA hanno chiara questa divisione del lavoro. Lasciano al modello ciò che sa fare bene, mantengono le persone responsabili dell'impegno finale e rivedono l'accuratezza delle previsioni a ogni stagione come tema fisso di management.