Come si prevede la domanda di un prodotto moda senza storico di vendita?

Per un prodotto moda senza storico di vendita, la previsione si ottiene prendendo in prestito lo storico di prodotti simili. I modelli di IA descrivono ogni nuovo articolo attraverso i suoi attributi, le immagini, il prezzo e la distribuzione pianificata, individuano i prodotti passati che gli somigliano e imparano come quelle caratteristiche si sono tradotte in vendite. La previsione viene poi affinata rapidamente non appena arrivano i dati dei primi giorni di vendita reale.

Perché è così difficile prevedere la domanda dei nuovi prodotti moda?

I metodi di previsione classici proiettano nel futuro il passato di un prodotto. Questo funziona per una T-shirt bianca continuativa, ma gran parte di una collezione moda è nuova ogni stagione: nuove silhouette, stampe e varianti colore senza alcun dato di vendita. I ricercatori che hanno creato un benchmark pubblico per questo problema descrivono la previsione dei nuovi prodotti come un compito impegnativo che i metodi classici non possono risolvere, proprio perché non esistono vendite passate da modellare.

La difficoltà è aggravata dal calendario della moda. Per molti prodotti le decisioni d'acquisto vengono prese mesi prima del lancio, la domanda dipende da tendenze che nel frattempo cambiano e le vendite sono spesso limitate dallo stock acquistato. Una previsione sbagliata in un senso o nell'altro si trasforma in ribassi o in vendite perse.

Come prevede l'IA un prodotto che non è mai stato venduto?

La maggior parte degli approcci sostituisce la serie storica mancante con una descrizione del prodotto e poi impara da prodotti analoghi. In pratica questa descrizione è costruita da diversi livelli di dati.

• Attributi strutturati: categoria, tessuto, vestibilità, lunghezza, famiglia di colore, fascia di prezzo e stagione.
• Immagini: la computer vision trasforma foto di prodotto o bozzetti in caratteristiche numeriche che descrivono forma e stile.
• Piano commerciale: prezzo pianificato, numero di punti vendita o canali, data di lancio e supporto marketing.
• Segnali esterni: interesse nelle ricerche o dati social che indicano se uno stile è in ascesa o in declino.
• Prime vendite: i primi giorni o settimane di domanda reale, una volta che il prodotto è in vendita.

Fisher e Vaidyanathan, in un articolo su Management Science del 2014, hanno illustrato chiaramente la logica degli attributi. Il loro modello tratta ogni prodotto come un insieme di livelli di attributo, stima la domanda per ciascun livello e la probabilità che i clienti ripieghino su un sostituto quando la prima scelta manca, e usa queste stime per prevedere prodotti che il retailer non ha ancora in assortimento. Le categorie studiate non erano di moda (merendine, pneumatici e prodotti per la cura dell'auto), ma il metodo si trasferisce direttamente agli attributi dell'abbigliamento.

Leggi anche

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

Quanto sono accurate le previsioni dell'IA per i nuovi prodotti?

I risultati pubblicati offrono un utile confronto con la realtà. Nello studio di Fisher e Vaidyanathan, le previsioni delle quote di vendita dei nuovi prodotti avevano errori percentuali assoluti medi del 16,2%, del 19,1% e del 28,7% nelle tre categorie, valori che gli autori confrontavano favorevolmente con un benchmark precedente del 30,7%. Errori di questa entità rappresentano un miglioramento, non una certezza.

Nel campo specifico della moda, Skenderi e colleghi hanno pubblicato VISUELLE, un dataset di 5.577 nuovi prodotti venduti da un'azienda italiana di fast fashion tra il 2016 e il 2019, con immagini, metadati, vendite e le relative serie di Google Trends. Il loro modello multimodale ha superato i modelli di riferimento testati, e l'aggiunta di Google Trends ha migliorato l'errore percentuale assoluto ponderato dell'1,5%. È un guadagno significativo ma modesto, a ricordare che i dati esterni affinano una previsione più che trasformarla.

Di quali dati ha bisogno un brand prima di iniziare?

La qualità di una previsione per un nuovo prodotto dipende meno dall'algoritmo che dall'archivio che lo alimenta. Gli attributi devono essere classificati in modo coerente per diverse stagioni, altrimenti il modello non riesce a riconoscere che due prodotti sono simili. Lo storico vendite va depurato dalle rotture di stock, perché un prodotto esaurito presto sembra meno richiesto di quanto fosse. I ricercatori che hanno lavorato con il retailer online Rue La La hanno affrontato proprio questo problema, usando il machine learning per stimare le vendite perse sugli articoli esauriti prima di prevedere la domanda di prodotti che il retailer non aveva mai venduto, secondo Working Knowledge della Harvard Business School.

Se vengono usate come caratteristiche, le immagini devono essere comparabili (stessa angolazione, sfondo e inquadratura). Va inoltre registrato il piano commerciale, inclusi prezzo e ampiezza della distribuzione, perché un prodotto presente in cinquanta punti vendita non è comparabile con uno presente in cinque.

Dove conta ancora il giudizio umano?

I modelli imparano dal passato, quindi sono più deboli proprio dove la moda è più interessante: categorie davvero nuove, una collaborazione, una tendenza senza precedenti nell'archivio. Merchandiser e buyer aggiungono un contesto che i dati non contengono, come una spinta di marketing, un momento legato a una celebrità o un vincolo di un fornitore. Lo schema sensato è un modello che propone e un planner che corregge, con le correzioni registrate in modo da poterne misurare a loro volta l'accuratezza.

Come cambiano la previsione le prime vendite?

Il dato più prezioso per un nuovo prodotto è la sua prima settimana di vendita. Il lavoro di Zara con alcuni accademici, pubblicato su Operations Research nel 2015, ha portato a un sistema che aggiorna le previsioni sulla base delle prime vendite e decide quanto stock inviare inizialmente a ciascun negozio e quanto trattenerne in magazzino. In un esperimento sul campo controllato con 34 articoli nella stagione 2012, il sistema ha aumentato le vendite medie di stagione di circa il 2% e ridotto di circa il 4% le unità invendute alla fine della stagione regolare.

Questi risultati illustrano la forma realistica dei benefici dell'IA nella pianificazione dei nuovi prodotti: guadagni percentuali incrementali che si sommano su una gamma ampia, ottenuti abbinando una previsione a una decisione operativa che può ancora cambiare.

Leggi anche

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

Da dove dovrebbe iniziare un brand?

1. Verificare due o tre stagioni di dati di prodotto per coerenza di attributi, immagini e prezzi registrati.
2. Correggere le vendite storiche per le rotture di stock e per il numero di punti vendita in cui ogni prodotto era offerto.
3. Partire da una categoria con molte novità e un archivio ampio, e confrontare il modello con il metodo attuale del planner.
4. Misurare l'accuratezza al livello in cui si prendono le decisioni (modello, colore, taglia o negozio), non solo in forma aggregata.
5. Collegare la previsione a una decisione flessibile, come l'allocazione iniziale o un riordino riservato, così che previsioni migliori cambino davvero i risultati.